2026年数字图像处理与分析习题及答案

2026年数字图像处理与分析习题及答案一、基础概念与操作1.已知某8位灰度图像的灰度分布如下：灰度级0出现100次，1出现200次，2出现300次，3出现400次，4出现500次，5出现600次，6出现700次，7出现800次（总像素数N=3600）。（1）计算该图像的归一化直方图；（2）对该图像进行直方图均衡化，写出变换函数T(r_k)的具体表达式，并计算均衡化后各灰度级的映射结果（保留两位小数）。答案：（1）归一化直方图p(r_k)=n_k/N，其中n_k为各灰度级出现次数，N=3600。计算得：p(0)=100/3600≈0.0278，p(1)=200/3600≈0.0556，p(2)=300/3600≈0.0833，p(3)=400/3600≈0.1111，p(4)=500/3600≈0.1389，p(5)=600/3600≈0.1667，p(6)=700/3600≈0.1944，p(7)=800/3600≈0.2222。（2）直方图均衡化变换函数T(r_k)=∑_{i=0}^kp(r_i)×(L-1)，L=8（灰度级范围0-7）。计算各r_k对应的s_k：s_0=0.0278×7≈0.1946→0（取整）；s_1=(0.0278+0.0556)×7≈0.8334→1；s_2=(0.0278+0.0556+0.0833)×7≈1.5831→2；s_3=(0.0278+0.0556+0.0833+0.1111)×7≈2.3888→2（因1.5831到2.3888跨度内，s_2和s_3均映射到2？需修正计算：实际累加和为前k项和）。正确计算应为：s_0=0.0278×7≈0.1946→0；s_1=(0.0278+0.0556)=0.0834×7≈0.5838→1；s_2=(0.0834+0.0833)=0.1667×7≈1.1669→1；s_3=(0.1667+0.1111)=0.2778×7≈1.9446→2；s_4=(0.2778+0.1389)=0.4167×7≈2.9169→3；s_5=(0.4167+0.1667)=0.5834×7≈4.0838→4；s_6=(0.5834+0.1944)=0.7778×7≈5.4446→5；s_7=(0.7778+0.2222)=1.0×7=7→7。最终映射：r0→0，r1→1，r2→1，r3→2，r4→3，r5→4，r6→5，r7→7。二、图像增强与复原2.某图像受到加性高斯噪声污染，噪声均值为0，方差σ²=25。现采用3×3均值滤波和3×3中值滤波两种方法去噪。（1）分析两种滤波器对高斯噪声和椒盐噪声的抑制效果差异；（2）若图像中同时存在高斯噪声和密度为5%的椒盐噪声，设计一种改进的去噪策略，并说明原理。答案：（1）均值滤波通过邻域平均降低噪声方差，对高斯噪声（服从正态分布）有较好的平滑效果，但会模糊边缘；中值滤波基于邻域灰度排序取中值，对椒盐噪声（孤立的极值点）抑制效果显著，因中值可有效排除极值，但对高斯噪声的方差降低能力弱于均值滤波（高斯噪声无明显极值，中值与均值接近，去噪效果有限）。（2）改进策略：先采用自适应中值滤波去除椒盐噪声，再用非局部均值滤波（NLM）处理高斯噪声。原理：椒盐噪声表现为灰度值极大或极小的孤立点，自适应中值滤波可根据邻域内灰度分布动态调整窗口大小，有效识别并替换椒盐点；剩余高斯噪声具有局部自相似性，NLM利用图像中相似块的信息加权平均，在保留细节的同时降低高斯噪声方差，优于传统均值滤波的模糊问题。三、图像分割与特征提取3.给定一幅细胞显微图像（灰度范围0-255），细胞区域灰度集中在150-200，背景灰度集中在50-100，存在少量重叠细胞和局部光照不均。（1）设计基于阈值的分割流程，说明各步骤作用；（2）若重叠细胞分割效果不佳，提出两种改进方法并简述原理；（3）计算分割后单个细胞区域的面积（像素数）和圆形度（公式：4π×面积/周长²），假设某细胞区域有200个像素，边界像素数（周长）为60。答案：（1）分割流程：①预处理：采用直方图规定化校正光照不均，将背景灰度映射到50-80，细胞灰度映射到160-200，增强对比度；②阈值选择：使用Otsu算法自动确定最佳阈值T（如T=120），将图像分为细胞（≥T）和背景（<T）；③后处理：通过形态学开运算（3×3圆盘结构元素）去除细胞区域的小噪点，闭运算填充细胞内部小孔，得到连通的细胞区域。（2）改进方法：①基于区域生长：以初始阈值分割的细胞中心为种子点，根据灰度相似性（如灰度差≤10）和连通性扩展区域，解决重叠细胞的粘连问题；②分水岭算法：计算图像梯度图，将梯度最小值作为区域标记，通过模拟“注水”过程分割重叠区域，梯度高的边缘作为区域边界。（3）面积=200像素；周长=60像素；圆形度=4π×200/(60²)=800π/3600≈0.698（圆形度越接近1，形状越接近圆）。四、图像编码与压缩4.某8位灰度图像尺寸为512×512，采用JPEG压缩标准，其中DCT变换块为8×8，量化矩阵Q如下（单位：无符号整数）：Q=[[16,11,10,16,24,40,51,61],[12,12,14,19,26,58,60,55],[14,13,16,24,40,57,69,56],[14,17,22,29,51,87,80,62],[18,22,37,56,68,109,103,77],[24,35,55,64,81,104,113,92],[49,64,78,87,103,121,120,101],[72,92,95,98,112,100,103,99]]（1）计算DCT变换后某8×8块的直流（DC）系数和交流（AC）系数的含义；（2）若量化后的DCT系数矩阵中DC=120，第一个AC系数=5（经Z字形扫描后），写出熵编码的步骤（假设DC差分编码为Δ=120-前一帧DC=115=5，AC系数行程编码为(0,5)）；（3）计算压缩前后的比特数（假设原图像未压缩，压缩后DC用8bit，AC用(行程,幅值)对，每个对占12bit，共10个AC系数）。答案：（1）DC系数是8×8块像素的平均值（DCT变换的(0,0)系数），反映块的整体亮度；AC系数是各频率分量的系数，(u,v)≠(0,0)时，u、v越大，对应空间频率越高，反映块内细节或边缘信息。（2）熵编码步骤：①DC系数差分编码：Δ=5，用变长码（VLC）表查找Δ=5对应的码字（如假设为“101”）；②AC系数行程编码：第一个AC系数为5，前面无零（行程=0），用VLC表查找(0,5)对应的码字（如“0110”）；后续AC系数若为零，用(行程,0)表示，直到块结束用EOB（EndofBlock）码字。（3）压缩前比特数：512×512×8=2,097,152bit；压缩后比特数：每8×8块包含1个DC系数（8bit）和10个AC系数（10×12bit），总块数=512×512/(8×8)=4096块；总压缩比特数=4096×(8+10×12)=4096×128=524,288bit。五、深度学习在图像处理中的应用5.基于U-Net网络进行医学图像分割（输入为单通道256×256灰度图像，输出为3类分割掩码：背景、器官、病变）。（1）简述U-Net的网络结构特点；（2）设计损失函数，考虑类别不平衡问题（假设背景占比80%，器官15%，病变5%）；（3）若测试时出现器官边缘分割模糊，提出两种改进方法。答案：（1）U-Net结构特点：①编码器（下采样路径）：通过卷积和最大池化提取多尺度特征，感受野逐渐增大；②解码器（上采样路径）：通过转置卷积或双线性插值上采样，同时与编码器对应层的特征图跳跃连接（SkipConnection），融合局部细节与全局上下文信息；③输出层：1×1卷积调整通道数至类别数，通过Softmax输出像素级分类概率。（2）损失函数设计：采用加权交叉熵（WeightedCross-Entropy）结合Dice损失。加权交叉熵权重w_c=1/p_c（p_c为类别c的像素占比），背景w1=1/0.8=1.25，器官w2=1/0.15≈6.67，病变w3=1/0.05=20；Dice损失LD=1-2×∑(P_c×G_c)/(∑P_c+∑G_c)（P_c为预测概率，G_c为真实标签）。总损失L=α×L_ce+(1-α)×L_dice（α=0.5平衡两者），既惩罚类别错分，又优化分割区域的交叠度。（3）改进方法：①引入边缘注意力模块（EdgeAttentionModule）：在解码器中对编码器边缘特征（如Canny边缘检测结果）进行加权，增强边缘像素的特征表示；②采用多尺度融合：在输出层前增加金字塔池化模块（PPM），融合不同尺度的上下文信息，提升边缘细节的分辨率；③数据增强：在训练时加入边缘模糊的合成数据（如高斯模糊边缘），增强模型对边缘的鲁棒性。六、综合应用题6.某卫星图像存在运动模糊（点扩散函数PSF为水平方向长度L=5的线性运动，即h(x,y)=1/5，当y=0且x∈[0,4]，否则0）和加性高斯噪声（σ²=10）。（1）写出图像退化模型的数学表达式；（2）设计基于维纳滤波的复原流程，推导维纳滤波的传递函数H_w(u,v)；（3）若PSF未知，简述盲复原的基本步骤。答案：（1）退化模型：g(x,y)=f(x,y)h(x,y)+n(x,y)，其中表示卷积，g为退化图像，f为清晰图像，h为PSF，n为噪声。（1）退化模型：g(x,y)=f(x,y)h(x,y)+n(x,y)，其中表示卷积，g为退化图像，f为清晰图像，h为PSF，n为噪声。（2）维纳滤波流程：①对退化图像g进行傅里叶变换得G(u,v)；②估计PSF的傅里叶变换H(u,v)（水平运动模糊的H(u,v)=(1/5)×[1+e^{-j2πu×1/L}+e^{-j2πu×2/L}+…+e^{-j2πu×(L-1)/L}]，L=5时H(u,v)=(1/5)×sin(πuL)/(sin(πu))e^{-jπu(L-1)}）；③估计图像功率谱S_f(u,v)和噪声功率谱S_n(u,v)（S_n(u,v)=σ²=10）；④计算维纳滤波传递函数H_w(u,v)=H(u,v)/(|H(u,v)|²+S_n(u,v)/S_f(u,v))；⑤复原图像F^(u,v)=H_w(u,v)×G(u,v)，逆傅里叶变换得f^(x,y)。（2）维纳滤波流程：①对退化图像g进行傅里叶变换得G(u,v)；②估计PSF的傅里叶变换H(u,v)（水平运动模糊的H(u,v)=(1/5)×[1+e^{-j2πu×1/L}+e^{-j2πu×2/L}+…+e^{-j2πu×(L-1)/L}]，L=5时H(u,v)=(1/5)×sin(πuL)/(sin(πu))e^{-jπu(L-1)}）；③估计图像功率谱S_f(u,v)和噪声功率谱S_n(u,v)（S_n(u,v)=σ²=1