2023年考研即将开始，希望23考研的考生根据大纲内容进行查漏补缺，24考研的考生可以根据大纲内容进行备考啦!以下是小编为大家整理的【山西农业大学--839机器学习、数字图像处理】考试大纲具体内容，希望大家备考顺利哦~
科目代码：839
科目名称：机器学习、数字图像处理
Ⅰ 考试性质
《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。
Ⅱ 考查目标
《机器学习、数字图像处理》涵盖线性模型、神经网络、支持向量机、线性判别模型、聚类、决策树、空间域像增强、频率域图像增强、图像复原、彩色图像侧重于人工智能综合应用及实践能力的考查。要求考生认识机器学习算法、数字图像处理的基本规律，理解和掌握基本概念、基础理论和基本方法，能够分析、判断和解决有关实际问题。
Ⅲ 考试形式和试卷结构
一、试卷满分及考试时间
本试卷满分为150分，其中机器学习、数字图像处理各占75分，考试时间为180分钟。
二、答题方式
答题方式为闭卷、笔试。
三、试卷题型结构
1.名词解释
2.选择题
3.判断题
4.填空题
5.简答题
6.问答题
Ⅳ 考查内容
机器学习部分
一、绪论
1. 机器学习的基本术语：属性，输入，输出，样本，监督学习等概念
2. 机器学习的假设空间
二、模型评估与选择
1. 经验误差与过拟合，过拟合的概念理解，欠拟合的概念理解
2. 评估方法：留出法、交叉验证法、自助法
3. 性能度量：准确率，误差，TP, FP, TN，FN，F1-Score的概念理解及计算
4. PR曲线，PR曲线的含义及利用PR曲线进行的模型性能比较
5. ROC曲线, ROC曲线的含义及利用ROC曲线进行的模型性能比较
6. AUC的概念
7. Rank损失
三、线性模型
1. 线性模型的基本形式，线性模型的损失函数
2. 线性回归的概念，基本形式
3. 对数几率回归的概念，基本形式
4. 线性判别分析，线性判别分析的目标函数
5. 多分类学习
6. 类别不平衡
四、支持向量机
1. 间隔与支持向量
2. 对偶问题
3. 核函数
4. 软间隔与正则化
5.支持向量回归
6. 核方法
五、神经网络
1.单层感知器
2.多层感知器
3.BP算法
4.前馈神经网络
5.反馈神经网络
六、集成学习
1. 集成学习的概念
2. 集成学习的条件及优势
3. 串行集成学习(Boosting, Adaboost)算法
4. 并行集成学习(Bagging)
七、聚类
1. 聚类算法的概念
2. 聚类算法的应用
八、决策树
1.决策树的概念
2.ID3算法
3.信息熵的概念
4.信息增益
5.随机森林
数字图像处理部分
一、图像处理基础
1. 数字图像处理的基本概念及理解
2. 图像采样和量化，采样和量化的基本概念
3. 数字图像表示
4.空间和灰度分辨率
5. 图像内插
6. 像素间的一些基本关系
7. 数字图像处理：阵列与矩阵操作，线性操作与非线性操作，算数操作，集合和逻辑操作，空间操作，向量与矩阵操作，图像变换二、空间域图像增强
1. 灰度变换和空间滤波基础
2. 一些基本的灰度变换函数：图像反转，对数变换，幂律变换， 分段线性变换函数
3. 直方图处理：直方图均衡，直方图匹配(规定化)，局部直方图处理，在图像增强中使用直方图统计。
4. 空间滤波基础：空间滤波机理，空间相关与卷积，线性滤波的向量表示，空间滤波器模板的产生，
5. 平滑空间滤波器：平滑线性滤波器，统计排序(非线性)滤波器
6. 锐化空间滤波器：锐化滤波器的基础，使用二阶微分锐化图像——拉普拉斯算子，使用一阶微分锐化图像梯度
三、频率域图像增强
1.傅里叶变换的一些性质
2. 频率域滤波基础
3. 使用频率域滤波器平滑图像
4. 使用频率域滤波锐化图像
5. 高斯低通滤波器，巴特沃斯低通滤波器，理想低通滤波器
6. 高斯高通滤波器，巴特沃斯高通滤波器，理想高通滤波器
四、图像复原
1.图像退化/复原过程的模型
2. 噪声模型
3. 噪声的空间和频率特性
4. 一些重要的噪声概率密度函数
5. 周期噪声
6. 只存在噪声的复原——空间滤波：均值滤波器，统计排序滤波器，自适应滤波器，
7. 用频率域滤波消除周期噪声：带阻滤波器，带通滤波器，陷波滤波器，最佳陷波滤波器
五、彩色图像
1. 彩色基础
2. 彩色模型： RGB彩色模型，CMY和CMYK彩色模型，HIS彩色模型
六、形态学
1. 膨胀与腐蚀
2. 开操作与闭操作
3. 击中与不击中
以上就是考试大纲的具体内容，希望大家珍惜时间，合理安排考前的作息，预祝大家学有所成、金榜题名!
