1.专业必需的数学、自然科学、工程基础和专业知识，能够用于解决智能系统开发中的复杂工程问题。

指标点1.4: 掌握智能信息处理、智能系统、图像处理与机器视觉、计算机技术与网络应用、科学研究与工程设计方法的基本训练；

目标1

图像采集、数字图像坐标变换、数字图像空域变换、彩色图像处理、图像数据标注方法

随堂测验

实验

期末考核

3.能够设计针对智能系统设计中的复杂工程问题的解决方案，设计满足特定需求的系统，并能够在设计环节中体现创新意识，考虑社会、健康、安全、法律、文化以及环境等因素。

指标点3.3:能够进行智能应用系统的需求分析、方案设计、代码实现和系统集成、部署等方面进行方案优化，体现创新意识；

目标2

图像分析与图像识别、人脸识别算法、机器学习模块使用、深度学习模块使用

随堂测验

实验

期中考核

期末考核

4. 能够基于科学原理，采用适当的工程方法对智能系统的复杂工程问题进行研究，包括系统方案设计、分析与解释数据、并通过信息综合得到合理有效的结论。

指标点4.1:能够采用正确的系统设计方法和工具分析智能应用系统的功能、性能和参数；

目标3

图像分析与图像识别、人脸识别算法、机器学习模块使用、深度学习模块使用

随堂测验

实验

期末考核

1

绪论

数字图像处理的基本概念、起源、使用图像处理的领域和当前最新的发展技术。

了解本课程的研究对象和性质；了解和认识图像处理的基本步骤以及图像处理系统的组成。

2

讲授

目标1

2

图像采集

详细介绍数字图像采集的流程，图像感知和获取、取样与量化，以及图像像素间的基本关系。

了解图像感知和获取的主要方式，掌握图像取样与量化，掌握图像像素间的基本关系，以及了解数字图像处理所用的数学工具。

2

讲授

目标1

课前

学习微课

3

计算机视觉与opencv

详细介绍计算机视觉的基本概念、起源、使用，及opencv的安装使用。

了解计算机视觉的研究对象和性质；了解与图像处理的关系；掌握opencv的安装使用。

6

讲授

目标1

课前

学习微课

4

实验一：opencv的安装使用及数字图像的读取，显示和坐标变换

安装opencv，使用opencv进行图像读取显示，观察矩阵表示的方法，利用仿射变换函数进行坐标变换。

基于python技术，实现数字图像的读取。

2

实操

目标1

5

数字图像空域变换

空域变换分类、像素间运算、直接灰度映射、直方图变换、线性滤波、非线性滤波、局部增强。

掌握常见的空域增强技术，如灰度曲线映射、直方图均衡化、线性和非线性滤波，了解局部增强技术。

6

讲授

目标1

6

实验二：图像的空域变换

进行灰度变换，直方图均衡化，图像平滑，空域低通，带通和高通滤波，图像锐化，观察变换前后的效果对比。

基于python技术，实现图像变换。

2

实操

目标1

7

数字图像频域变换

频域变换分类、傅立叶变换、低通滤波器、带通滤波器、高通滤波器、小波变换、离散余弦变换等，通过频域滤波进行图像增强。

掌握傅立叶变换的数学原理，理解频域物理意义，能够使用常见的频域滤波算法。

4

讲授

示范

实操

目标1

8

实验三：图像的频域变换

进行傅立叶变换，小波变换，拉普拉斯金字塔分解和重构等，频域低通、带通和高通，观察变换前后的效果对比，观察和空域变换的差异。

基于python技术，实现图像的不同频域空间的转换

2

实操

目标1

9

彩色图像处理

彩色视觉和描述、彩色模型、伪彩色增强、真彩色处理。

了解常见彩色模型，了解伪彩色增强的基本概念和常见技术。

4

讲授

目标1

目标2

10

实验四：彩色图像处理

运行RGB和HSV等模型，色彩通道分离和融合，结合空域滤波进行多通道色彩滤波处理，对单通道图像进行伪彩色处理。

基于python技术，实现彩色图像与灰度图像之间的转换

2

实操

目标1

目标2

11

边缘检测和轮廓表示

掌握边缘检测算法，掌握数字曲线及其表示。

掌握基本的边缘检测算饭，并能通过这些算法进行正确的图像轮廓表示。

2

讲授

示范

实操

目标1

目标2

12

图像特征检测、描述与匹配

了解图像边缘检测方法，掌握直线检测、角点检测，了解图像局部特征点检测。

通过学习图像特征的检测，掌握图像的特征描述与匹配算法。

2

实操

目标1

目标2

13

实验五：图像特征的提取与识别

掌握图像特征的概念，了解特征提取和描述的方法，掌握图像特征的匹配算法

基于python技术，实现图像特征的匹配。

4

讲授

目标1

目标2

14

图像分析与图像识别

了解图像分割的方法，掌握聚类、最短路径算法在图像分析的应用过程。了解图像和场景识别。

能够通过算法实现图像分析和图像识别。

4

讲授

目标1、目标2、目标3

课前

学习微课

15

实验六：图像识别

掌握图像分割的概念，掌握图像识别的方法和实现过程

基于python技术，编写图像分割代码，运行图像识别过程。

4

实操

目标1、目标2、目标3

16

人脸识别算法

对人脸公开数据集进行预处理，使用机器学习算法进行识别。可扩展深度学习的人脸识别使用。

掌握人脸识别的公开数据集和识别算法。人脸识别算法的实现。人脸识别算法的实现。

6

讲授

示范

实操

目标1、目标2、目标3

修改调试程序

17

实验七：人脸识别

实现人脸数据库的识别，并可以加入自己的照片进行识别。

基于python技术，运行人脸识别算法，并测试自己采集的人脸数据。

6

实操

目标1、目标2、

目标3、

18

opnecv机器视觉与深度学习模块简介

了解OpenCV的机器学习模块（名称为ml）。了解OpenCV深度学习模块（名称为dnn），

了解OpenCV的机器学习模块（名称为ml）。了解OpenCV深度学习模块（名称为dnn），

。

2

讲授

示范

实操

目标2、目标3

19

实验八：opencv深度学习模块

基于深度学习的图像识别，调整图像颜色，检测视频中的对象。

基于深度学习的图像识别，调整图像颜色，检测视频中的对象。

2

实操

目标2、目标3

合计

64

目标1：能够设计并实现前沿平台下的图像处理和视频分析。了解由工程问题，到建模、再到图像和视频处理算法设计的问题求解思维模式。具有将图像和视频处理算法应用于具体工程的能力；掌握图像采集、数字图像坐标变换、数字图像空域变换、彩色图像处理、图像数据标注方法，并能够在主流人工智能平台上实现

基于Python技术，对图像和视频进行预处理。设计一个简单的图像预处理算法，能够显示图像处理过程以及结果。

实验

15%

50%

A1

人工智能开发平台下的图像与视频预处理。由工程问题，到建模、再到图像与视频预处理设计的问题求解思维模式。熟练使用Python-ope

ncv，熟练VScode、jupternote、pycharm等IDE的基本操作。

期末考核

25%

42%

B1

目标2：具备较强的学习最新图像和视频分析领域研究成果的能力；能够分析和评价现有研究成果的问题与不足，并能够提出自己独立见解的能力；能够撰写系统设计方案和阶段性技术报告，能够组织和协调项目组的工作，与成员进行交流与沟通

人脸识别算法实现的详细步骤、人脸识别算法的数学模型、人脸识别算法关键参数的详解。在通过python-opencv实现对训练样本的训练。

实验

10%

33%

A2

通过讨论与合作完成任务，能够撰写调试报告、实验报告等软件工程技术文件。

期中考核

10%

100%

C1

通过讨论与合作完成任务，能够撰写调试报告、实验报告等软件工程技术文件。

期末考核

25%

42%

B2

目标3：能运用图像处理和机器视觉的一般原则和方法、相关项目设计步骤及方法等专业知识，能分析和理解现有案例的软、硬件设计与实现，并能对其进行变化或改进。从而培养具有图形处理、计算机视觉、机器视觉问题及比较与分析复杂工程问题的解决方案。

分析和评价现有图像和视频处理领域研究成果的问题与不足，并能够提出自己独立见解的能力

期末考核

10%

16%

B3

实验

5%

17%

A3

总评成绩（100%）=实验（30%）+期中考核（10%）+期末考核（60%）

100%

——

——

考查点

实验操作内容

实验结果

实验报告

成绩比例

40%

20%

40%

评分标准

100%

至

90%

熟练掌握常见图像与视频分析实现的详细步骤、数学模型、通过编程实现大数据算法的基本实现案例、算法关键参数的详解；熟练掌握python-opencv的基本操作，实对训练样本的训练。

有很强的总结实验和撰写报告的能力，实验报告内容完整、正确，有很好的分析与见解。文本表述清晰，书写工整，格式规范。

能够基于实验结果准确分析和评价现有研究成果的问题与不足，针对全部问题能够提出前沿思路优化问题的解决。

89.9%

至

80%

熟练掌握常见图像与视频分析算法实现的主要步骤、数学模型、通过编程实现图像与视频分析算法的基本实现案例、算法关键参数的详解；掌握python-opencv的基本操作，对训练样本的训练。

有较强的总结实验和撰写报告的能力，实验报告内容完整、正确，有较好的分析与见解。文本表述较为清晰，书写比较工整，格式规范。

能够基于实验结果较准确分析和评价现有研究成果的问题与不足，针对全部问题能够提出前沿思路优化问题的解决。

79.9

至

70%

基本掌握常见图像与视频分析算法实现的主要步骤、数学模型、通过编程实现大数据算法的基本实现案例、算法关键参数的详解；能够部分完成python-opencv的基本操作，对训练样本的训练。

有良好的总结实验和撰写报告的能力，实验报告内容较完整、正确，有自己的分析与见解。文本表述较为清晰，书写较为工整，格式较为规范。

能够基于实验结果较准确分析和评价现有研究成果的问题与不足，针对部分问题能够提出前沿思路优化问题的解决。

69.9%

至

60%

基本了解常见图像与视频分析算法实现的主要步骤、数学模型、算法关键参数；能够部分完成python-opencv的基本操作，对训练样本的训练。

有一定的总结实验和撰写报告的能力，实验报告内容基本完整、正确，没有分析或见解。文本表述基本清晰，书写基本工整，格式基本规范。

基本能够分析和评价现有研究成果的问题与不足，不能提出前沿思路优化问题的解决。

59.9%至

0

未掌握常见图像与视频分析算法实现的主要步骤、数学模型、通过编程实现图像与视频分析算法的基本实现案例、算法关键参数的详解；无法完成python-opencv的基本操作，不能够在python-opencv对训练样本的训练。

总结实验和撰写报告的能力差，实验报告内容不完整、错误多。文本表述不清晰，书写潦草、格式不规范。

不能分析和评价现有研究成果的问题与不足，不能提出前沿思路优化问题的解决。