简介这份《数字图像处理试题及答案》PDF面向高校计算机、电子信息类专业学生及备考数字图像处理课程的读者用于期末复习、自测与知识点查漏补缺。内容以试卷形式组织覆盖填空题、选择题、判断题、简答题与问答题涉及图像增强、直方图均衡化、图像压缩与编码冗余、图像复原、边缘检测、彩色模型等核心考点并附有参考答案与推导过程。资源包共1个PDF文件约123KB篇幅紧凑便于打印或移动端随时翻阅。其中简答题与问答题部分给出了逆滤波噪声处理、亮度适应、梯度算子与Laplacian算子异同、高频加强与直方图均衡化顺序等典型题目的完整解答适合对照梳理答题思路。目前已有1137人学习下载可作为课程复习与考前突击的实用参考资料。1. 数字图像处理试题及答案.pdf从一份复习资料到能跑通的图像处理知识体系很多人第一次搜「数字图像处理试题及答案.pdf」其实不是想找一份死记硬背的题库而是被图像处理这门课的考试逼到了墙角——傅里叶变换、直方图均衡、边缘检测、形态学操作概念一堆公式一墙做题时却不知道这些算法在真实代码里长什么样。我当年也是这么过来的后来发现一个反直觉的结论把试题当代码题来做比当文科题来背效率高得多。这份资料真正能解决的问题是帮你把「会算」和「会写」之间的鸿沟填上。它适合正在备考的学生也适合想系统梳理图像处理基础、但不想啃完整本教材的开发者。接下来我会按「概念怎么理解、代码怎么复现、参数怎么调、坑在哪」这条线把这份试题资料背后的知识体系拆开讲清楚。2. 从试题到代码把每道题还原成可运行的 Python 片段2.1 为什么试题里的算法值得用代码重写一遍数字图像处理的试题有个特点它考的不是记忆而是你对算法流程的理解。比如一道「对图像进行直方图均衡化」的题试卷上可能只让你写出变换函数但如果你用代码跑一遍就会立刻明白为什么均衡化之后对比度会提升、为什么有些图会变得过曝。我一般建议把试题分成四类灰度变换类、滤波类、频域类、形态学类。每一类挑两三道典型题用 Python 加 OpenCV 或 NumPy 重写你会发现原本模糊的概念会变得非常具体。重写的时候不要追求一次写对先让代码跑起来再对照试题里的中间结果去验证。比如试题里给了某个 3×3 邻域的均值滤波结果你就用代码对同样的小矩阵做一遍看输出是否一致。这种「小矩阵验证法」是排查理解偏差最快的方式比看十遍书都管用。2.2 用 NumPy 复现灰度变换与直方图均衡灰度变换是试题里出现频率最高的题型之一常见的有线性拉伸、对数变换、幂律变换。下面这段代码把三种变换放在一起方便对比效果。import numpy as np import cv2 # 读取图像并转为灰度图 img cv2.imread(input.jpg, cv2.IMREAD_GRAYSCALE) if img is None: raise FileNotFoundError(请确认 input.jpg 在当前目录下) # 归一化到 [0, 1]避免后续计算溢出 img_norm img.astype(np.float32) / 255.0 # 1. 线性拉伸把 [50, 200] 映射到 [0, 255] a, b 50, 200 linear np.clip((img - a) / (b - a), 0, 1) # 2. 对数变换压缩高灰度区扩展低灰度区 log_trans np.log1p(img_norm) / np.log(2.0) # 3. 幂律变换伽马校正gamma 1 提亮暗部 gamma 0.5 power np.power(img_norm, gamma) # 转回 uint8 保存 for name, data in [(linear, linear), (log, log_trans), (power, power)]: out (data * 255).astype(np.uint8) cv2.imwrite(fout_{name}.png, out)这段代码的关键在于归一化。很多试题只给公式不强调数值范围实际写代码时如果直接用 uint8 做对数或幂运算很容易溢出或截断。参数方面线性拉伸的 a 和 b 决定了你要保留哪一段灰度a 越大暗部被压得越狠对数变换的底数我习惯用 2也可以用自然对数区别只是压缩程度伽马值小于 1 提亮暗部大于 1 压暗亮部试题里常考伽马取 0.4、0.8、1.5 时的曲线形状你跑一遍就能记住。直方图均衡化的代码更短但理解起来需要一点概率基础。OpenCV 的equalizeHist直接可用但试题往往要求你手写累积分布函数。手写版本如下def my_equalize(img): hist, _ np.histogram(img.flatten(), 256, [0, 256]) cdf hist.cumsum() # 跳过累积分布为 0 的灰度级避免除零 cdf_m np.ma.masked_equal(cdf, 0) cdf_m (cdf_m - cdf_m.min()) * 255 / (cdf_m.max() - cdf_m.min()) cdf np.ma.filled(cdf_m, 0).astype(uint8) return cdf[img] eq my_equalize(img) cv2.imwrite(out_eq.png, eq)这里有个容易翻车的点cdf.min()在掩码数组上取的是非零最小值如果你直接对原始 cdf 做归一化第一段会出错。试题里通常不会考这个细节但实际写代码时这是血泪经验。2.3 空间滤波从试题里的 3×3 模板到可调参数的卷积空间滤波的试题一般会给你一个模板让你计算某个像素的输出。用代码复现时核心是理解卷积和相关的区别以及边界怎么处理。import numpy as np import cv2 img cv2.imread(input.jpg, cv2.IMREAD_GRAYSCALE) # 定义一个 3×3 均值模板 kernel_mean np.ones((3, 3), np.float32) / 9.0 # 高斯模板sigma 可调 def gaussian_kernel(size3, sigma1.0): ax np.arange(-(size//2), size//2 1) xx, yy np.meshgrid(ax, ax) kernel np.exp(-(xx**2 yy**2) / (2 * sigma**2)) return kernel / kernel.sum() kernel_gauss gaussian_kernel(3, 1.0) # 用 filter2D 做相关OpenCV 默认是相关不是严格卷积 mean_filtered cv2.filter2D(img, -1, kernel_mean) gauss_filtered cv2.filter2D(img, -1, kernel_gauss) cv2.imwrite(out_mean.png, mean_filtered) cv2.imwrite(out_gauss.png, gauss_filtered)参数说明均值模板的系数全为 1/9作用是平滑噪声但会模糊边缘高斯模板的 sigma 越大平滑越强试题里常考 sigma0.5、1.0、2.0 时模板系数的变化。边界处理默认是BORDER_DEFAULT实际做试题时如果要求零填充需要手动指定borderTypecv2.BORDER_CONSTANT。另外注意 OpenCV 的filter2D做的是相关不是卷积如果试题明确要求卷积需要把模板旋转 180 度这一点在频域滤波的试题里经常被拿来设陷阱。2.4 频域滤波试题里的傅里叶变换怎么用 NumPy 验证频域部分的试题让很多人头疼因为公式抽象。用 NumPy 的 FFT 跑一遍再显示频谱图理解会直观很多。import numpy as np import cv2 import matplotlib.pyplot as plt img cv2.imread(input.jpg, cv2.IMREAD_GRAYSCALE) # 二维傅里叶变换 f np.fft.fft2(img) fshift np.fft.fftshift(f) # 计算幅度谱并做对数变换否则一片黑 magnitude 20 * np.log(np.abs(fshift) 1) # 理想低通滤波半径 D0 以内的保留 rows, cols img.shape crow, ccol rows // 2, cols // 2 D0 30 mask np.zeros((rows, cols), np.uint8) for i in range(rows): for j in range(cols): if (i - crow)**2 (j - ccol)**2 D0**2: mask[i, j] 1 fshift_filtered fshift * mask f_ishift np.fft.ifftshift(fshift_filtered) img_back np.fft.ifft2(f_ishift) img_back np.abs(img_back) plt.subplot(121), plt.imshow(magnitude, cmapgray) plt.subplot(122), plt.imshow(img_back, cmapgray) plt.show()这段代码里fftshift把零频移到中心方便做圆形掩膜。D0 是截止频率试题里常考 D0 取不同值时振铃效应的强弱。理想低通滤波会产生明显的振铃这是因为它对应的空间域模板是 sinc 函数。实际做题时如果要求用巴特沃斯或高斯低通只需要把 mask 的计算公式换掉代码结构不变。注意np.abs取模后还要做对数变换才能看清频谱直接显示幅度谱会是一片黑这是新手最容易踩的坑。3. 试题里高频出现的参数与公式怎么记、怎么调、怎么验证3.1 直方图规定化与均衡化的区别直方图规定化是试题里的进阶题型它要求把图像变换成指定的直方图而不是均匀分布。很多人在这一步混淆了均衡化和规定化的步骤。均衡化是规定化的特例规定化需要多做一步先对原始图像做均衡化再对目标直方图做均衡化然后建立映射。用代码验证时可以先生成一个目标直方图比如双峰分布然后看输出图像的直方图是否逼近目标。参数上规定化的关键是对应灰度级的映射表。如果目标直方图有多个峰值映射表可能出现多对一的情况这时候需要取最接近的灰度级。试题里常给一个简单的目标直方图让你手算映射表用代码跑一遍就能确认自己算得对不对。3.2 边缘检测算子的阈值选择Sobel、Prewitt、Canny 是试题里的常客。Sobel 和 Prewitt 的模板固定主要考计算Canny 则涉及双阈值参数选择更灵活。Canny 的低阈值和高阈值比例一般在 1:2 到 1:3 之间低阈值太小会引入噪声太大则漏掉弱边缘。用代码调参时可以先固定高阈值然后逐步降低低阈值观察边缘图的变化。import cv2 img cv2.imread(input.jpg, cv2.IMREAD_GRAYSCALE) # Canny 双阈值低阈值 50高阈值 150 edges cv2.Canny(img, 50, 150) cv2.imwrite(out_canny.png, edges)试题里如果让你比较不同算子的效果重点看边缘的连续性和抗噪性。Sobel 对噪声敏感Canny 因为做了非极大值抑制和双阈值边缘更细更连续。实际写代码时Canny 之前一般会加高斯模糊这一步试题里可能省略但工程上不能省。3.3 形态学操作的顺序与结构元腐蚀、膨胀、开运算、闭运算试题里经常考顺序和结构元形状。开运算是先腐蚀后膨胀用来去小亮点闭运算是先膨胀后腐蚀用来填小孔。结构元的大小和形状直接影响结果常用的有矩形、椭圆、十字形。import cv2 import numpy as np img cv2.imread(input.jpg, cv2.IMREAD_GRAYSCALE) _, binary cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) # 定义 3×3 矩形结构元 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) opened cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) cv2.imwrite(out_open.png, opened) cv2.imwrite(out_close.png, closed)参数说明结构元越大效果越强但也会抹掉更多细节。试题里常考 3×3 和 5×5 的对比5×5 的去噪能力更强但可能把细小的目标也去掉。另外注意二值化阈值的选择阈值不对形态学操作的结果会完全偏离预期。4. 避坑与排查做试题和写代码时最容易翻车的五个地方4.1 现象直方图均衡化后图像全白或全黑原因输入图像已经是高对比度或者累积分布函数计算时没有跳过零值导致映射表出错。解决先检查图像的直方图分布如果灰度集中在两端均衡化效果本来就不明显手写均衡化时务必用掩码数组处理零值或者直接用 OpenCV 的equalizeHist对照。4.2 现象频域滤波后图像出现周期性条纹原因理想低通滤波的振铃效应或者fftshift和ifftshift没有配对使用。解决改用巴特沃斯或高斯低通振铃会明显减弱检查代码中是否在逆变换前做了ifftshift顺序错了会导致频谱错位。4.3 现象Canny 边缘检测结果全是噪点原因低阈值设得太低或者没有做高斯模糊。解决先把低阈值提高到高阈值的 1/3 到 1/2再逐步调整在 Canny 之前加一个 5×5 的高斯模糊sigma 取 1.0 到 1.5。4.4 现象形态学操作后目标消失原因结构元太大或者腐蚀次数过多。解决先用 3×3 结构元试观察结果再决定是否增大如果目标是细长形状改用十字形或椭圆形结构元避免矩形结构元把目标切断。4.5 现象试题里的卷积结果和代码跑出来的不一致原因OpenCV 的filter2D做的是相关不是卷积或者边界处理方式不同。解决如果试题要求卷积把模板旋转 180 度再传给filter2D边界处理手动指定为BORDER_CONSTANT并设置填充值与试题的零填充保持一致。5. 把试题资料变成自己的图像处理工具箱一个可复用的验证脚本试题做完一遍如果不整理过两周就忘。我的习惯是写一个统一的验证脚本把常见的操作封装成函数每次遇到新的试题只需要改参数就能快速验证。下面这个脚本框架可以直接拿去用。import numpy as np import cv2 import matplotlib.pyplot as plt class ImageLab: def __init__(self, path): self.img cv2.imread(path, cv2.IMREAD_GRAYSCALE) if self.img is None: raise FileNotFoundError(f无法读取 {path}) self.img_norm self.img.astype(np.float32) / 255.0 def show(self, *imgs, titlesNone): n len(imgs) titles titles or [fimg{i} for i in range(n)] for i, (im, t) in enumerate(zip(imgs, titles), 1): plt.subplot(1, n, i) plt.imshow(im, cmapgray) plt.title(t) plt.axis(off) plt.show() def linear_stretch(self, a50, b200): return np.clip((self.img - a) / (b - a), 0, 1) def gamma_correct(self, gamma0.5): return np.power(self.img_norm, gamma) def gaussian_blur(self, ksize5, sigma1.0): return cv2.GaussianBlur(self.img, (ksize, ksize), sigma) def canny(self, low50, high150): blurred self.gaussian_blur(5, 1.0) return cv2.Canny(blurred, low, high) def fft_lowpass(self, D030): f np.fft.fft2(self.img) fshift np.fft.fftshift(f) rows, cols self.img.shape crow, ccol rows // 2, cols // 2 mask np.zeros((rows, cols), np.uint8) y, x np.ogrid[:rows, :cols] mask[(y - crow)**2 (x - ccol)**2 D0**2] 1 fshift fshift * mask f_ishift np.fft.ifftshift(fshift) img_back np.abs(np.fft.ifft2(f_ishift)) return img_back # 使用示例 lab ImageLab(input.jpg) lab.show(lab.img, lab.gamma_correct(0.5), lab.canny(50, 150), titles[原图, 伽马0.5, Canny])这个类的价值在于把参数和操作分离试题里改一个参数你只需要改调用时传的值不用重写整个流程。我一般还会在show里加一个保存功能方便把结果贴到笔记里。另外fft_lowpass里用np.ogrid生成坐标网格比双重循环快很多这也是从试题的朴素写法进化到工程写法的一个小技巧。最后说一个我自己的教训早期做试题时我总想一次把所有公式都推导清楚再写代码结果卡在数学上进度很慢。后来改成先跑代码看结果再回头补公式反而理解得更快。图像处理这门课视觉反馈比公式推导更能建立直觉。希望帮到你。本文还有配套的精品资源点击获取