简介数字图像处理课程经常需要刷题巩固概念这份PDF就将高频考点整理成了完整试卷。它面向高校计算机、电子信息类专业学生以及准备数字图像处理考试或复试的考生覆盖图像增强、压缩、分割、识别等核心模块并给出填空、选择、判断、简答和问答题的详细答案。包内共1个文件为PDF格式电子文档全部内容约123KB方便打印或在手机、电脑上随时翻阅。目前已有1137人浏览学习属于较实用的备考资料。除了基础概念外这份试题还涉及直方图均衡化计算、拉普拉斯算子边缘检测、逆滤波与维纳滤波复原、Huffman编码等典型题目通过练习可以帮读者把抽象原理落到具体解题步骤上适合在考前集中自测和查漏补缺。1. 数字图像处理试卷的题型分布与复习主线数字图像处理这门课从表面看公式密度高概念之间的关联也绕。多数学校的数字图像处理试卷由两部分构成一部分考概念记忆比如采样定理的适用条件、均值滤波和中值滤波的区别、几何变换里的插值方式另一部分考计算与分析直方图均衡化、模板卷积、频域变换性质、形态学开闭运算都是常客。真正拉开分数差距的往往不是最难的推导而是空间域和频域的对应关系、点运算和邻域运算的边界这类基础概念判断。把试卷按题型拆开选择题和判断题集中考察定义边界计算题考察步骤完整度和数值精度。下面按试卷常见的题型分布把高频考点、易混选项和计算题的完整步骤逐类过一遍每类题目都给出可验证答案的检查手段。2. 概念题背后的硬知识采样、量化、像素邻域与直方图数字图像处理试卷的第一部分通常是概念题往往从采样与量化开始。这一部分的分数不高但失分率一直不低原因是考法细经常在一个词上设置陷阱。采样是空间离散化量化是幅度离散化两个概念放在同一道判断题里会故意混用。遇到这类题先圈主语处理对象是坐标还是灰度值坐标离散属于采样灰度值离散属于量化两者都完成才称为数字化。2.1 采样、量化与灰度级的常数换算采样和量化的计算题基本固定在两个参数上图像尺寸和灰度级数。一张 M×N 的图像采样决定 M 和 N量化位数 k 决定灰度级数 L2^k。存储一个像素需要 k 比特整幅图像的存储量是 M×N×k 比特。考题常见的变体是问“灰度级从 256 降到 16图像存储量为原来的多少”256 对应 8 比特16 对应 4 比特存储量减半。另一个高频考点是采样定理如果原始信号最高频率为 f采样频率必须大于 2f也就是奈奎斯特率。题目常把“大于”写成“大于等于”这是错的等于只是临界值工程上无法可靠恢复。这里把常见参数对照记住做题时可以直接换算量化位数 k灰度级数 L每像素比特数相比 8 比特图像存储倍数1211/841641/2825681124096121.51665536162灰度级数影响的是图像灰度分辨能力与空间分辨率是两个独立维度。判断题里说“采样点越多图像越清晰”这句话只在灰度级数不变时才成立。如果采样点增加同时灰度级数减少图像的假轮廓反而更明显这是采样与量化相互制约的经典考法。2.2 邻域、连通性与距离度量的判定方法像素邻域关系是形态学和分割题的基础试卷里通常以判断题或选择题形式出现。4-邻域 N4(p) 包含上下左右四个像素对角邻域 ND(p) 包含四个对角像素8-邻域 N8(p) 是两者并集共八个像素。常考点是两个像素是否连通取决于邻域定义和像素值集合 V。如果 V 定义为灰度值相同的集合那么在 4-连通规则下只有通过上下左右路径连接才算成立在 8-连通规则下对角路径也可以通过。混合连通是在 8-连通基础上禁止对角连接被重复使用用来消除 8-连通带来的多路歧义。距离度量同样经常出现在选择题里。D4 距离也叫城市街区距离计算方式是 |x1-x2||y1-y2|D8 距离也叫棋盘距离取两个坐标差绝对值的最大值。判断题常出现“两个点之间的 D8 距离等于欧氏距离”这个说法只有在特殊位置上成立。比如点 (1,1) 和 (4,5)D8 距离是 max(|1-4|,|1-5|)4而欧氏距离是 5两者不相等。这类题目代入一两个数值就能判断不需要背结论。2.3 直方图相关题目的三种问法直方图是概念与计算之间的桥梁试卷中至少出现三种问法。第一种问直方图的定义即灰度级分布的概率密度函数第二种问直方图均衡化的作用第三种给出一组像素值要求手算均衡化映射关系。前两种是概念层面的考法直方图反映图像对比度灰度分布集中在低值区间说明图像偏暗集中在高值区间说明偏亮分布在窄区间说明对比度低。均衡化的目标是让直方图尽可能均匀分布但注意是“尽可能”不是变成一条直线因为灰度级是离散的无法做到完美均匀。第三种属于计算题在第 4 章里完整展开。概念题里还有一个容易被忽略的点直方图只包含灰度级的统计信息不含像素位置信息。两张内容完全不同的图像可以有完全相同的直方图判断题里说“直方图可以唯一确定一幅图像”是错的。反过来对图像做整体平移、旋转直方图可能不变这也说明直方图对空间结构不敏感。2.4 几何变换与插值的选择题考法几何变换的考核点主要是旋转、缩放和平移以及缩放时使用的插值方法。最近邻插值速度快但产生锯齿双线性插值用周围 4 个像素做线性加权输出平滑但会略微模糊边缘双三次插值使用 16 个邻域像素计算量最大但质量最高。选择题问“放大图像时希望边缘保持清晰应选择哪种插值”如果题干强调速度选最近邻强调质量选双三次限制词通常能锁定答案。判断题说“双线性插值是线性变换”这个说法不严谨双线性插值对像素值做线性加权但几何映射本身不是线性变换因为权重随坐标变化。旋转和缩放的判断题要抓住方向性旋转 45 度后图像四边会出现黑边因为新画布超出原图范围缩放倍数设为负值时实际上做的是镜像翻转。变换矩阵的最后一行为 [0 0 1]如果题目给出的矩阵在最后一行混入缩放或旋转参数可以直接判错。3. 数字图像处理选择题与判断题的高频考点数字图像处理选择题和判断题在试卷里通常占 20 到 30 分特点是概念多、分值分散但考点高度重复。把近年试卷的客观题放在一起看空间域滤波、频域变换、图像增强与恢复是三个出题密度最高的区域。这三块内容里藏着大量成对概念出题人最擅长把一对概念的限定条件互换制造看似合理实则错误的选项。3.1 空间域滤波的选项陷阱与排除思路空间域滤波的选择题几乎每年都考均值滤波与中值滤波的对比。均值滤波是线性滤波输出是邻域内像素的加权平均作用是平滑图像、抑制高斯噪声但会模糊边缘。中值滤波是非线性滤波输出是邻域内像素排序后的中值对椒盐噪声抑制效果极好同时能在一定程度上保留边缘锐度。题目问“哪种滤波器适合去除椒盐噪声”答案选中值滤波。如果选项里把“线性”和“非线性”互换位置直接排除。另一个高频设置是边界处理方式。对图像做 3×3 模板卷积时边界像素的邻域不完整常见处理方式有补零、复制边界像素、镜像扩展和只计算有效区域。选择题说“滤波后图像与原始图像尺寸相同且所有像素都做了滤波运算”这对应补零或复制扩展如果选项写“裁掉边缘输出尺寸变小”就是干扰项。这个区别在判断题里也反复出现。高斯滤波和均值滤波的选择题重点在核的权重分布。高斯核是中心权重最大、向四周递减均值核所有位置权重相等。判断题说“高斯滤波核的所有系数均为正且相等”前半句对后半句错。另外高斯滤波是线性操作对高斯噪声的抑制效果理论上最好这个结论也常被考到。3.2 频域判断题的对应关系与方向性频域部分的判断题几乎不要求推导只需要记住空间域和频域的对应关系。空间域卷积对应频域乘法空间域乘法对应频域卷积这是卷积定理。考题问“空间域做卷积相当于频域做什么”答案是相乘。围绕这个定理的变形题很多比如“图像在空间域平移频域中发生什么变化”对应的是频域相位变化幅度谱不变。高频分量对应图像的边缘和细节低频分量对应平坦区域和整体亮度。一个容易出错的判断题是未做中心化处理的频谱图中直流分量位于频谱图四角中心位置对应最高频率分量这个说法是错的。中心化处理后零频移动到中心频谱图中心亮、四周暗此时中心才对应低频。图像旋转后频谱也旋转相同角度这一性质既出现在判断题也出现在简答题里。3.3 增强与恢复的意图判断图像增强和图像恢复是两个目标不同的方向选择题经常把两者混在一起考。增强是主观的目的是让图像看起来更好不要求建立退化数学模型。恢复是客观的目的是根据退化模型尽量还原原始图像典型方法有逆滤波和维纳滤波。题目问“对受运动模糊影响的图像使用什么方法最合适”应选恢复类的逆滤波或维纳滤波而不是增强类的直方图均衡化。反过来判断题说“增强可以完全还原噪声之前的原始图像”这也是错的增强不具备模型还原能力。直方图均衡化属于增强方法它基于灰度级概率密度做映射不需要知道图像如何退化。这一类的判断题关键是分辨“主观”和“客观”“有模型”和“无模型”把这些关键词圈出来基本可以锁定正确答案。3.4 分割与边缘检测的判断要点图像分割的判断题集中在阈值法和边缘检测。全局阈值法假设目标和背景的灰度分布可以用一个阈值分开Otsu 方法通过最大化类间方差自动求阈值这个定义经常被考成“最小化类内方差”两个说法在数学上等价但选项文字会制造细微差别。区域生长法需要选取种子点并定义生长准则属于基于区域的方法与基于边界的方法互补。边缘检测算子中一阶微分算子有 Sobel、Prewitt适合检测阶跃边缘二阶微分算子有 Laplacian对噪声敏感常先做高斯平滑再求二阶导数也就是 LoG。考到 Canny 算法时记住基本流程顺序不能颠倒高斯平滑、梯度幅值计算、非极大值抑制、双阈值处理和边缘连接。4. 计算分析题的规范步骤直方图均衡化、模板卷积与形态学计算题在数字图像处理试卷中占比最大通常 40 到 50 分。计算题的难度不在公式本身而在步骤完整度和数值精度。直方图均衡化是整套试卷中出现频率最高的计算题模板卷积和边缘梯度计算次之形态学运算偶尔以图算题形式出现。这三类题的共同特点是结果可验证做完之后用反向检查或代码复核都能确认对错。4.1 直方图均衡化的逐步推导与结果验证直方图均衡化的标准步骤可以归纳为五步统计直方图、计算累计分布函数、映射到输出灰度级、重新分配像素、验证均衡化效果。假设一幅 3 比特灰度图像灰度级 0 到 7各灰度级像素个数如下表所示。灰度级 rk01234567像素数 nk1020302040301020图像总像素数 N180。先求各灰度级概率 p(rk)nk/N再计算累计分布函数 CDF最后用输出灰度级 round((L-1) × CDF) 做映射。rknkp(rk)CDF(L-1)×CDF取整结果0100.0560.0560.39201200.1110.1671.16912300.1670.3342.33823200.1110.4453.11534400.2220.6674.66955300.1670.8345.83866100.0560.8906.23067200.1111.0007.0007注意一个细节灰度级 4 映射到 5灰度级 5 和 6 都映射到 6所以输出灰度级 6 集中了较多像素均衡化后的直方图不是严格均匀的。这是离散灰度级的正常现象。阅卷给分点通常落在 CDF 计算和映射取整两处CDF 算错后面全错建议用下面这段代码做结果核验。import numpy as np # 输入各灰度级像素个数 nk np.array([10, 20, 30, 20, 40, 30, 10, 20], dtypenp.float64) N nk.sum() L 8 # 3比特图像 # 归一化直方图 p nk / N # 累计分布函数 cdf np.cumsum(p) # 映射到输出灰度级 mapped np.round((L - 1) * cdf).astype(int) for rk, val in enumerate(mapped): print(f输入灰度级 {rk} - 输出灰度级 {val})代码的核心逻辑是np.cumsum(p)和np.round((L - 1) * cdf)前者等价于手算 CDF 的逐项累加后者是教材上的四舍五入取整。如果手算结果与代码输出不一致优先检查 CDF 是否从 0 开始累加以及取整方式是否混用了向下取整这两处是最常见的误差来源。注意多数教材使用四舍五入取整也有少数题目明确要求向下取整。题干没有标注时按四舍五入处理标注了则严格按题目规则来。4.2 模板卷积的完整计算与边界处理模板卷积计算题通常给一个 3×3 模板和一幅小尺寸图像要求计算某个像素位置卷积后的灰度值。卷积的本质是模板在图像上滑动对覆盖区域做逐元素乘法后求和。严格信号处理定义里卷积需要把模板旋转 180 度但图像处理的空间滤波里许多教材把互相关和卷积混称为卷积出题时模板通常是对称核旋转与否不影响结果。如果模板不对称看清题干说的是相关还是卷积。以 Sobel 垂直边缘检测模板为例-1 0 1 -2 0 2 -1 0 1计算图像中坐标 (2,2) 位置的输出值需要取该像素的 3×3 邻域与模板逐元素相乘后求和。如果目标像素位于边界邻域会超出图像范围此时用补零方式将超出的位置补 0。完整滤波过程可以用 Python 片段快速复核import numpy as np from scipy.signal import convolve2d img np.array([ [10, 20, 30, 40], [50, 60, 70, 80], [30, 40, 50, 60], [20, 10, 15, 25] ], dtypenp.float64) sobel_x np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) # modesame 保持输出尺寸与输入一致, boundaryfill 表示补零 result convolve2d(img, sobel_x, modesame, boundaryfill, fillvalue0) print(result)convolve2d的modesame让输出尺寸等于输入尺寸boundaryfill配合fillvalue0实现补零边界。如果试卷要求只对有效区域计算输出会变成 (M-2)×(N-2)。Sobel 核按卷积定义翻转后仍是自身所以用convolve2d不需要额外翻转如果模板不对称就要区分应当使用convolve2d还是correlate2d这正是模板方向问题的来源。4.3 形态学开闭运算的步骤推导形态学计算题通常考腐蚀、膨胀以及组合出的开运算和闭运算。腐蚀的结果是当结构元素完全包含在目标区域内时原点位置保留膨胀的结果是只要结构元素与目标区域有交集原点位置就置为目标。基础题给出一个二值矩阵和 3×3 十字结构元素要求计算腐蚀或膨胀后的矩阵按像素逐个判断即可关键在于结构元素原点的位置原点决定偏移方向。开运算是先腐蚀后膨胀作用是消除细小亮斑、断开狭窄连接闭运算是先膨胀后腐蚀作用是填充小孔洞、连接邻近目标。注意判断开闭运算先看顺序先腐蚀后膨胀是开运算先膨胀后腐蚀是闭运算。开运算消除细小亮斑闭运算填充细小暗孔。判断题里说“开运算后目标面积一定减小”这不成立如果目标区域比结构元素大且没有细小突出部分面积可以保持不变。更稳妥的判断是开运算不会增加目标像素闭运算不会减少目标像素这个结论在试卷中反复出现。5. 答案自检三类题型的验证方法与易错点对照最后一层是做完题目之后的自查。数字图像处理的计算题数值多、步骤长一个中间量算错后面全错建议用输入输出一致性和极值校验两层检查先过一遍。第一层检查是直方图均衡化的像素守恒。均衡化前后图像总像素数必须一致各输出灰度级的像素数之和等于原始总像素数。另外映射函数是单调不减的可以反向验证 CDF 推导。如果手算结果出现输入灰度级 2 映射到 6而输入灰度级 3 映射到 5一定是 CDF 计算错误。映射关系必须保持顺序这是离散均衡化最重要的性质。第二层检查是模板卷积的极值校验。对单位脉冲图像做卷积输出应该等于模板本身对常值图像做卷积输出等于该常值乘以模板所有系数之和。平均模板系数之和为 1常值区域输出不变Sobel 模板系数之和为 0平坦区域输出为 0。这两种性质可以快速判断卷积结果的数量级是否合理。形态学计算的检查看两个指标腐蚀后的目标像素数不大于原目标像素数膨胀后的目标像素数不小于原目标像素数。开运算像素数减少或不变闭运算像素数增加或不变。如果算出的结果违背这两个约束说明结构元素原点或运算顺序出了错。最后对照这组高频易错点把错误答案归入概念类或计算类考点易错写法正确结论中值滤波性质线性滤波器非线性滤波器采样定理频率采样频率等于最高频率必须大于 2 倍最高频率直方图信息直方图可唯一确定图像不含空间位置信息均衡化结果输出严格均匀直方图离散灰度级下只能逼近频域卷积定理空域卷积对应频域卷积空域卷积对应频域乘法边界计算输出尺寸变小same 模式保持尺寸不变开运算效果目标像素单调减少减少或不变概念类错误对应课本定义记混回到对应章节重新梳理定义边界计算类错误则把步骤拆开单独验证 CDF 累加或卷积和。数字图像处理试卷的题型高度固定把高频考点做扎实正确率提升速度比盲目刷题快得多。本文还有配套的精品资源点击获取