数字图像处理课程教学改革研究

导语：数字图像处理课程教学改革研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要:随着人工智能技术的大力发展，数字图像处理技术呈现出方法更新速度快、应用场景多、领域交叉融合等特点，传统的数字图像处理技术课程教学难以满足学科发展的新趋势。本文主要从课程内容优化、教学方法改革、实验教学设置等三个方面探讨人工智能视域下数字图像处理课程的教学改革，旨在突破传统教学内容与方法的局限，满足培养创新实践人才的需要。

关键词:人工智能；数字图像处理；创新能力；任务驱动

1引言

目前，人工智能发展飞速，并深刻地改变着人类的社会生活。人工智能技术的开发和利用，已为人类创造出巨大的社会和经济效益，几乎渗透到包括移动互联网、智能终端、工业制造、医疗辅助诊断、自动化控制、智能机器人等在内的各个领域，正有力地促进着经济社会的发展。在教育部倡导大力发展新工科、新医科的背景下，人工智能与各个学科的融合起着重要的作用[1]。因此，在人工智能新视域下，如何在课程教学改革中突破传统教学内容与方法的局限，优化课程内容与创新实践人才教学模式，满足人工智能创新性、跨学科、复合型人才培养的需求，是目前课程教学改革过程中面临的关键问题。《数字图像处理》是通信工程、计算机、医学影像技术等多个专业的专业选修课。数字图像处理是信息科学领域的一项高新技术，是对图像进行去噪、增强、复原、分割、压缩等处理的基本方法、技术和手段，以及对图像信息的表示、内在联系和本质规律进行研究的技术。随着科技进步与人工智能技术的发展，数字图像技术被逐渐应用于医学、农业、制造业、航天航空、军事等诸多领域，呈现出与多个学科交叉融合的特点，并成为计算机视觉研究领域的核心基础。由此可见，数字图像处理技术的发展与人工智能密不可分。因此，在《数字图像处理》课程教学过程中，应该高度结合人工智能学科背景，融入前沿理论技术，与计算机视觉现实应用场景相结合，培养创新实践人才。然而，目前《数字图像处理》课堂教学中大多采用传统教学模式，较难满足培养学生创新实践能力的需求，体现在以下几个方面：（1）教材内容大多比较陈旧。一些基础的算法在实际应用中早已过时，未能体现最新技术发展的动态，也缺少人工智能领域的前沿应用场景讲解。（2）理论教学知识点过于分散化。在传统的教学中，教师通常对单个知识点进行逐一讲解，从数学背景到公式推导，理论性较强。这让学生理解困难，且使他们失去了对知识模块之间联系性的掌握，尤其在面对实际复杂应用场景时束手无策。（3）实验教学薄弱，实验工具单一化。目前《数字图像处理》实验教学多以验证性或演示性实验为主，难以培养学生创新思维与解决实际问题的能力。实验工具大多采用MATLAB编程。MATLAB虽然编程环境简单、图像处理功能完善，但它在人工智能算法研发上与Python编程相比尚有许多不足之处。（4）课程教学未体现学科交叉融合的特点。数字图像处理技术课程涉及学科高度交叉融合，在课堂教学中应充分融合医学影像、地理遥感等领域知识，培养学生交叉学科知识的融合应用能力。鉴于此，本文主要从课程教学内容优化、教学方法改革、实验教学实施等方面探讨结合人工智能学科背景的《数字图像处理》课程的教学改革，并提升学生的创新与实践能力，优化课程内容，强化以人工智能应用场景为指导的实践教学，多向融合交叉学科，以期解决现有教学过程中存在的不足。

2研究现状分析

2.1数字图像处理关键技术发展现状。数字图像处理技术主要包括图像数字化、图像增强与复原、图像压缩与分割、图像特征提取以及图像识别等一系列图像处理高级应用。随着人工智能的发展，许多数字图像基础理论已更新，并呈现出新的发展势态。在人工智能背景下，总结数字图像处理技术发展趋势，大致可分为三个方面：一是新方法与新理论层出不穷，迭代更新的速度很快。例如，大量的视觉特征描述算子被提出、卷积神经网络等深度学习方法日益流行。二是应用场景向多元化和智能化发展。数字图像处理技术的应用场景不仅深入到智能手机、随身设备等日常生活领域，而且与医学、遥感、军事等领域的应用结合也日益广泛。图像处理技术与智能化的融合是发展的新趋势。三是硬件设备下移以及机器人视角。自动驾驶汽车、智能机器人等软硬件结合的人工智能对数字图像处理技术提出了更高的要求，需要同时兼顾算法在嵌入式设备下移的效率。通过上述现状分析可知，数字图像处理技术已得到飞速发展，而《数字图像处理》课程还停留在传统模式，难以体现理论技术的应用性与先进性，也无法满足行业对人工智能人才的需要。2.2数字图像处理课程教学改革研究现状。部分国内外学者已对《数字图像处理》课程教学改革进行了颇有成效的探索。S.Kiraly研究了一种融合了教学项目、评估系统和教学案例的信息化教学工具，以提高数字图像处理课程的教学效率[2]。王忠芝等探讨了动态教学演示法、启发式教学方法等多种教学方法，以增强理论教学效果[3]。杜号军结合了LabView虚拟平台的情景教学模式和MATLAB的语言编程优势，提出了数字图像处理实验教学的新方法[4]。王云峰进行了基于PBL(Problem-BasedLearning)教学模式的数字图像处理实践教学改革方案的探索，并设计了相关教学方案[5]。孙曾国等基于Blackboard网络教学平台探讨了项目小组教学模式在数字图像处理课程中的应用，从项目分组、教学过程、考核评价等方面提出了教学改革方案[6]。目前教学改革方法大多是从教学方法和教学工具上进行改革，对教学内容进行优化的探索较少，相对缺少融合人工智能新概念的课程内容优化，亦未能体现学科交叉融合的特点。

3教学改革探讨

3.1课程教学内容优化。《数字图像处理》课程教学普遍存在理论性偏重、许多教学内容陈旧、不少算法已过时的问题，无法与时俱进，也没有涉及人工智能和图像处理领域的最新研究成果。在面临真实的人工智能及图像处理应用场景时，学生难以将在课程中学到的知识应用到实践中。这在很大程度上限制了学生理论联系实际的能力以及创新思维的发展。下面从基础理论更新与优化、前沿研究成果扩充两方面探讨《数字图像处理》课程理论教学内容的优化。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(Localbinarypattern,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。其次，引入图像处理与计算机视觉领域最新的研究成果，形成以图像预处理、图像增强、图像分割、图像特征提取、经典高层应用等为基础授课内容，以新算法、新思想、新应用为创新授课内容。其中经典高层应用包括图像检索与分类；新算法包括视觉词袋模型、卷积神经网络等目前流行的方法；新思想包括大数据与深度学习的思想；新应用包括智能HDR、图像去雾等与现实生活联系紧密的实际应用。以此优化教学大纲，兼顾基础，联系实际，突出前沿，提升学生的人工智能视野与水平，为培养实践创新能力奠定基础。3.2教学方法改革。传统《数字图像处理》课程注重基础理论的讲解，许多知识点理论性较强，公式推导复杂，学生常常难以理解。此外，传统教学过程中，常常将多个理论内容拆分讲解，彼此独立。这种方式虽然针对性较强，但缺乏对知识模块之间关联性的理解，学生难以形成以应用驱动为导向的知识网络，使得教学效果不理想。而事实上，在现实应用场景中，往往需要对数字图像处理技术中的多个知识模块进行综合应用，而不只是某个单一理论知识的使用。例如，在经典的人脸识别案例中，不仅涉及图像预处理、目标分割、特征提取、目标识别等多个环节，而且后一个环节还依赖于前一个环节的处理结果。为此，本文探讨一种基于任务驱动和交叉融合的课堂教学方法，鼓励学生转变被动学习的模式，使其有目的性、针对性地去解决一些与专业方向及人工智能领域相关的课题任务。具体来说，任务驱动模式是以实际应用场景或者人工智能任务需求为驱动，以发展探究思维为目标，以学科的基本结构为内容，促使学生构建自主思考、探究实践的学习体系。而交叉融合教学方法是指，在具体的任务驱动设置中，注重前沿学术成果与课程内容的融合、课内教学与课外实践的融合、创新性实验与学科竞赛的融合、跨学科领域任务的融合等，旨在充分融合前沿科学技术与交叉学科领域，充分调动学生主观能动性和探究实践欲望，开展一系列卓有成效的技术课题探究。具体实施要点包括：（1）通过结合课程知识点，创设课题情景，选择与当前学习主题密切相关的应用问题，引导学生带着真实的“任务”进入学习情境，使得学习更为直观和形象化。（2）以任务为主线，在老师的充分讲解与指导下，强调自主学习与协作学习，老师对任务驱动的学习过程进行把关。（3）充分挖掘与本课程紧密关联的医学影像、遥感图像、工业图像等交叉领域问题，进行有机融合，实现人工智能技术创新的问题分析、模型构建、设计和解决，实现基于任务驱动的多学科交叉知识融合应用。如表2所示，本文给出通信电子类《数字图像处理》课程的部分任务驱动技术课题。其中涉及图像增强、复原、分割、特征提取等多个核心章节，并在一个任务中实现了多个知识点的关联，并且任务均来自遥感、医学、农业、工业等领域的具体人工智能应用场景。3.3实验教学实施。实验教学是培养学生实践与创新能力的重要组成部分。在实验设置、工具使用、实验数据、嵌入式下移教学、第二课堂等方面对实验教学进行优化。具体实施要点如下：（1）在实验设置方面，除了保留部分少数验证性实验，还增加设计综合性实验、开放性实验。设计综合性实验主要为图像分割、图像检索、手写字识别等数字图像处理与计算机视觉领域的经典应用，旨在锻炼学生利用核心算法，融会贯通、解决问题的能力。开放性实验，以当前人工智能领域的热点任务为内容，结合教学单位的科研优势与生产实践，进行创新性专题实验，鼓励学生学习和挖掘授课内容以外的新方法，培养学生的创新能力。（2）在实验工具方面，主要以MATLAB作为验证性实验工具，主要以Python作为设计综合性与开放性实验工具，同时鼓励学生在实验实训过程中使用Tensorflow、Keras等深度学习算法开发工具。（3）在实验教学数据方面，充分体现《数字图像处理》课程学科交叉的特点。例如，借助教学单位附属医院影像科大量的真实医学数据，融入实验教学项目，开展交叉学科实验教学与实验实训。（4）开展嵌入式下移实验教学，形成人工智能新视域下数字图像处理软件+硬件的应用技术教学闭环。以通信电子类专业培养方案为例，通常来说，《数字图像处理》的前驱课程包含了诸多硬件类的课程，可充分满足嵌入式下移实验的知识储备。例如，可通过嵌入式设备下移图像分割等算法，连接摄像头，实现“实时图像分割”等应用场景。通过开展嵌入式下移实验教学，形成专业培养的系统知识网络，培养学生软硬兼备的实践创新能力。（5）开展第二课堂实验教学，使得对本学科感兴趣的优秀学生能够得到进一步的发展机会。利用开放实验室、人工智能兴趣小组、参与指导老师科研项目等多种形式，挖掘创新课题，提出解决问题的思路、方案，设计相应算法，完成创新性实验作品，从而让学生在这个过程中得到创新与实践能力的提升。

4总结

在人工智能大力发展的背景下，本文首先分析了数字图像处理技术的研究现状和发展趋势，从理论与应用层面阐述了数字图像处理课程教学改革面临的挑战。接着从课程内容优化、教学方法改革、实验教学实施等三个方面论述了人工智能视域下数字图像处理教学改革的实施要点与改革举措。本文研究成果可以有效地优化、完善数字图像处理课程的教学内容与方法，为培养具有人工智能研发能力的创新实践人才提供助力。

作者:刘东 方芳 单位:湘南学院软件与通信工程学院