(1)培养目标

《数字图像处理》是人工智能本科专业的一门工程应用性较强的课程，其理论部分主要依托线性代数、概率论以及数理统计等数学工具，其实践环节则可通过C++、Python及Matlab等编程工具加以实现。课程内容大致分为五个模块，即：图像描述、图像增强、图像恢复、图像编码、图像处理领域新技术，该课程可为计算机视觉、模式识别、医学影像处理、遥感影像处理等相关专业课程提供必要的理论支撑。

通过对“数字图像处理”课程基础知识与新兴技术问题的讲授，使学生能够系统掌握数字图像处理领域的基本知识与理论体系，清楚获悉数字图像处理领域的前沿研究方向与热点学术课题，初步具备利用图像处理领域的经典算法与技术解决科研中遇到的实际问题的能力，进而为在智能图像处理、计算机视觉以及模式识别等领域从事相关研究与开发打下扎实的基础。

(2)内容设置

[1] 图像描述

图像的数学描述，图像的数字化，图像技术和图像工程，图像处理与分析系统简介，视觉过程概述，光度学和亮度视觉，图像的采集与量化过程，成像变换，像素空间关系；

[2] 图像增强

图像坐标变换，图像的算术与逻辑运算，直方图均衡，空域滤波技术， 快速傅里叶变换、沃尔什/哈达玛变换，离散余弦变换，频域图像增强，同态滤波技术，双边滤波算法，伪彩色图像增强，真彩色图像增强；

[3] 图像恢复

图像退化模型，图像的噪声概率密度函数，图像去噪的基本思想与方法，均值类滤波器，选择性滤波器，无约束恢复，有约束回复，逆滤波，维纳滤波，几何失真校正，图像去雾；

[4] 图像编码

图像压缩原理，数据冗余的概念，图像保真度与质量评价，Huffman编码，位平面编码，算数编码，预测编码，图像变换编码，JPEG编码标准的基本原理；

[5] 图像处理领域新技术

小波分析及其在图像处理中的应用，图像编码新方法与JPEG2000压缩标准，图像水印，卷积神经网络在图像处理中的应用，基于深度学习的图像去雾，基于深度神经网络的图像超分辨率重建。

(3)主要教学方式

本课程教学采用课堂教学和上机实验相结合、辅以小组讨论和综述报告的教学方式，加强实例教学，以增强学生的学习兴趣，培养学生发现问题并解决问题的能力。

(4)先修课要求

微积分，线性代数、概率统计。