1. 单元数组：单元数组中的数据成员是用数字来标识的，是每一个元素为一个单元的数组

2. 结构体：结构体的数据成员是用名称来标识的，组成成员为字段，结构体采用点号来调用（访问）字段中的数据； 7

3. 灰度图像：灰度图像对应着一个数据矩阵（二维数组），数组元素的值表示图像在该位置上的亮度值； 2 3

4. 二值图像：灰度级为 2 的图像就是二值图像，二值图像只有两个颜色，黑与白； 2 3

5. RGB 图像：RGB 图像有三个颜色值，用 m x n x 3 数组表示，分别表示红色值。绿色值、蓝色值； 2 3

6. HSV 图像：H S V 图像也是用 m x n x 3 数组表示的，三个矩阵分别表示色彩值、饱和度、亮度； 2 4

7. 索引图像：索引图像由数值矩阵和颜色映射数组组成，数值矩阵是每个像素的颜色索引编号，通过这个编号到颜色数组中寻找颜色； 2 4

8. J P E G 图像 J P E G 标准时目前比较流行的连续色调静止画面标准，是一种很灵活的格式，具有调节图像质量的功能，允许用不同的压缩比例对文件进行压缩，支持多种压缩级别； 2 7

9. G I F 图像：G I F 文件的数据时一种基于 L Z W 算法的、连续色调的无损压缩的格式，分为静态 G I F 和动画 G I F 两种； 2 7

10. M P E G 图像：是国际标准化组织制定的标准，可以压缩视频、音频。动画数字形式； 2 9

11. 基于图像的动画制作：动画效果是由一幅幅图形变化产生的，如果这些图形来自于图像，那么就称改动画为基于图像的动画； 3 1

12. 最近邻插值方法：最近邻插值方法是 i m r e s i z e 函数默认的插值方法，就是令变换后像素的灰度值等于距它最近的输入像素的灰度值； 3 9

13. 双线性插值方法：双线性插值是由两个变量的 插值函数的线性插值扩展，其核心思想是在两个方向分别进行一次线性插值； 4 1

14. 双立方插值方法：“双”的意思就是在计算了横向插值影响的基础上，把上述运算拓展到二维空间，再计算纵向插值影响的意思，双立方插值的每个插值是由它附近的（4 x 4）个邻近像素值推算出来的，双立方插值算法能够得到相对清晰的画面质量，不过计算量也变大； 4 1

15. 领域操作：是指在图像操作时，输入要处理的像素的某领域内各个像素值，输出要处理的像素的新值； 4 8

16. 分离块操作：使用函数 c o l f i l t 进行图像领域 d i s t i n c t 操作 5 6

17. 图像增强：是对图像进行操作，得到视觉更好或者更有用的新图像； 5 9

18. 灰度调整：灰度调整方法是基于灰度直方图的一种图像增强方法，增加灰度图像的明暗对比度，使图像变得更加清楚； 6 0

19. 图像滤波：滤波是一种应用广泛的图像处理技术，可以通过滤波来强调或删除图像的某些特征，滤波是一种领域操作，即处理后的图像每个像素值是原来像素周围的的颜色值经过某种计算得到的； 6 9

20. 图像矩阵的特征值：设 A 是 n 阶方阵，如果存在数 m 和非零 n 维列向量 x，使得 A x = m x 成立，则称 m 是 A 的一个特征值。非零 n 维列向量 x 称为矩阵 A 的属于（对应于）特征值 m 的特征向量； 8 4

21. 图像矩阵的奇异值：设 m×n 矩阵 A 的为 r，则必存在一个 m×m 阶正交矩阵 Q_m 和一个 n×n 阶正交矩阵 Q_n，使 A Q_n = S，右端矩阵 S 为 n×n 阶对角矩阵，称 S 的主对角元为 A 的奇异值，常用 [U S V]=svd(A) 来求矩阵的奇异值 8 7

22. 图像的逻辑运算：图像的逻辑运算往往是针对二值图像进行的，二值图像的逻辑运算有与、或、非等运算，膨胀和腐蚀可以看做是图像基于逻辑的运算 9 0

23. 二值图像的膨胀运算：其本质上是逻辑运算，可以用集合定义： $$ A \oplus B = \left{ z \mid (\hat{B})_z \cap A \neq \varnothing \right} $$ 其中 A 为原图像，B 为算子，$(\hat{B})_z \cap A$ 是覆盖操作，$\varnothing$ 是空集，Z 是计算后的输出值； 9 3

24. 二值图像的腐蚀运算：本质是逻辑运算，其数学定义： $$ A \ominus B = \left{ z \mid (\hat{B})_z \cap A^c = \varnothing \right} $$ 其中，A 为原图像，B 为算子，A^c 是 A 的补集，$(\hat{B})_z \cap A^c$ 是移动覆盖操作，$\varnothing$ 是空集，Z 是计算后的输出值； 9 5

1. 单元数组：单元数组中的数据成员是用数字来标识的，是每一个元素为一个单元的数组

2. 结构体：结构体的数据成员是用名称来标识的，组成成员为字段，结构体采用点号来调用（访问）字段中的数据； 7

3. 灰度图像：灰度图像对应着一个数据矩阵（二维数组），数组元素的值表示图像在该位置上的亮度值； 2 3

4. 二值图像：灰度级为 2 的图像就是二值图像，二值图像只有两个颜色，黑与白； 2 3

5. RGB 图像：RGB 图像有三个颜色值，用 m x n x 3 数组表示，分别表示红色值。绿色值、蓝色值； 2 3

6. HSV 图像：H S V 图像也是用 m x n x 3 数组表示的，三个矩阵分别表示色彩值、饱和度、亮度； 2 4

7. 索引图像：索引图像由数值矩阵和颜色映射数组组成，数值矩阵是每个像素的颜色索引编号，通过这个编号到颜色数组中寻找颜色； 2 4

8. J P E G 图像 J P E G 标准时目前比较流行的连续色调静止画面标准，是一种很灵活的格式，具有调节图像质量的功能，允许用不同的压缩比例对文件进行压缩，支持多种压缩级别； 2 7

9. G I F 图像：G I F 文件的数据时一种基于 L Z W 算法的、连续色调的无损压缩的格式，分为静态 G I F 和动画 G I F 两种； 2 7

10. M P E G 图像：是国际标准化组织制定的标准，可以压缩视频、音频。动画数字形式； 2 9

11. 基于图像的动画制作：动画效果是由一幅幅图形变化产生的，如果这些图形来自于图像，那么就称改动画为基于图像的动画； 3 1

12. 最近邻插值方法：最近邻插值方法是 i m r e s i z e 函数默认的插值方法，就是令变换后像素的灰度值等于距它最近的输入像素的灰度值； 3 9

13. 双线性插值方法：双线性插值是由两个变量的 插值函数的线性插值扩展，其核心思想是在两个方向分别进行一次线性插值； 4 1

14. 双立方插值方法：“双”的意思就是在计算了横向插值影响的基础上，把上述运算拓展到二维空间，再计算纵向插值影响的意思，双立方插值的每个插值是由它附近的（4 x 4）个邻近像素值推算出来的，双立方插值算法能够得到相对清晰的画面质量，不过计算量也变

15. 领域操作：是指在图像操作时，输入要处理的像素的某领域内各个像素值，输出要处理的像素的新值； 4 8

16. 分离块操作：使用函数 c o l f i l t 进行图像领域 d i s t i n c t 操作 5 6

17. 图像增强：是对图像进行操作，得到视觉更好或者更有用的新图像； 5 9

18. 灰度调整：灰度调整方法是基于灰度直方图的一种图像增强方法，增加灰度图像的明暗对比度，使图像变得更加清楚； 6 0

19. 图像滤波：滤波是一种应用广泛的图像处理技术，可以通过滤波来强调或删除图像的某些特征，滤波是一种领域操作，即处理后的图像每个像素值是原来像素周围的的颜色值经过某种计算得到的； 6 9

20. 图像矩阵的特征值：设 A 是 n 阶方阵，如果存在数 m 和非零 n 维列向量 x，使得 A x = m x 成立，则称 m 是 A 的一个特征值。非零 n 维列向量 x 称为矩阵 A 的属于（对应于）特征值 m 的特征向量； 8 4

21. 图像矩阵的奇异值：设 m×n 矩阵 A 的为 r，则必存在一个 m×m 阶正交矩阵 Q_m 和一个 n×n 阶正交矩阵 Q_n，使 A Q_n = S，右端矩阵 S 为 n×n 阶对角矩阵，称 S 的主对角元为 A 的奇异值，常用 [U S
    答案：A

22. 图像的逻辑运算：图像的逻辑运算往往是针对二值图像进行的，二值图像的逻辑运算有与、或、非等运算，膨胀和腐蚀可以看做是图像基于逻辑的运算 9 0

23. 二值图像的膨胀运算：其本质上是逻辑运算，可以用集合定义：
    $$ A \oplus B = \left{ z \mid (\hat{B})_z \cap A \neq \varnothing \right} $$ 其中 A 为原图像，B 为算子，$(\hat{B})_z \cap A$ 是覆盖操作，$\varnothing$ 是空集，Z 是计算后的输出值； 9 3

1.

图像中的冗余不包括（ D ）。

A. 编码冗余 B. 心理视觉冗余 C. 像素间冗余 D. 灰度冗余

答案：D

2.

显示器常用的颜色模型是（ A ）。

A. RGB B. CMYK C. XYZ D. YUV

判断题：

答案：A

1.

一维最大熵阈值分割和二维最大熵阈值分割的原理和区别 1）一维最大熵阈值分割：选取一阈值，使图像分割后两部分的一阶灰度统计的信息量最大。 对于大小为 NN 的数字图像，$p_i = n_i / NN$，i = 1, 2, … L。设阈值 t 把图像分割为目标区域 O 和背景区域 B，则 O 和 B 区域的概率分布为： O 区域：$\frac{P_t}{P_t}$，i = 1, 2, … t  B 区域：$\frac{P_i}{1 - P_t}$，i = t+1, t+2, … L，其中 $P_t = \sum_{i=1}^{t} P_i$ 熵函数定义为：$\varphi(t) = H_O + H_B = \lg p_t(1 - p_t) + \frac{H_t}{p_t} + \frac{H_L - H_t}{1 - p_t}$ 式中： $H_t = -\sum_i p_i \lg p_i$  i = 1, 2, … t  $H_L = -\sum_i p_i \lg p_i$  i = 1, 2, … L 于是，一维最大熵阈值分割就求解 $t^* = \max {\varphi(t)}$ 2）二维最大熵阈值分割：构造一个点灰度——区域灰度均值的二维直方图。以原始灰度图像中各像素及其 4 邻域的 4 个像素为一个区域，计算出区域灰度均值图像，这样原始图像中的每一个像素都对应一个点灰度——区域灰度均值对。 设图像有 L 个灰度级，这样的数据对的取值的 L × L 种可能。点灰度——区域灰度均值对的概率高峰主要分布在对角线附近，总体上呈现双峰和一谷的状态。目标和背景区域内部的灰度较均匀；远离对角线，峰的高度急剧下降；主要为噪声点、边缘点、杂散点；真正代

12

表目标和背景的信息量应该在对角线部分，如图中 A，B 区域。

设 $n_{i,j}$ 为图像中点灰度为 $i$，区域灰度 $j$ 为的像素点数，$P_{i,j}$ 为点灰度——区域灰度均值对为 $(i, j)$ 发生的概率，则 $P_{i,j} = \frac{n_{i,j}}{N \times N}$。图像的大小为 $N*N$，若阈值设为 $(s, t)$，则

$P_A = \sum_{i} \sum_{j} p_{i,j} \quad i=1,2...s, \quad j=1,2...t \quad P_B = \sum_{i} \sum_{j} p_{i,j} \quad i=s+1,s+2...L, \quad j=t+1,t+2...L$

则 A 区和 B 区的二维熵分别为：

$H(A) = -\sum_{i} \sum_{j} (p_{i,j}/P_A) \lg(p_{i,j}/P_A) = \lg P_A + \frac{H_A}{P_A}$

$H(B) = -\sum_{i} \sum_{j} (p_{i,j}/P_B) \lg(p_{i,j}/P_B) = \lg P_B + \frac{H_B}{P_B}$

$H_A = -\sum_{i} \sum_{j} p_{i,j} \lg p_{i,j} \quad i=1,2,...s, \quad j=1,2,...t \quad H_B = -\sum_{i} \sum_{j} p_{i,j} \lg p_{i,j}$

假设 C 区和 D 区的 $p_{i,j} \approx 0$，(噪声和边缘信息，可忽略)，则 $P_B = 1 - P_A$，$H_B = H_L - H_A$

$H_L = -\sum_{i} \sum_{j} p_{i,j} \lg p_{i,j} \quad i=1,2...L; \quad j=1,2...L$

$H(B) = \lg(1 - P_A) + \frac{H_L - H_A}{1 - P_A}$

熵的判别函数定义为：

$\phi(s,t) = H(A) + H(B) = \lg[P_A(1 - P_A)] + \frac{H_A}{P_A} + \frac{H_L - H_A}{1 - P_A}$

选取 $(s', t')$ 使 $\phi(s^, t^) = \max {\phi(s,t)}$

一维最大熵仅基于原始图像的直方图，因此未充分利用图像的空间信息；

二维最大熵基于点灰度——区域灰度均值的二维直方图。