《表1 部分知识模块的教学内容优化》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《人工智能视域下数字图像处理课程的教学改革》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

首先，在基础理论方面，删减部分陈旧的、在实际应用中效率低下的图像处理方法，引入时下流行的、高效的方法作为更新，完善教学内容，使其符合人工智能发展的特点。如表1所示，以图像特征表示章节为例，拟对颜色、形状、纹理、区域描述方法等知识模块进行教学内容优化，引入时下高效的、流行的算法替换部分陈旧的算法，使教学内容符合人工智能技术应用发展的需要。例如，现有教学内容中多数将灰度差分统计等作为纹理特征的主要知识点，但该方法因其性能低下而难以满足实际需求，早已不被现实应用所采纳。而目前人工智能领域广泛使用的局部二值模式（Local binary pattern，LBP）系列纹理描述方法[7]，因其计算简单、鲁棒性强等特点被成功应用人脸识别、医学图像分析诸多场景中。因此，选择局部二值模式及其改进方法作为优化后的纹理描述方法，既从理论方面介绍纹理特征经典描述方法、存在的缺陷以及改进动机，激发学生的创新思维；又在应用层面可直接应用于图像识别等人工智能应用场景，培养学生的实践能力，同时为学生参加各项学科竞赛、从事科学研究工作奠定基础。表1还展示了其他优化后的部分知识模块。这些知识模块都是目前实际应用场景中广泛流行的基础理论，难度适中，完全适用于本科阶段教学。