简介南京大学2011年《数字图像处理》期末考试试卷A卷完整收录于PDF中适合高校相关专业本科生复习备考、考研复试自测也可供讲授该课程的教师命题时参考题型。卷面由5道填空题20分与10道简答题80分组成围绕图像二维傅里叶变换及直流分量、低通/高通频域滤波器设计、Huffman等编码压缩方式、图像复原与增强区别、二值形态学膨胀腐蚀与连通域处理、Hough变换直线检测、傅里叶反投影重建等核心专题展开知识点覆盖较全面。资源仅1个PDF文件压缩包大小198KB轻量易用可直接打印作答或导入平板做无纸化练习。当前已有535人学习/浏览说明该真题在备考群体中具备一定热度。通过逐题演练读者能熟悉南京大学数字图像处理课程的出题思路与考查重点从而有针对性地巩固频域分析、图像压缩和形态学应用等关键能力。1. 南大2011数字图像处理期末试卷PDF真题背后是整门课的坐标系一份十多年前的期末试卷PDF最常见的用法是当题库刷两遍然后丢进旧资料文件夹吃灰。南大2011年《数字图像处理》期末试卷这份PDF真正的价值不在能押中今年多少分而是它准确标记了这门课十几年都没怎么变过的知识坐标直方图、空间滤波、频域变换、图像分割。这里不做原卷解析也不搬运原题而是从备考与教学两侧同时拆解——面对这类真题PDF时如何建立自己的复习坐标系怎样用手算与Python互相验证计算结果以及为什么阅卷人的给分点总落在过程而不是最终数值。适合正在复习备考的研究生、补修学分的高年级本科生以及想自查数学基础的一线图像算法工程师。2. 从期末试卷倒推数字图像处理的四大知识块原卷没法逐题复述PDF原稿的版权在学校网上流传的扫描版也常缺页码。但数字图像处理是一门高度标准化的课程南大2011年前后的教学大纲与同一时期多所高校的真题高度吻合。从这些共性里能可靠地推出期末卷的考点分布再反推复习重心。2.1 直方图处理与空域增强计算题的主战场直方图均衡化几乎是所有数字图像处理期末卷默认保留的固定题型。它有完整的离散概率模型有肉眼可见的对比度增强效果还方便阅卷人按步骤给分。典型考法是给出一幅小尺寸灰度图要求统计每个灰度级的频数、计算累积概率、生成映射表并写出处理后的图像。手算流程固定为五步统计频数、转概率、求累积分布函数、乘以灰度范围取整、回填映射表。每一步都有独立的分数点跳过任何一步都会丢分。2011年前后还流行考“用不超过N行代码实现直方图均衡化”放到今天就是几行numpy的事import numpy as np # 假设 img 是 0~255 的二维灰度数组 hist np.bincount(img.ravel(), minlength256) # 统计各灰度级频数minlength确保输出256维 cdf hist.cumsum() / hist.sum() # 累积概率范围0~1 lut np.round(cdf * 255).astype(uint8) # 生成灰度映射表 out lut[img] # 查表完成映射等价于for循环np.bincount返回长度为256的频数数组即使某个灰度级没出现也会补0cumsum得到累积和除以总像素数后归一化到0~1乘以255后必须取整取整方式决定了映射表的末位差异。lut[img]是numpy高级索引直接按映射表完成整幅图像的灰度替换比显式for循环快一个数量级。2.2 空间滤波简答题常驻的邻居第二个稳定考点是空间滤波。考法分两类给一个3×3卷积模板算中心像素的输出值或者问均值滤波、中值滤波对哪类噪声有效。高斯噪声用均值滤波椒盐噪声用中值滤波这是每张卷子都绕不开的结论。边界处理方式是更细的考点补零、镜像、复制、环绕在当时就是常考细节放到今天看正是卷积神经网络里padding概念的雏形。滤波类型适用噪声卷积核形态高频陷阱均值滤波高斯噪声3×3全1再除以9忘记归一化因子中值滤波椒盐噪声无核排序取中值边界像素未定义高斯滤波高斯噪声按二维高斯加权σ与模板尺寸不匹配表中第三行在高年级课程里会进一步展开本科期末通常只考前两种。复习时重点看卷积核的系数和、模板中心位置以及边界像素的处理声明三者分别对应一个得分点。2.3 频域处理推导题的必争地带频域部分围绕傅里叶变换性质、低通/高通滤波、同态滤波展开。南大这类工科强校喜欢考二维离散傅里叶变换的可分离性以及频域乘积与空域卷积的对应关系。题型高度固定先写正变换公式再写滤波函数最后写逆变换三步分别给分。频率域内容对数学要求高但得分率反而不低因为套路非常稳定没有太多需要临场发挥的地方。2.4 图像分割与形态学综合题的落脚点最后一块是分割与形态学。Roberts、Sobel、Prewitt、Laplacian边缘检测算子Otsu阈值选取连通域标记膨胀腐蚀与开闭运算。2011年的卷子往往用一道跨章节综合题收尾给一张带椒盐噪声的二值图要求先做中值滤波再做Sobel边缘检测最后用形态学闭合断裂的轮廓。这类题考验的不是单个知识点而是流程串接能力属于整张卷子最见功底的部分。3. 用Python验证真题计算直方图均衡化从手算到代码3.1 一张4×4灰度图的手算全流程构造一个0~7灰度级的4×4矩阵这种小图是真题最常出现的规模0 1 3 2 4 6 5 5 1 1 0 3 3 2 2 1统计频数灰度0出现2次1出现4次2出现3次3出现3次4出现1次5出现2次6出现1次7出现0次总像素数16。累积概率依次为2/160.1256/160.3759/160.562512/160.7513/160.812515/160.937516/161.0最后仍是1.0。灰度级L8映射时乘以L−17再做四舍五入得到映射表0→11→32→43→54→65→76→77→7。注意第6和第7个灰度级都被映射到7说明均衡化会压缩低频数灰度级这是简答题里常被追问的点。替换原图后输出为1 3 5 4 6 7 7 7 3 3 1 5 5 4 4 33.2 复现上述结果的numpy实现import numpy as np img np.array([[0, 1, 3, 2], [4, 6, 5, 5], [1, 1, 0, 3], [3, 2, 2, 1]], dtypenp.uint8) L 8 hist np.bincount(img.ravel(), minlengthL) # 频数统计缺失灰度级自动补0 cdf hist.cumsum() / hist.sum() # 累积概率 lut np.round(cdf * (L - 1)).astype(int) # 映射表round做四舍五入 eq lut[img] print(eq)运行结果与手推一致。参数层面有几个坑色深是0~7时用L8不能套用256否则映射区间整段偏移np.round遵循银行家舍入遇到恰为x.5时会舍入到最近的偶数与手写四舍五入在边缘情形可能差1考试时只要声明统一规则即可。dtypeuint8保证后续显示不触发类型警告。提示手算与程序结果不一致时按“取整规则→L取值→公式本身”的顺序排查顺序别反能省下大半排错时间。3.3 手算与代码不一致时的排查路径第一取整规则。np.round与手写的四舍五入在非边界值上一致但碰到0.5边界会有银行家舍入差异把np.round换成np.floor(cdf * (L - 1) 0.5)可以得到严格四舍五入。第二累积概率的分母。默认除以全部像素总数如果误用只统计非零频数的灰度级数量后续累积会系统性偏大。第三灰度尺度。uint8图像原生范围是0~255手算演示用0~7查表前必须确认当前图像的L值。这三个维度覆盖了几乎所有手算与程序不一致的场景。3.4 换成真实图像时的一行改进验证纸面计算用上面那段就够了做真实的对比度增强还要处理一个问题超过8bit的图像12bit、16bit相机输出里L需要从图像位深动态提取不能写死。常见做法是import numpy as np from PIL import Image img np.asarray(Image.open(sample.png).convert(L)) hist np.bincount(img.ravel(), minlength256) cdf hist.cumsum() / hist.sum() lut np.round(cdf * 255).astype(uint8) eq lut[img] # 实际管线里更常用CLAHE避免全局均衡化在明暗差异大的区域放大噪声 from skimage import exposure clahe_img exposure.equalize_adapthist(img, clip_limit0.03)lut映射适合考试验证和轻量场景equalize_adapthist是自适应直方图均衡化的工业实现它对局部区域分别做均衡解决了全局均衡化在欠曝区域放大噪声、在亮区压缩细节的问题。如果卷面问“全局均衡化的缺点”答“暗区噪声被同步放大、亮区细节被压缩”就是标准得分句。4. 阅卷视角下的得分点结构与高频陷阱4.1 一道计算题拿满分的四段式结构批改本科试卷时阅卷速度很快老师基本是在扫描关键词。一道直方图均衡化计算题的满分解通常按四段给分公式先行、表格完整、映射表明白、结果正确。第一段写原始公式哪怕后面数据算错公式分也拿得到第二段的频数、概率、累积概率三列缺一列扣一列的分第三段映射表必须写明取整方式第四段输出矩阵或图像错误只影响最后一步的分。所以答题时宁可多写中间过程也不要只给最终答案。按步骤踩点给分的卷子里跳步的代价最大。4.2 卷积核归一化与边界处理的代码自检计算空间滤波题时最典型的错误是忘掉均值核的归一化因子。自检只需要一行代码import numpy as np kernel np.ones((3, 3), dtypefloat) print(kernel.sum()) # 输出9.0说明卷积后需要除以9 kernel_norm kernel / kernel.sum() print(kernel_norm.sum()) # 输出1.0已归一化边界处理在卷面上靠一句话表达在代码里靠pad参数实现两者对应同一个物理含义。写错边界方式在考试中只影响边缘像素的得分代码里却会影响整幅输出图像的边缘环带排查时先看中心像素对不对再看边缘像素。扣分点典型错误对策边界扩展未声明直接算边缘像素答题第一行标注“按镜像扩展处理”均值核未归一化模板忘除以9卷积前检查sum()是否为1取整方式不统一round与floor混用全文统一声明“四舍五入”灰度级L取错8bit图用了L255记住L是灰度级总数映射乘以L−14.3 简答题的“概念公式一句限制”答法简答题拿满分的口径通常是把三句话写完一句定义、一个公式、一句适用限制。以“简述中值滤波原理及适用场景”为例中值滤波是空域非线性滤波将邻域内像素灰度排序后取中值作为输出数学表达为g(x, y)median{f(s, t), (s, t)∈W}其中W为邻域窗口。它抑制椒盐噪声能力强且能保留边缘但窗口过大时会把细线等细节抹平对高斯噪声的抑制效果弱于均值滤波。对比只写“中值滤波能去噪”一句话的答案三句话写完后阅卷人几乎没有可扣的地方。这种答法不限于南大的卷子其他开设数字图像处理课程的高校同样适用关键词密度足够高扫描式阅卷也不会漏分。4.4 阅卷流程对答题顺序的隐含约束多数学校采用流水批改每道题由一位老师负责。扫描件进入评卷系统后被裁成题块老师看到的只是该题区域的截图跨题引用步骤没有意义每道题必须自成闭环。如果有“见第一题公式”这类写法在题块截图里等于什么都没写。因此每道大题开头要重复写一遍用到的核心公式多写不扣分不写则丢掉公式分。5. 把2011年试卷PDF变成可检索复习笔记的三个技巧5.1 先判断PDF是文本层还是扫描件打开PDF用鼠标选中标题文字能选中就是文本型PDF选中不了则是扫描件。扫描件需要先加一层OCR文本同时做歪斜校正和背景漂白。推荐直接走ocrmypdf一条命令同时完成这几件事ocrmypdf 南京大学--数字图像处理期末考试试卷2011.pdf ocr.pdfocrmypdf为每一页生成可搜索文本层保留原页面图像对倾斜扫描页自动纠偏输出的lexical层可以被后续工具直接读取。5.2 用PyMuPDF抽出题目文本并按题号切分文本型PDF可以直接用fitz提取import fitz import re doc fitz.open(南京大学--数字图像处理期末考试试卷2011.pdf) text \n.join(page.get_text() for page in doc) # 按中文题号切分便于逐题复习 questions re.split(r\n(?[一二三四五六七八九十]、), text) for i, q in enumerate(questions[:3], 1): print(i, q.replace(\n, )[:80])题号切分后做三层过滤只保留题干、过滤掉配图说明、把每道题标注到知识块直方图/滤波/频域/分割。标注完导出为Markdown保持原始排版还是转成新文档都随意关键是下一轮复习时能按知识点检索而不是翻整本PDF。5.3 用命令行快速处理歪斜的试卷截图电子版试卷不一定每页都正手机拍摄的照片更常见歪斜和阴影。用ImageMagick做灰度化、纠偏和提亮convert input.jpg -colorspace Gray -deskew 40% -level 20%,80% output.jpg-deskew 40%表示按40%的裁剪阈值估算并修正倾斜角-level 20%,80%压缩灰度动态范围把发灰的背景压白让前景文字对比度更清晰。处理后的截图插入复习笔记时视觉干净度比原图高出一截尤其是数学公式和灰度图像这种细线条内容。本文还有配套的精品资源点击获取