- 1.1.1]--0绪论授课视频
- [1.2.1]--1-1基本概念授课视频
- [1.3.1]--1-2基本概念(续)授课视频
- [1.4.1]--1-3图像直方图授课视频
- [1.6.1]--课程实验平台介绍视频
- [1.6.2]--实验环境安装配置,请务必观看!
- [1.7.1]--实验一图像显示~1
- [1.8.1]--实验二图像直方图视频
- [2.1.1]--2.1引言
- [2.2.1]--2。2灰度变换授课视频
- [2.3.1]--直方图均衡授课视频
- [2.4.1]--2-4代数运算授课视频
- [2.5.1]--2-5空间域滤波授课视频
- [2.6.1]--2-6空间域滤波中值滤波
- [2.7.1]--2-7空间域滤波高通
- [3.1.1]--2.8二维傅里叶变换定义授课视频
- [3.2.1]--2.9二维傅里叶变换性质授课视频
- [3.3.1]--2.10频域滤波低通授课视频
- [3.4.1]--2.11频域滤波高通授课视频
- [3.5.1]--2.12频域滤波同态滤波授课视频
- [4.1.1]--实验三直方图均衡
- [4.1.2]--实验平台介绍
- [4.1.3]--实验平台设置
- [4.2.1]--实验四均值高斯低通滤波视频
- [4.3.1]--实验五中值滤波视频
- [5.1.1]--3.1形态学基本概念视频
- [5.2.1]--3.2形态学处理算法
- [5.3.1]--3.3图像形态学处理应用视频
- [6.1.1]--实验七图像形态学处理
- [7.1.1]--4.1图像分割引言
- [7.2.1]--4.2基于阈值的分割算法
- [7.3.1]--4.3基于边缘的分割算法
- [7.4.1]--4.4霍夫变换
- [7.5.1]--4.5基于区域的分割算法
- [8.1.1]--5.1人工智能简介
- [8.2.1]--5.2机器学习引言
- [8.3.1]--5.3贝叶斯公式
- [8.4.1]--5.4贝叶斯决策--最小错误率决策
- [8.5.1]--5.5贝叶斯决策--最小风险决策
- [8.6.1]--5.6判别函数(上)
- [8.7.1]--5.7判别函数(下)
- [8.8.1]--5.8概率密度估计--参数法
- [8.9.1]--5.9概率密度估计--非参数法
- [9.1.1]--6.1人工神经网络引言
- [9.2.1]--6.2单层神经网络
- [9.3.1]--6.3多层神经网络
- [10.1.1]--7.1引言
- [10.2.1]--7.2卷积神经网络
- [10.3.1]--7.3深度学习网络
- [11.1.1]--8.1聚类算法
- [11.2.1]--8.2主成份分析(上)
- [11.3.1]--8.3主成份分析(下)
- [12.1.1]--9.1.1复杂背景下的人脸检测算法预处理
- [12.1.2]--9.1.2复杂背景下的人脸检测算法特征提取
- [12.1.3]--9.1.3复杂背景下的人脸检测算法分类器设计
- [12.2.1]--9.2基于深度学习的车辆检测算法
- [13.1.1]--大作业(上)车牌检测与字符分割
- [13.1.2]--车牌检测与字符分割演示视频
- [13.2.1]--大作业(下)车牌字符识别
- [14.1.1]--实验平台搭建设置
《机器学习、数字图像处理》是为高等院校和科研院所招收农业(包括电子信息、人工智能、智慧农业领域)硕士专业学位研究生设置的基础课选拔性考试科目,其目的是科学、公正、有效地测试考生是否具备攻读电子信息工学硕士专业学位应具备的知识、能力和素养要求,为各高等院校和科研院所提供择优录取的依据。评价的标准是高等学校相关学科较优秀的本科毕业生所能达到的及格或及格以上水平,以利于择优选拔,确保硕士研究生的招生质量。
随着互联网及信息技术的高速发展,人们对人工智能应用的需求也更加广泛和迫切。“图像处理与机器学习”是人工智能应用领域中不可或缺的重要技术;是信息科学、计算机科学、自动化科学等学科学习和研究的对象。
“图像处理”是利用计算机对视觉信息(数字图像)进行处理;“机器学习”是使计算机具有分析和理解能力。本课程详细讲授“图像处理与机器学习”的原理、方法及技术。学生通过该课程的学习,可以掌握图像增强、图像分割及图像分析与理解等方面的知识与技能,从而成为信息技术领域的工程师。
课程包含“数字图像处理”与“机器学习”两部分。“数字图像处理”主要包括图像增强、形态学处理、图像分割等。“机器学习”部分主要包括贝叶斯决策、人工神经网络以及深度学习导论。
课程以理论为基础、以实践为导向、以应用为目标。在讲授相关知识点及算法原理的同时,设计了具有实际应用背景的相关基础实验。此外,为提高学生解决人工智能应用领域中的实际工程问题的能力,课程以授课教师的科研项目为基础,设计了综合性应用专题。为体现课程的实践性,基础实验与综合专题均以VC++和Pathon为编程工具。
为开阔学生视野,紧跟信息技术最新进展,课程还包括若干“图像处理与机器学习”的科研专题,如基于深度学习的签名认证算法研究、抑郁症MRI图像分类算法研究等。
学生通过本课程的学习,夯实理论基础、强化动手能力、提升综合素质,成为人工智能应用领域的工程师。