【图像处理与机器视觉】XJTU期末考点

2024-06-02 19:04

本文主要是介绍【图像处理与机器视觉】XJTU期末考点,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

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(xs,yt)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.在这里插入图片描述

B.在这里插入图片描述
C.在这里插入图片描述
D.在这里插入图片描述
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=(Xk1B)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.在这里插入图片描述

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
在这里插入图片描述

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:
在这里插入图片描述

(2)实际题目:
在这里插入图片描述

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:
在这里插入图片描述

(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=1Np(si)l(si)
在这里插入图片描述

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
在这里插入图片描述

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
在这里插入图片描述

(2)计算某个卷积层和全连接层的参数量
在这里插入图片描述

没有考反向传播的参数(但要会算)

这篇关于【图像处理与机器视觉】XJTU期末考点的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1024825

相关文章

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

【机器学习】高斯网络的基本概念和应用领域

引言 高斯网络(Gaussian Network)通常指的是一个概率图模型,其中所有的随机变量(或节点)都遵循高斯分布 文章目录 引言一、高斯网络(Gaussian Network)1.1 高斯过程(Gaussian Process)1.2 高斯混合模型(Gaussian Mixture Model)1.3 应用1.4 总结 二、高斯网络的应用2.1 机器学习2.2 统计学2.3

计算机视觉工程师所需的基本技能

一、编程技能 熟练掌握编程语言 Python:在计算机视觉领域广泛应用,有丰富的库如 OpenCV、TensorFlow、PyTorch 等,方便进行算法实现和模型开发。 C++:运行效率高,适用于对性能要求严格的计算机视觉应用。 数据结构与算法 掌握常见的数据结构(如数组、链表、栈、队列、树、图等)和算法(如排序、搜索、动态规划等),能够优化代码性能,提高算法效率。 二、数学基础

✨机器学习笔记(二)—— 线性回归、代价函数、梯度下降

1️⃣线性回归(linear regression) f w , b ( x ) = w x + b f_{w,b}(x) = wx + b fw,b​(x)=wx+b 🎈A linear regression model predicting house prices: 如图是机器学习通过监督学习运用线性回归模型来预测房价的例子,当房屋大小为1250 f e e t 2 feet^

【机器学习-一-基础概念篇】

机器学习 定义分类算法 应用 定义 机器学习最早是被Arthur Samuel 提出的一个概念,指计算机无需明确编程即可学习的研究领域。1950年他发明的跳棋程序,这个人机对弈游戏让他的声名鹊起,机器学习这个概念才进入大众的是视线。 在这个跳棋程序里,他编程了一种算法,这个程序与Arthur下了数万次跳棋,计算机逐渐学会了下在哪里有更大的可能会赢得比赛,哪里会输,通过这种方法,最

机器学习之监督学习(三)神经网络

机器学习之监督学习(三)神经网络基础 0. 文章传送1. 深度学习 Deep Learning深度学习的关键特点深度学习VS传统机器学习 2. 生物神经网络 Biological Neural Network3. 神经网络模型基本结构模块一:TensorFlow搭建神经网络 4. 反向传播梯度下降 Back Propagation Gradient Descent模块二:激活函数 activ

《计算机视觉工程师养成计划》 ·数字图像处理·数字图像处理特征·概述~

1 定义         从哲学角度看:特征是从事物当中抽象出来用于区别其他类别事物的属性集合,图像特征则是从图像中抽取出来用于区别其他类别图像的属性集合。         从获取方式看:图像特征是通过对图像进行测量或借助算法计算得到的一组表达特性集合的向量。 2 认识         有些特征是视觉直观感受到的自然特征,例如亮度、边缘轮廓、纹理、色彩等。         有些特征需要通

【python计算机视觉编程——7.图像搜索】

python计算机视觉编程——7.图像搜索 7.图像搜索7.1 基于内容的图像检索(CBIR)从文本挖掘中获取灵感——矢量空间模型(BOW表示模型)7.2 视觉单词**思想****特征提取**: 创建词汇7.3 图像索引7.3.1 建立数据库7.3.2 添加图像 7.4 在数据库中搜索图像7.4.1 利用索引获取获选图像7.4.2 用一幅图像进行查询7.4.3 确定对比基准并绘制结果 7.