【图像处理与机器视觉】XJTU期末考点

题型

选择:1 分10
填空:1 分
15

简答题(也含有计算和画图):10 分*4

计算题:15 分+20 分

考点

选择题(部分)

数字图像处理基础

p(x,y),q(s,t)两个像素之间的距离由公式: D ( p , q ) = m a x ( ∣ x − s ∣ , ∣ y − t ∣ ) D(p,q)=max(|x-s|,| y-t|) D(p,q)=max(∣x−s∣,∣y−t∣)确定,这种距离被称作:

A.D4 距离

B.城市街区距离

C.欧式距离
D.D8 距离

其他需要掌握的知识点:

(1)取样和量化的概念

(2)数字图像的概念

(3)灰度级与灰度分辨率

(4)三种邻接性,通路,前景和背景,

几种距离:欧式距离,D4 距离(城市街区距离),D8(棋盘距离),Dm 距离

(5)像素的逻辑操作与空间操作

灰度变换

图像与灰度直方图的对应关系是:
A.一对一

B.多对一

C.一对多

D.不确定

其他需要掌握的知识点:

(1)知道反转变换和幂律变换的方法和效果

(2)灰度直方图的概念

频率域滤波

(1)对一幅图像进行频率域滤波哪个操作不是必要的:

A.将图像的长和高都扩大成 2 倍

B.计算图像的 DFT

C.用 ( − 1 ) x + y (-1)^{x+y} (−1)x+y将图像移到对应的变换中心
D.使用对数处理图像

(2)频率域的高频不包含以下哪个部分:

A.灰度变化快的部分

B.图像的细节

C.图像的边缘
D.灰度变化慢的部分

其他需要掌握的知识点:

(1)傅立叶级数的几条性质

(2)频率域滤波的完整步骤

(3)几种常见的滤波器

彩色图像处理

对于一幅过亮的图片,以下哪种矫正方式对应的曲线是正确的:

A.

B.

C.

D.

其他需要掌握的知识点:

(1)几种彩色模型

(2)补色与伪彩色的概念

(3)彩色变换

图像压缩

以下几种方法,哪种是有损压缩方法:

A 霍夫曼编码
B 预测编码

C Golomb 编码

D LZW 编码

其他需要掌握的知识点:

(1)三种冗余的类型

(2)压缩率与相对数据冗余

(3)信息量与信源熵

(4)图像压缩模型

形态学

X k = ( X k − 1 ⨁ B ) ∩ A X_k = (X_{k-1}\bigoplus B)\cap A Xk=(Xk−1⨁B)∩A代表了形态学中的什么操作:

A 区域填充
B 连接分量提取

C 细化

D 粗化

其他需要掌握的知识点:

(1)腐蚀与膨胀的概念

(2)开运算与闭运算的顺序

(3)边界抽取

(4)骨架

(5)灰度膨胀与腐蚀的作用

(6)灰度开运算和闭运算的作用

计算机视觉

以下哪种说法是错误的:

A 卷积核的个数是卷积层输出的第三维大小

B 卷积层输入的第三维就是卷积核第三维的大小
C 卷积层中的参数量在卷积神经网络中最多

D 1x1 卷积核的作用是为了改变卷积层输出的第三维大小

其他需要掌握的知识点:

(1)损失函数的计算

(2)线性分类器的工作原理

(3)梯度下降的工作原理

(4)常见的激活函数

填空题(部分)

1.Dm 距离的计算

2.

左图中四个序号空缺,请填入右侧对应图片的序号

3.灰度腐蚀会导致原图变暗

4.Golomb 编码与一元编码:写出 0,1,2,3 的一元编码,给出 G2(6)和 G4(9)的哥伦布编码

5.图像分割基于灰度的不连续性相似性

6.想要使图像平滑应使用低通滤波器,想要使图像锐化应使用高通滤波器

简答题

1.PPT 原题,直方图均衡

解题过程请参考我另一篇推文:https://blog.csdn.net/weixin_46876169/article/details/139305167?spm=1001.2014.3001.5502

2.三种彩色模型的英文缩写与对应的中文名,并写出他们的实际应用

3.神经网络的训练过程(题目给出几个操作考察排序)是什么?根据什么来计算预测值与真实值的差异?用什么算法进行 w 和 b 的优化?

4.给出格子与图形,考察闭运算的中间过程与结果分别的样子,需要自己画格子(尺寸为 8*12

计算题

霍夫曼编码

PPT 原题

(1)给出霍夫曼编码的原理:

(2)实际题目:

随后从后向前查看每一个输入所对应的路径,确定其编码:

如 a2 的概率一直是独立的 0.4,其除了在第四步中被赋值 1,其余情况下均为被赋值,从后往前看则其编码为 1

如 a6,第四步概率在 0.6 中,赋值 0;第三步概率在 上面的0.3 中,赋值 0,前面不存在赋值,故从后往前看其编码为 00

同理则有:

(3)计算平均编码长度:

编码的平均长度由其对应概率和编码长度组成
L = ∑ i = 1 N p ( s i ) l ( s i ) L = \sum\limits_{i=1}^Np(s_i)l(s_i) L=i=1∑Np(si)l(si)

卷积神经网络(以 AlexNet 为基础)

四个卷积层,两个池化层,一个全连接层

(1)计算卷积层和池化层的每层输出

另外要清楚:

1.卷积核的数量就是卷积层输出的第三维大小

2.卷积层输入的第三维大小就是卷积核的第三维大小

(2)计算某个卷积层和全连接层的参数量

没有考反向传播的参数(但要会算)

相关推荐
喵~来学编程啦28 分钟前
【论文精读】LPT: Long-tailed prompt tuning for image classification
人工智能·深度学习·机器学习·计算机视觉·论文笔记
深圳市青牛科技实业有限公司41 分钟前
【青牛科技】应用方案|D2587A高压大电流DC-DC
人工智能·科技·单片机·嵌入式硬件·机器人·安防监控
水豚AI课代表1 小时前
分析报告、调研报告、工作方案等的提示词
大数据·人工智能·学习·chatgpt·aigc
几两春秋梦_1 小时前
符号回归概念
人工智能·数据挖掘·回归
用户691581141652 小时前
Ascend Extension for PyTorch的源码解析
人工智能
用户691581141652 小时前
Ascend C的编程模型
人工智能
成富3 小时前
文本转SQL(Text-to-SQL),场景介绍与 Spring AI 实现
数据库·人工智能·sql·spring·oracle
凤枭香3 小时前
Python OpenCV 傅里叶变换
开发语言·图像处理·python·opencv
CSDN云计算3 小时前
如何以开源加速AI企业落地,红帽带来新解法
人工智能·开源·openshift·红帽·instructlab
艾派森3 小时前
大数据分析案例-基于随机森林算法的智能手机价格预测模型
人工智能·python·随机森林·机器学习·数据挖掘