生物医学图像处理

学分：3.0
教师：吴丹
成绩：92/4.8

两个教学班，诊疗全部预置吴丹老师，仪器全部预置赵立老师，由于排课原因，仪器同学可以换吴丹老师教学班，诊疗同学不能换赵立老师教学班。

成绩构成为作业18（6*3）+实验报告20（第一次2分，后六次一次3分）+大作业（12）+考勤（10）+考试（40）

课程体验呈现一个过山车状态，平时体验很糟糕，期末考试体验非常良好。考勤吴丹老师点了三次，雷达点名，基本每次点都会第一节课说一下，然后第一节课下课的时候签到。作业6次，两周布置一次，相比信号的偏理论计算和推导的作业会简单和水很多，当然也是因为这门课的知识确实没有讲的很深入，大部分自己写和AI做都可以解决，当然最好和同学或者AI对一下答案再交，毕竟看正确率的。然后全对也不一定满分，可能会看你写的内容是否充实（猜测）。然后作业没有任何反馈，交上去之后就不知道哪里错了。期末考试前会有推荐作业。

理论部分内容可参考笔记说明 - LH的资源小站。这门课的主要内容是图像变换、空间滤波、图像频率域变换、图像频率域滤波、图像复原、形态学处理、图像分割、图像配准、图像特征提取、人工智能在图像中的应用（听说下一届不讲了）。每一章大概就是需要关注的就是有哪些算法/特征、如何使用这个算法/特征、为什么用这个算法/特征、这个算法的优点和缺点是什么。公式的话不是特别多，唯一要记的可能就是形态学处理一系列概念、维纳滤波公式、约束最小二乘滤波等等。需要注意的是只知道这个算法用于什么是不够的，还需要大概知道原理，如分水岭、大津法阈值等等，当然这些原理理解起来也不难就是了。

实验报告本学期进行了改革，本学期一共7次实验（2周一次，最后一周是大作业），提交要求是三个文件：

final.ipynb，最终的实验报告格式（70%）
degub.ipynb，记录报错后的修改过程，如无报错则交完整的代码（20%）
discuss.md，记录和大模型的对话记录（10%）

猜测评分主要看final.ipynb，我所有报告的原始分都是90分，听说会赋分。要做的好需要很卷，我看优秀实验报告都很卷，步骤很多，基本是在把实验当大作业做，当然，也有不那么卷的满分报告，我觉得这大概需要一些理解。对于补天选手难以实现。我没有心思也没有耐心花这么多时间在这上面，投入和产出也不成正比。因为要提交和大模型的对话记录，所以可能不鼓励用agent直接一套跑完，当然也不现实，很多时候还是要调参的。听说会记录使用大模型的类型和期末考试成绩的关系，不知道下一届会不会有什么反馈hhh。实验报告可能更看重一些分析吧，虽然觉得大家可能还是比较依赖AI，但应该还是有少部分同学会自己分析的；心得的话第一节课说不重要，但保险起见还是最后写一下心得比较好。然后也可以尝试多做扩展补充工作量，但是自己最好都看一遍，不要出现AI的幻觉就可以。后面希望可以及时地给出报告的反馈，比如学在浙大上的评语呈现。。

大作业3-5人一组，有四个选题，也可以自选题。推荐做自选题，原因是没有评估环节，不会受到评价体系影响，也更自由一些。四个选题分别是

带噪声的眼底血管提取
皮肤病分类
MRI图像退化复原
多模态MRI图像配准

选2的最多，其次是选1的，没有选4的。我做的是1。所有的大作业要求必须使用传统方法（包括传统的机器学习）来做，深度学习作为可选项，但不能作为提交的选项。所有的分数都是赋分来给的。比如一共有四组选择做同一个Project，那在提交代码测试评估环节（Project1有明确的评估指标，为DICE值），可能分配到的分数为100，100，80，80；但是如果只有一组/两组选择做同一个Project，那可能直接全部赋满分。所以选择一个很少人做的Project性价比很高，或者直接做自选题，跳过这一评价体系，在答辩中好好发挥。Pre时间为6-7分钟，还是比较充足的（和信号相比），会对每一个同学提问（吴丹班应该都问了，赵立班好像到后面就所有人回答同一个问题了），老师是任课老师和两个助教，提问非常友好，不会很难，但也可能会比较细节，没有信号答辩中存在的比较压力的王贤迪老师这样的角色。根据我参与信号答辩评分的经验，老师提问的目只是检验你到底有没有认真参与这些工作。报告要求不超过3000字，不需要卷字数，但尽量陈述完整。

人工智能部分有翻转课堂，pre可以加平时分。

这门课平时分扣的是不少的，很难避免一分不扣。所以对于不想花太多时间但又在意成绩的同学，请接受平时分最少扣2分的事实吧。

关于期末考。我平时上课没怎么听，全靠补天。一开始以为很硬核，真正学之后发现主要是定性的而非定量的。所以补天比较愉快。Agent给我做的笔记也不错。然后允许我用一段文字吹一下最后的高质量的期末考试试卷，虽然我最后得分不高。另外，请务必过一遍所有的实验和作业，如果以后出题风格不变的话，这将很有帮助。这也是很正常的，在考试中检验同学是否认真完成实验和作业。我理想中的一份好的试卷应该考察同学的综合素养，在简单题考察同学应试能力，在有题目真正区分同学对课程的掌握能力。

选择题的简单题部分，每一道题都考察核心知识点，却又没有特别本本主义，基本都是结合应用的。同时很多中档题来自作业实验，比如“互信息配准不适合用最速梯度下降法来做”来自配准实验，“莱斯噪声的特点”来自某一次作业，这种结合平时作业和实验的感觉真的很舒服啊，既不为难同学，也检验同学对待作业和实验的程度，同时题目考察又不是完全一样的，避免同学过拟合作业和实验。

有区分度的题，比如椒盐噪声的GLCM选择（考察对GLCM概念的进阶理解），根据代码选图像对应关系（鼓励不要完全依赖AI代码，至少有阅读简单代码的能力），人工智能不出大题出材料选择题考理解，第一题的D选项相当有迷惑性，能够考察对材料的理解，B选项的过拟合又是做大作业过程中会遇到的（问了AI应该是选B吧，不管了我选的是B）。

大题也是如此，基本很少有默写题，都是作业题改编而来，把该送的分都送到位，直方图匹配填表就有8分，不过这个有点狠，没过程很难捞，万一真有算错的呢。配准的题目结合了实验和作业，互相关系数（CC）和雅可比矩阵都在作业中出现过。灰度变换结合实例鼓励你思考分段线性变换和幂律变换、对数变换相比的优势。分割题考了Otsu的具体步骤，说明只知道算法名称是不够的，但同时类似的题也在历年卷出现过，至少每一种算法都要会算。最后一题图像复原的区分度很良好，因为我这种补天选手自然是不太知道如何设计的，当然不是说你平时学了就能知道的，还是比较考验综合能力和理解的，占6分的比例也可以区分真正理解相关原理的同学。

总之，图像这门课平时上的不深，所以考试很难做到很难，至少像信号那样难，大家考过信号应该会有所体会，我也参与了前几题的阅卷，我想很难在图像的大题看到如此惨烈的局面。但是对每一种算法、每一种滤波方式不能只停留在死记硬背应该用什么方法处理什么问题，而是要真正理解如何用这个算法、为什么用这个算法，并且认真做作业和实验，考试大概率能拿到一个理想的分数。