数字图像处理复习指南：核心考点与Python实验复现

整理这份《数字图像处理》复习资料时，最直观的感受是：这门课知识点不难，难的是把“图像增强、滤波、分割、形态学、压缩”等一堆概念串成体系。很多同学准备期末考试或考研复试时，习惯一章一章背，结果背到第七章，前面已经忘得差不多了。本文用一套“主线 + 高频考点 + 可复现代码”的方式，把整门课重新梳理一遍。内容围绕数字图像处理的核心概念、经典算法、实验复现和答题套路展开，适合正在准备期末考试、考研复试的人，也适合打算用 Python 快速回顾课程实验的开发者。文中的代码都是按实验思路组织的，环境版本不需要完全一致，重点是把原理落到实际结果上。

1. 复习为什么要抓主线：数字图像处理的课程框架

1.1 这门课到底在学什么？

很多同学第一遍上课时，会觉得《数字图像处理》就是“Photoshop 算法版”，老师今天讲滤波、明天讲分割，好像每一章都是独立的。实际上，数字图像处理有一条非常清晰的主线，可以概括为：

输入图像 → 预处理 → 增强与恢复 → 分割 → 特征提取 → 识别或压缩输出。

在这条主线里：

• 预处理包括灰度化、几何变换、图像去噪；
• 图像增强和图像恢复解决的是“让图像更清楚”的问题，但两者原理不同；
• 图像分割解决的是“把感兴趣目标从背景中分出来”的问题；
• 形态学处理通常用于分割后的二值图像后处理，比如去掉小噪点、连接断裂区域；
• 特征提取与描述是为了后续识别、分类或者匹配做准备；
• 图像压缩则是解决存储和传输问题。

期末考试和考研中，最容易出现的一类综合题就是：给一张带噪声的灰度图，让你设计一个处理流程，按顺序写清楚每一步用什么算法、为什么用这个算法以及预期结果。如果脑子里没有这条主线，这种题很容易丢步骤分。

1.2 教材与课程资源版本怎么选？

国内很多高校使用的教材是冈萨雷斯（Rafael C. Gonzalez）的《数字图像处理》，也就是很多同学搜索“冈萨雷斯数字图像处理 pdf”时想找的那本。不同学校中文版可能用第三版或第四版，虽然版本有差异，但核心章节基本一致，复习时不需要纠结版本号，重点看以下内容是否覆盖：

• 图像数字化与像素间关系；
• 灰度变换与直方图处理；
• 空间滤波与频率域滤波；
• 图像复原模型；
• 彩色图像处理；
• 形态学图像处理；
• 图像分割；
• 表示、描述与识别；
• 图像压缩。

另外，像合肥学院、山东大学等高校都有自己配套的课件和实验指导，复习时建议以本校课件为准，再配合教材做专题梳理。从考研角度看，不必刻意区分“哪个学校考得更难”，因为大多数院校的命题都会围绕基础概念、计算题和算法设计题展开，掌握通解比押题更重要。

1.3 2026 年新应用方向会不会成为考点？

近年来的课程考核越来越重视“传统算法 + 新场景”的结合。数字图像处理在 2026 年及以后的新应用方向，基本集中在以下几个方面：

• 医学影像辅助分析：CT、MRI 图像的增强、分割、病灶区域提取；
• 工业视觉检测：产品表面缺陷检测、尺寸测量、二维码定位；
• 自动驾驶感知：车道线检测、目标检测前的图像预处理；
• 遥感图像分析：土地利用分类、目标识别、图像拼接；
• 深度学习与传统图像处理的结合：用经典算子生成训练标签，或者把形态学操作作为神经网络后处理。

考试中不会直接考“请完整实现一个自动驾驶视觉系统”，但完全可能考“在低光照条件下采集的图像，采用哪些预处理步骤可以提高后续目标检测的准确率？”这类应用分析题。回答这类题时，不要堆砌名词，而要按“问题 → 算法原理 → 预期效果”来组织。

2. 环境准备与工具建议

2.1 实验环境需要准备什么？

数字图像处理课程的实验通常不限制编程语言，但 Python + OpenCV 已经成了最主流的组合，原因主要有三个：

• OpenCV 内置了大量经典函数，可以直接对应教材里的算法；
• NumPy 和 Matplotlib 方便处理像素矩阵和展示结果；
• 代码量少，能把时间花在理解算法上，而不是重复造轮子。

版本方面不写死，因为不同学校机房环境和读者本机环境差异很大。建议使用 Python 3.9 或以上版本，配合较新的 OpenCV 版本即可。如果你用的是 Anaconda，可以通过 conda 创建独立环境，避免和已有项目冲突。

# 使用 conda 创建虚拟环境（名称可以自定义） conda create -n dip python=3.9 # 激活环境 conda activate dip # 安装核心依赖 pip install opencv-python numpy matplotlib

如果你的电脑网络环境安装较慢，可以把 pip 源切换成国内镜像源，这个问题在网络比较慢的校园网环境下非常常见。

2.2 没有现成测试图怎么办？

教材实验里经常用lena.png、cameraman.tif、rice.png这类标准图像，但很多同学的电脑里不一定有这些图片。这里提供一个思路：先用代码生成一张带有明显灰度变化和几何形状的测试图，用来验证滤波、边缘检测和阈值分割的效果。

下面这段代码会生成一张模拟图像，左侧是深色方块，右侧是浅色圆形，并加入少量高斯噪声。后面做实验时都可以使用这张图。

# 文件路径：make_test_image.py import numpy as np import cv2 # 生成 300x300 的单通道灰度图，背景为 100 img = np.full((300, 300), 100, dtype=np.uint8) # 左侧画一个 80x80 的深色矩形 img[50:130, 40:120] = 30 # 右侧画一个半径 60 的浅色圆形 cv2.circle(img, (220, 160), 60, 220, -1) # 添加高斯噪声：np.random.normal 生成的浮点噪声需要裁剪到 [0,255] noise = np.random.normal(0, 15, img.shape) img_noisy = np.clip(img + noise, 0, 255).astype(np.uint8) cv2.imwrite("test_image.png", img_noisy) print("测试图已生成：test_image.png")

运行这段代码后，可以用 OpenCV 自带的高斯滤波去除噪声，也可以用 Canny 或 Sobel 算子观察边缘检测结果，非常适合作为课程实验的通用素材。

2.3 复习资料怎么组织效率更高？

不建议只收藏一堆“XX 大学数字图像处理课件”“冈萨雷斯数字图像处理 pdf”等资料，而应该建成自己的复习库。每个章节按四个文件维护：

• 概念笔记.md：用自己的话写概念，不抄定义；
• 公式卡片.md：只记录考试可能涉及的核心公式；
• 代码复现.py：把教材中的算法核心步骤写成可运行代码；
• 错题本.md：记录作业、往年试卷中做错的题目。

学习图像处理时，“看资料”很容易产生虚假的掌握感。真正有效的做法是先看教材，然后把公式推导或代码复现一遍，最后脱离资料向别人讲解。这个过程虽然慢，但对期末和考研复习来说是性价比最高的方式。

3. 核心考点拆解：从像素到图像增强

3.1 图像数字化：采样与量化

所有数字图像处理都从“把模拟图像变成数字图像”开始。这里有两个最容易混淆的概念：

• 采样（Sampling）：对空间坐标进行离散化，决定图像有多少行、多少列，也就是分辨率。
• 量化（Quantization）：对灰度值进行离散化，决定每个像素用多少 bit 表示。

如果采样不足，图像会出现明显的锯齿和棋盘状失真；如果量化不够，图像的灰度层次会丢失。考试中的典型计算题是：

一幅 1024×1024 的灰度图像，每个像素用 8 bit 存储，问图像的数据量是多少？

计算方法为：

1024 × 1024 × 8 bit = 8,388,608 bit = 1,048,576 Byte ≈ 1 MB

这类题只要记住“图像数据量 = 行数 × 列数 × 每像素位数 / 8（字节）”，基本不会出错。另一种变形是把图像分为多通道，比如 RGB 三通道则乘 3。

3.2 像素间的关系与距离度量

数字图像处理的很多算法都会用到像素邻域的概念。常见的邻域包括：

• 4-邻域 (N_4(p))：当前像素上、下、左、右四个相邻像素；
• 8-邻域 (N_8(p))：周围一圈 8 个像素；
• 对角邻域 (N_D(p))：左上、右上、左下、右下四个对角像素。

像素连通性是图像分割和形态学处理的基础。如果一个区域内部所有像素之间都连通，且不再连接其他区域的像素，那么可以把这个区域称为一个连通分量。

距离度量方面，课程中常考三种：

• 欧氏距离；
• 城市街区距离（D4 距离），只允许水平和垂直移动；
• 棋盘距离（D8 距离），允许围绕中心走 8 个方向。

很多同学容易把 D4 和 D8 的适用场景搞混。简单记法是：如果算法只关心上下左右连通，就用 D4；如果允许斜向连通，例如 8 连通区域标记，就用 D8。

3.3 灰度变换与直方图均衡化

灰度变换是图像增强的入门内容，常见变换包括图像反转、对数变换、幂次变换和分段线性变换。

期中、期末和考研出现频率最高的算法是直方图均衡化（Histogram Equalization）。它不直接操作像素值，而是通过调整灰度级的概率分布，使输出图像的灰度直方图尽可能均匀，从而提升对比度。

核心步骤如下：

1. 统计原始图像各灰度级的像素个数 (n_k)；
2. 计算每个灰度级出现的概率 (p_r(r_k) = n_k / MN)，其中 (MN) 为图像像素总数；
3. 计算累计分布函数 (s_k = T(r_k) = \sum_{i=0}^{k} p_r(r_i))；
4. 将累计值映射到允许的灰度范围，例如 0 到 255；
5. 根据映射关系重构输出图像。

考试要求不一定让你写出完整代码，但常会让你根据一张给定直方图计算均衡化后的灰度映射表。这类题只要公式正确并保留小数精度，一般都能拿到大部分分数。

在 OpenCV 中，使用函数equalizeHist即可完成灰度图像的直方图均衡化，后面实验部分会给出完整代码。

3.4 空间滤波：平滑与锐化

空间滤波是数字图像处理最核心的内容之一，考试占比很高。

平滑滤波主要用于去噪。最简单的均值滤波是取邻域内像素的平均值，但缺点是会模糊边缘。高斯滤波通过邻域像素的加权平均来减少模糊程度，权重由二维高斯函数决定。方差越大，平滑程度越强。

锐化滤波正好相反，它用于突出图像边缘和细节。常见的拉普拉斯算子模板为：

0 -1 0 -1 4 -1 0 -1 0

这个模板的加权和表示中心像素与四周像素的差异，能反映局部灰度突变。

考试中常出现两种题：

• 给一个 3×3 局部像素块，要求用给定模板计算中心像素的输出值；
• 问为什么均值滤波能去噪但不能同时保留清晰边缘。

回答第二种题时，可以从频率角度解释：噪声和高斯边缘都包含高频分量，均值滤波相当于低通滤波，会在削弱噪声的同时削掉边缘的高频成分，所以边缘会变模糊。

3.5 频率域滤波：为什么需要傅里叶变换？

频率域滤波的思路是“把图像从空间域变换到频率域，在频率域做处理，再变换回空间域”。如果只看卷积操作，空间滤波其实已经可以完成很多工作，但频率域能够更直观地解释滤波器的频率特性。

低通滤波器保留了低频成分，抑制了高频成分，因此图像变得更平滑；高通滤波器则相反，能提取边缘等高频信息。

课程里要求掌握的高频概念包括：

• 傅里叶变换为什么把图像看作不同频率分量的叠加；
• 低通、高通、带通和带阻滤波器的概念；
• 空间域卷积与频率域乘积的对应关系；
• 理想低通滤波器存在的振铃效应，以及高斯滤波器没有振铃效应的原因。

实变函数基础不太好的同学不用在这一节死磕数学推导，先把“空间域卷积 = 频率域相乘”这一关系记清楚，再把不同滤波器的频域图像和空间效果对应起来即可。

4. 用代码复盘高频实验

数字图像处理的复习最后一定要落到实验上。下面几个实验代码都可以在本地运行，建议先运行一遍，再尝试修改参数观察变化。

4.1 读取图像与灰度化

彩色图像转灰度是图像预处理中最基础的操作。如果不加参数直接使用cv2.imread，OpenCV 默认按 BGR 三通道读取。对于只能处理灰度图的算法，需要先转换成单通道图像。

# 文件路径：exp1_gray.py import cv2 # cv2.IMREAD_GRAYSCALE 表示以单通道灰度模式读取 img = cv2.imread("test_image.png", cv2.IMREAD_GRAYSCALE) if img is None: # 如果为 None，说明路径错误或图片不存在 print("图片读取失败，请检查 test_image.png 是否在当前目录") else: print("读取成功，图像尺寸为：", img.shape) cv2.imwrite("gray_result.png", img)

注意：cv2.imread返回None而不是抛出异常时会静默失败。很多同学代码复制后不检查None，直到下一步img.shape报AttributeError才知道路径有问题。这个坑在实验课和工程项目中都非常常见。

4.2 直方图均衡化实验

用上一节提供的带噪声测试图，先查看原图直方图，再做均衡化，比较两者的分布情况。

# 文件路径：exp2_hist_equalize.py import cv2 import numpy as np import matplotlib.pyplot as plt # 以灰度模式读取图像 img = cv2.imread("test_image.png", cv2.IMREAD_GRAYSCALE) # 调用 OpenCV 的直方图均衡化函数 equalized = cv2.equalizeHist(img) # 计算原图和均衡化后的直方图 hist_orig = cv2.calcHist([img], [0], None, [256], [0, 256]) hist_eq = cv2.calcHist([equalized], [0], None, [256], [0, 256]) # 使用 Matplotlib 绘制两幅图像和直方图 plt.figure(figsize=(10, 6)) plt.subplot(2, 2, 1) plt.imshow(img, cmap="gray") plt.title("Original Image") plt.subplot(2, 2, 2) plt.imshow(equalized, cmap="gray") plt.title("Equalized Image") plt.subplot(2, 2, 3) plt.plot(hist_orig, color="black") plt.title("Original Histogram") plt.subplot(2, 2, 4) plt.plot(hist_eq, color="black") plt.title("Equalized Histogram") plt.tight_layout() plt.savefig("hist_result.png", dpi=150) print("结果已保存：hist_result.png")

从运行结果可以看到，原图直方图往往集中在一个较窄的灰度区间，而均衡化后直方图的分布范围明显展开，人眼观察到的图像对比度也更高。这背后的原理就是累计分布函数的灰度重映射。

4.3 Sobel 边缘检测实验

边缘检测考察的是像素灰度突变位置。经典算子中，Sobel 算子实现简单、抗噪能力较强，是课程实验最常要求现场手写或调用的算子之一。

# 文件路径：exp3_sobel.py import cv2 import numpy as np # 读取灰度图 img = cv2.imread("test_image.png", cv2.IMREAD_GRAYSCALE) # 高斯滤波去除部分噪声，减少噪声对边缘检测的干扰 blur = cv2.GaussianBlur(img, (3, 3), 0) # Sobel 算子：参数中 dx=1, dy=0 表示沿水平方向求导，检测垂直边缘 # dx=0, dy=1 表示沿垂直方向求导，检测水平边缘 sobel_x = cv2.Sobel(blur, cv2.CV_64F, 1, 0, ksize=3) sobel_y = cv2.Sobel(blur, cv2.CV_64F, 0, 1, ksize=3) # cv2.Sobel 输出可能是负值，需要取绝对值并转换到 0~255 sobel_x = cv2.convertScaleAbs(sobel_x) sobel_y = cv2.convertScaleAbs(sobel_y) # 将两个方向的边缘强度加权合成 sobel_combined = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0) cv2.imwrite("sobel_x.png", sobel_x) cv2.imwrite("sobel_y.png", sobel_y) cv2.imwrite("sobel_combined.png", sobel_combined) print("Sobel 边缘检测结果已保存")

需要提醒的是，Sobel 算子输出的是梯度幅值，而不是二值化的边缘图。如果希望得到明显的“黑白边缘”，可以继续对sobel_combined做阈值处理，例如：

_, edge_binary = cv2.threshold(sobel_combined, 80, 255, cv2.THRESH_BINARY) cv2.imwrite("sobel_binary.png", edge_binary)

在实验中，阈值不要固定成 80，要观察不同阈值对边缘连续性和噪声抑制的影响，这一点经常会在实验报告的问答题中考察。

4.4 Otsu 全局阈值分割实验

图像分割章节中，基于阈值的分割是最基础、最常考的方法。Otsu 算法的核心在于：自动选择一个灰度阈值，使得分割后前景和背景的类间方差最大。

# 文件路径：exp4_otsu.py import cv2 import numpy as np img = cv2.imread("test_image.png", cv2.IMREAD_GRAYSCALE) # 使用 Otsu 自动阈值分割 # 第一个返回值为阈值，第二个返回值为二值图像 thresh_value, binary = cv2.threshold( img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU ) print("Otsu 自动计算得到的阈值：", thresh_value) cv2.imwrite("otsu_result.png", binary)

为什么固定阈值经常不够用？因为光照不均匀会导致图像同一目标在不同区域的灰度值不同。此时，一个全局阈值无法同时满足所有区域的分割要求，可以引入自适应阈值方法。OpenCV 中提供了cv2.adaptiveThreshold，它会根据每个像素邻域的特性计算局部阈值，在处理复杂背景下通常比全局阈值更有效。

下面这段代码用于对比固定阈值和自适应阈值的差异：

# 固定阈值，把低于 127 的像素设为 0，其余设为 255 _, fixed_binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) # 自适应阈值 adaptive_binary = cv2.adaptiveThreshold( img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blockSize=11, C=2, )

blockSize是计算局部阈值的邻域大小，通常取奇数；C表示从加权均值中减去的常数，C越大，分割结果越倾向于保留更多的暗区域。

5. 形态学、图像分割与图像复原复习要点

5.1 数学形态学：结构元素与基本运算

形态学处理主要针对二值图像，也可以扩展到灰度图像。四种基本运算是：

• 腐蚀（Erosion）：只要结构元素覆盖区域内有一个像素为背景，中心像素就被置为背景。效果是让白色目标变小、消除细小凸起。
• 膨胀（Dilation）：只要结构元素覆盖区域内有一个像素为目标，中心像素就被置为目标。效果是让白色目标变大、填补细小凹陷。
• 开运算（Opening）：先腐蚀后膨胀，作用是去除小椒盐噪声和细小连接。
• 闭运算（Closing）：先膨胀后腐蚀，作用是填充目标内部的小孔和缝隙。

考试常问“为什么开运算可以平滑目标轮廓同时不改变目标面积”。回答思路是：腐蚀步骤先消除细小噪声，膨胀步骤则把剩余目标恢复到接近原来的尺寸，因此对主体面积影响较小。

OpenCV 中调用方式如下：

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) opened = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) closed = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)

5.2 图像分割：边缘、阈值与区域法

图像分割是让课本知识和实际应用紧密连接的一章。期末和考研出现过的题型包括：

• 写出 Sobel、Prewitt、Canny 边缘检测的步骤；
• 利用直方图确定分割阈值；
• 区域生长算法的基本流程；
• 基于连通域标记统计目标数量。

Canny 边缘检测是把多个步骤合在一起的算法，包括高斯滤波去噪、计算梯度幅值和方向、非极大值抑制、双阈值检测和边缘连接。回答“Canny 相比直接使用 Sobel 有什么优势”时，一定要提到“非极大值抑制使边缘更细”“双阈值能减少假边缘”。

区域生长算法是一种典型的区域分割方法，基本流程如下：

1. 选择一组种子像素；
2. 比较种子像素相邻像素与区域的相似性；
3. 将满足相似性条件的像素加入区域；
4. 重复上述过程，直到没有新像素加入。

这个算法的关键在于“相似性准则”的设计，例如灰度差是否小于阈值。如果准则太宽松，区域会过度生长；如果太严格，区域可能分裂成碎片。

5.3 图像复原：退化模型与逆滤波

图像增强是一种主观处理，目的是让人眼看起来更舒服；图像复原则试图根据退化模型来恢复原始图像，通常需要知道降质过程的先验知识。

退化模型可以写成：

[ g(x,y) = H[f(x,y)] + n(x,y) ]

其中 (f(x,y)) 是原始图像，(H) 是退化函数，(n(x,y)) 是加性噪声。图像复原的目标是给定 (g(x,y)) 的观测结果，尽可能恢复 (f(x,y))。

逆滤波是图像复原最基础的方法，但它的缺点是放大了高频噪声。实际中更多使用维纳滤波，它能在抑制噪声和恢复细节之间取得平衡。考试中如果遇到“为什么逆滤波对含噪图像效果很差”，可以从频率域乘性逆滤波放大了高频噪声这一点出发回答。

6. 期末与考研常见题型与答题模板

数字图像处理虽然知识点繁杂，但题型相对固定。以下表格整理了最常出现的题目类型和答题方向：

答题时有一个实用的三段式模板，对很多主观题都适用：

1. 问题拆解：先把题目中的目标拆成“图像中存在什么问题”和“需要得到什么结果”；
2. 方法说明：说明采用什么算法，并简要写出公式或处理步骤；
3. 结果分析：描述处理后图像发生了什么变化，为什么能满足要求。

例如题目是“如何从一张含有椒盐噪声的焊接图像中检测缺陷”，可以这样回答：

第一步，使用 3×3 或 5×5 中值滤波去除椒盐噪声，因为中值滤波对脉冲噪声有很好的抑制效果，同时能保留边缘；第二步，使用灰度变换增强暗部缺陷区域；第三步，用 Otsu 阈值分割将缺陷从背景中分离出来；第四步，对分割结果做形态学闭运算，填充缺陷内部的孔洞。最后计算连通域面积或数量，判断是否存在缺陷。

7. 常见问题与排查思路

在运行代码和复习过程中，有一批高频问题几乎每个人都会遇到，这里整理成表格方便排查：

实际排错时，最重要的习惯是“分阶段保存中间结果”。很多同学直接运行总代码，一旦输出异常就不知道问题出在哪个环节。正确做法是在滤波前、滤波后、分割前、分割后各保存一张图，用肉眼判断每一步是否达到预期效果，再决定下一步怎么调整。

8. 工程与备考实践建议

8.1 实验代码要注意什么？

课程实验和工程代码不一样，实验更看重“算法步骤清晰”和“结果可解释”。建议在代码注释里写清楚每个函数对应于教材中的哪个算法，而不仅仅写一句“调用 opencv 函数”。

例如，当你写cv2.equalizeHist(img)时，注释可以写成：

# 直方图均衡化： # 1. 统计灰度频数 # 2. 计算累计分布函数 # 3. 将灰度映射到 [0,255] equalized = cv2.equalizeHist(img)

这样写，一方面有利于实验报告整理，另一方面在考研复试时如果老师问“你是真的理解还是只调库”，你能说出函数背后的处理流程。

8.2 对高频考点形成自己的知识闭环

数字图像处理复习到最后，一个有效的自测方式是“白纸闭卷画图”。拿一张 A4 纸，凭记忆画出全书章节导图，每章写下至少 5 个核心概念和 2 个公式。例如在“空间滤波”下面，你要能写出高斯滤波的作用、Sobel 算子模板、均值滤波的缺点、边缘检测与锐化的关系。

如果某一部分只记得名词而写不出细节，说明这部分还没有真正内化，需要回到教材对应章节重新梳理。计算题只靠看是永远不够的，建议认真做课后题和往年试卷，尤其要把图像数据量、直方图均衡化映射表、3×3 滤波输出值这三类计算题练到条件反射的程度。

8.3 复习优先级与避坑建议

时间紧张的情况下，优先复习以下核心内容：

• 图像数字化与像素关系；
• 灰度变换与直方图均衡化；
• 空间滤波模板与边缘检测；
• 图像分割中的阈值法和边缘法；
• 形态学四种基本运算及其应用；
• 图像压缩里的有损与无损编码概念。

有几点避坑想法也分享给正在准备复试的同学：

不要花大量时间背冷门算法的繁琐代码，要把精力放在“算法思想、适用场景、基本步骤”上。复试面试时，老师更看重的是思路是否清晰，而不是你能不能默写源码。真正拉开分数差距的，往往是“这个算法有什么优缺点”“什么场景下使用会失效”这类开放性问题。回答时不要绕弯子，直接给出核心结论，再补充原因，就能给老师留下很干练的印象。

复习到后期，可以把本文当作一张“考点导航图”，如果哪个章节提到的方法你不能在三秒钟内说出“是什么、解决什么问题、怎么实现”，就回到课本去补齐。图像处理是门实践性很强的课程，把重要算法用代码实现一遍，很多原本抽象的概念会瞬间变得具体。