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和相似性
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）