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题。

　　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时分钟，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