[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