1.为什么要进行频域变化？(用快速傅利叶变换的形式写下来。)
一个图象经过傅立叶变换后，就从空域变到了频域，因此我们可以用信号处理中对于频域信号的处理方法对一幅图象进行处理。
2.如果直接进行降采样会出现什么效果？所以高斯金字塔的过程应该是？高斯金字塔与拉普拉斯金字塔之间的关系。
(1)直接降采样会出现损失信息
(2)先进行高斯平滑再进行降采样
(3)
3为什么傅里叶变换能够把时域的转化成频域，如何用傅立叶解释2D的图片（即傅里叶变换在图像中有什么作用）。为什么要选这个图来说明？低通和高通分别留下了哪些特质？相位滤波滤去的哪些特征？
(1)时域展开无穷多个正余弦波，每个波对应着频率
(2)
图像越密，细节越高
(3)此图的原图中线条有规律 方便处理有助于提取特征
(4)低通：只保留基本的样子 高通：保留了细节特征
(5) 相位滤波可以滤去一些信号中的低频成分和非线性特征
4如果出现这样的图像，应该采取怎么样去杂质？
只能通过傅里叶变换去除
去除过程：
傅里叶变换频谱滤波去掉白点的区域添加黑点
5.小波变换与傅立叶变化有什么区别？为什么要进行小波变换？
(1)小波变换直接把傅里叶变换的基给换了，将无限长的三角数基换成了有限的会衰减的小波基。
(2)能够获取频率还可以定位到时间
6.量化颜色直方图有什么优点和劣势？为了解决这个劣势，我们推出了什么方法？他为什么能够解决这个劣势？
(1)优势：计算高效
劣势：量化问题，稀疏
(2)聚类算法
(3)有什么颜色就聚为一类计算，没有出现的就不采用
7.边缘的定义是什么（函数上）？如何利用进行边缘提取？可以用什么进行控制尺度？
(1) 像素值函数快速变化的区域一阶导数的极值区域
(2)先高斯去噪，再使用一阶导数获取极值
(3)利用标准差进行控制尺度
8.以训练一个最简单的CNN为例，用来识别一张图片里的字母是X还是O
图-1
图-2
卷积神经网络CNN是什么？人眼可以轻易识别x和o。如何让计算机知道该图是x？什么是欠拟合（用题目所给图像解释）？为了识别这些欠拟合的图片，cnn需要做什么？如何提取图片特征，是一个个像素进行对比吗？
(1)CNN是一种专门用来处理数据的神经网络，它的输入形状类似于二维的矩阵图像。CNN通常用于图像检测和分类。
(2)以通过将图像转换为RGB值、灰度值或颜色空间的表示方法来完成。
(3)欠拟合指训练的模型和图一相差较远，模型没有很好的捕捉到图一的数据特征
(4)计算机需要通过CNN算法进行特征提取进而进行判断，提取出来的特征即为卷积核。
(5)对输入图像进行滑动操作，提取出图像中的特征, 不是对每个像素进行对比，而是将卷积核在输入图像上滑动，得到一系列的特征图。
10.以所给图片1为例，解释匹配；因此我们可以从第九题里面的图一及标准x中提取出三个什么，它在卷积操作中被称是为？其大小是奇数还是偶数，为什么？
图片1
(1)先给图一打上一个标签告诉他这个是x 使用卷积一块一块的进行对比 在两幅图中大致相同的位置找到一些粗糙的特征进行匹配
(2)卷积核
(3)奇数，主要是因为它们在空间对称性、填充处理和实际性能方面具有优势。