首先，这个课程的开始形象化的表述了什么是计算机视觉，类比于人类的视觉，计算机视觉将摄像机等电子设备当作视觉器官来获取图像，然后使用电脑代替大脑进行分析，最终达到理解图像的目的。简而言之，计算机视觉是为了连通单纯的像素和理解意义。通过计算机学习，我们希望能从图片中获得的信息主要是两点：一是三维信息，即从图片这种二维载体中，恢复物体原本的三维信息；二是语义信息。计算机视觉的应用非常广泛。
接着，介绍了在计算机视觉中广泛采用的工具——线性代数和Matlab。将图像通过矩阵表示，运用矩阵的操作来操控图像完成一系列工作。矩阵的变换是其中重要的一点，例如缩放、旋转等。在实际进行计算机视觉工作时，我们经常需要进行仿射变换，为了方便进行这样的操作，引入了一个齐次坐标的概念，即将向量增加一维，并且新增的一维为1，与此同时，变换矩阵相应要增加一行，并且新增的一行，除最后一个元素为1外，其余都为0。本来平移操作是要通过矩阵的加法来完成的，但是通过增加一维后，乘法也变得可行。采用齐次坐标的方式完成仿射变换是一个常用的方式。同时还要关注矩阵的逆、矩阵的秩和矩阵的分解，如奇异值分解。奇异值分解是一种非常实用，且应用广泛的矩阵分解方式，可以用于图片的压缩。奇异值分解解决了特征值分解无法应用于非方阵的局限性，使得任何矩阵的分解成为了可能，运用主成分分析，即可完成图片的压缩。
在第四课中更加明确了图片在计算机视觉中地位，即将图片看作一个离散函数，以像素位置作为自变量，将该位置的像素的属性作为因变量。透过这个角度，使得对图像的处理成为可能，如通过过滤器就可以实现图像的降噪、超分辨率、修复等工作。过滤器常见的有移动平均和图像分割。要着重关注的两个特征：线性系统和平移不变系统。此外，卷积和互相关也常用于图像处理，但是两者都有边缘效应需要注意。同时应该注意两者之间的区别，卷积是一种滤波操作，而互相关是应用于比较相似度的。卷积和相关的计算有一定的相似度，但是卷积进行操作时要首先将卷积核旋转180度，而相关计算时则不需要，所以对于对称的卷积核，卷积和相关的结果是相同的，比如高斯核。