[2034]图像处理与模式识别

[2034]图像处理与模式识别 博士生入学专业基础课考试大纲 课程名称:图像处理与模式识别 一、考试要求 要求考生全面系统地掌握图像处理与模式识别的基本概念、基本原理、典型方法和实用技术，并且能灵活运用所学知识解决实际应用中的具体问。 二、考试内容 1) Bayes决策理论 , Bayes分类器的基本概念:最小误差率准则，最小风险准则，正态分布 下的Bayes分类器; , 概率密度的参数估计方法:最大似然估计，EM算法，隐含Markov模型; , 非参数估计方法:Parzen窗法， K-近邻方法，距离度量; , 成份分析:主成分分析，多重判别分析。 2) 线性判别函数和多层神经网络 , 线性判别函数的基本概念:两类问题的判别准则，多类问题的判别准则; , 线性分类器的训练:感知器算法最小均方误差算法，支持矢量机; , 多层神经网络的基本概念:前馈神经网络分类器的基本结构，前馈运算 的方法; , 前馈神经网络的训练方法:误差反向传播算法; 3) 非监督学习与聚类 , 非监督学习的基本概念，聚类的准则函数 , 聚类方法:高斯混合模型，K-均值聚类，模糊K-均值聚类，自组织特征 映射。 4) 图像增强 , 空域变换增强:直接灰度变换和直方图处理 , 空域滤波增强:平滑和锐化 , 频域增强:高通、低通、带通和同态滤波 5) 图像复原和重建 , 退化模型 , 无约束恢复:逆滤波、运动模糊图象的复原方法 , 有约束恢复:维纳滤波和有约束最小平方滤波 , 图象重建:傅立叶反变换重建 6) 图象分割 , 并行边界技术:边缘检测、Hough变换 , 并行区域技术:阈值选取 , 串行区域技术:区域生长和分裂合并 三、试卷结构 考试时间180分钟，满分100分 1)题型结构 , 概念题(20分) , 简答题(20分) , 计算题(40分) , 技术方案设计(20分) 2)内容结构 , Bayes决策理论(20分) , 线性判别函数和多层神经网络(20分) , 非监督学习和聚类(20分) , 图像增强(15) , 图象复原与重建(15分) , 图象分割(10分) 四、参考书目见招生简章