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
l 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；
l 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；
l 非参数估计方法：Parzen窗法， K-近邻方法，距离度量；
l 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
l 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；
l 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；
l 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；
l 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
l 非监督学习的基本概念，聚类的准则函数
l 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
l 空域变换增强：直接灰度变换和直方图处理
l 空域滤波增强：平滑和锐化
l 频域增强：高通、低通、带通和同态滤波
5) 图像复原和重建
l 退化模型
l 无约束恢复：逆滤波、运动模糊图象的复原方法
l 有约束恢复：维纳滤波和有约束最小平方滤波
l 图象重建：傅立叶反变换重建
6) 图象分割
l 并行边界技术：边缘检测、Hough变换
l 并行区域技术：阈值选取
l 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
l 概念题（20分）
l 简答题（20分）
l 计算题（40分）
l 技术方案设计（20分）
2）内容结构
l Bayes决策理论（20分）
l 线性判别函数和多层神经网络（20分）
l 非监督学习和聚类（20分）
l 图像增强（15）
l 图象复原与重建（15分）
l 图象分割（10分）
四、参考书目见招生简章