计算机视觉（CV）视觉算法考研的内容主要包括以下几个方面：

数学基础 ：

线性代数 ：矩阵运算、向量空间、特征值和特征向量。

概率论与数理统计 ：基本概率分布、贝叶斯定理、期望和方差。

微积分 ：函数导数、梯度计算、极值问题等。

编程基础 ：

熟悉编程语言如Python或C++。

掌握相关的计算视觉库，如OpenCV、NumPy等。

计算机视觉基础知识 ：

图像处理 ：图像的基本操作（读写图像、颜色空间转换）、图像的基本处理技术（平滑、锐化、边缘检测）、图像变换（傅里叶变换、直方图均衡化）。

特征提取 ：关键点检测（Harris角点检测、SIFT、SURF）、描述子提取（ORB、BRIEF）。

图像配准和全景拼接 ：图像配准技术（特征匹配、单应性矩阵）、全景图像拼接（使用RANSAC进行稳健匹配）。

经典计算机视觉算法 ：

机器学习基础 ：回归模型（线性回归和逻辑回归）、分类模型（K近邻、支持向量机）、聚类算法（K-means、层次聚类）。

传统CV模型 ：主成分分析（PCA）、图像分割（K-means、GrabCut、Watershed算法）、特征提取方法（SIFT、SURF、HOG、LBP算法）。

深度学习基础 ：

神经网络基础 ：多层感知机（MLP）、基本神经网络的构造和训练。

基于深度学习的目标检测技术演进 ：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD。

实际应用 ：

可能包括一些实际项目或案例的分析，考察考生在实际应用中的问题解决能力和创新能力。

其他内容 ：

相机标定与校正 ：了解相机内参和外参的概念，掌握相机标定的基本原理和方法，以及进行相机校正的流程和步骤。

建议考生在备考时，系统性地学习和掌握上述各个领域的知识，并通过编程实践和项目经验来巩固所学内容。同时，关注最新的研究进展和技术动态，以便在考试中能够灵活应用和创新。