身份认证 购VIP最低享 7 折!
基于无网格法的三维功能梯度材料问题分析,王莉华,褚福运,采用无网格径向基函数配点法分析三维功能梯度材料板的静力和动力问题,该方法在全域内采用具有无限连续性的径向基函数作为近似函
第0章 初识数字图像处理与机器视觉 1
0.1.1 什么是数字图像 1
0.1.2 数字图像的显示 1
0.1.3 数字图像的分类 2
0.1.4 数字图像的实质 3
0.1.5 数字图像的表示 4
0.1.6 图像的空间和灰度级分辨率 4
0.2 数字图像处理与机器视觉 5
0.2.1 从图像处理到图像识别 5
0.2.2 什么是机器视觉 6
0.2.3 数字图像处理和识别的应用实例 7
0.3 数字图像处理的预备知识 8
0.3.1 邻接性、连通性、区域和边界 8
0.3.2 距离度量的几种方法 9
0.3.3 基本的图像操作 10
第1章 MATLAB数字图像处理编程基础 11
1.1.2 文件操作 12
1.1.3 在线帮助的使用 13
1.1.4 变量的使用 15
1.1.5 矩阵的使用 17
1.1.7 关系运算与逻辑运算 20
1.1.8 常用图像处理数学函数 21
1.1.10 M文件编写 25
1.2 MATLAB图像类型及其存储方式 28
1.4 读取和写入图像文件 32
1.5 图像的显示 34
2.1 位图文件及其C++操作 37
2.1.1 设备无关位图 37
2.1.2 BMP图像文件数据结构 37
2.2.1 主要成员函数列表 40
2.2.2 公有成员 41
2.3.1 加载和写入图像 41
2.3.2 获得图像基本信息 44
2.3.3 检验有效性 45
2.3.4 按像素操作 45
2.3.5 改变图像大小 47
2.3.6 重载的运算符 47
2.3.7 在屏幕上绘制位图图像 48
2.3.8 新建图像 48
2.3.9 图像类型的判断与转化 50
2.5.1 打开图像 54
2.5.2 清空图像 55
2.5.3 像素初始化方法 56
2.5.4 保存图像 57
第3章 图像的点运算 58
3.1 灰度直方图 58
3.1.1 理论基础 58
3.2 灰度的线性变换 63
3.2.1 理论基础 63
3.3 灰度对数变换 67
3.3.1 理论基础 67
3.4 伽玛变换 70
3.4.1 理论基础 70
3.5 灰度阈值变换 73
3.5.1 理论基础 73
3.6 分段线性变换 76
3.6.1 理论基础 76
3.7 直方图均衡化 82
3.7.1 理论基础 82
3.8 直方图规定化(匹配) 86
3.8.1 理论基础 86
第4章 图像的几何变换 92
4.1 解决几何变换的一般思路 92
4.2 图像平移 94
4.2.1 图像平移的变换公式 94
4.2.2 图像平移的实现 94
4.3 图像镜像 96
4.3.1 图像镜像的变换公式 96
4.3.2 图像镜像的实现 97
4.4 图像转置 99
4.4.1 图像转置的变换公式 99
4.4.2 图像转置的实现 99
4.5 图像缩放 101
4.5.1 图像缩放的变换公式 101
4.5.2 图像缩放的实现 101
4.6 图像旋转 103
4.6.1 以原点为中心的图像旋转 103
4.6.2 以任意点为中心的图像旋转 104
4.6.3 图像旋转的实现 105
4.7 插值算法 106
4.7.1 最近邻插值 106
4.7.2 双线性插值 107
4.7.3 高阶插值 109
4.8 图像配准简介 111
4.8.1 图像配准 112
4.8.2 人脸图像配准的MATLAB实现 112
4.9 Visual C++高级应用实例——汽车牌照的投影失真校正 115
4.9.1 系统分析与设计 116
4.9.2 系统实现 117
4.9.3 功能测试 122
第5章 空间域图像增强 126
5.1 图像增强基础 126
5.2 空间域滤波 127
5.3 图像平滑 133
5.3.1 平均模板及其实现 133
5.3.2 高斯平滑及其实现 134
5.3.4 自适应平滑滤波 139
5.4 中值滤波 140
5.4.1 性能比较 140
5.4.2 一种改进的中值滤波策略 144
5.4.3 中值滤波的工作原理 145
5.5 图像锐化 145
5.5.1 理论基础 145
5.5.2 基于一阶导数的图像增强——梯度算子 145
5.5.3 基于二阶微分的图像增强——拉普拉斯算子 149
5.5.4 基于一阶与二阶导数的锐化算子的比较 151
5.5.5 高提升滤波及其实现 152
第6章 频率域图像增强 159
6.1 频率域滤波——与空间域滤波殊途同归 159
6.2 傅里叶变换基础知识 159
6.2.1 傅里叶级数 159
6.2.2 傅里叶变换 161
6.2.3 幅度谱、相位谱和功率谱 163
6.2.4 傅里叶变换的实质——基的转换 165
6.3 快速傅里叶变换及实现 166
6.3.1 FFT变换的必要性 167
6.3.3 按时间抽取的基-2 FFT算法 168
6.3.4 离散反傅里叶变换的快速算法 171
6.3.5 N维快速傅里叶变换 171
6.4 频域滤波基础 183
6.4.1 频域滤波与空域滤波的关系 183
6.4.2 频域滤波的基本步骤 184
6.5 频率域低通滤波器 187
6.5.1 理想低通滤波器及其实现 187
6.5.2 高斯低通滤波器及其实现 191
6.6 频率域高通滤波器 195
6.6.1 高斯高通滤波器及其实现 195
6.6.2 频域拉普拉斯滤波器及其实现 198
6.7 MATLAB综合案例——利用频域滤波消除周期噪声 201
6.7.1 频域带阻滤波器 201
6.7.2 带阻滤波器消除周期噪声 202
6.8 频域滤波器与空域滤波器之间的内在联系 204
第7章 小波变换 207
7.1 多分辨率分析 207
7.1.1 多分辨率框架 207
7.1.2 分解与重构的实现 213
7.1.3 图像处理中分解与重构的实现 214
7.3 常见小波分析 223
7.4 高维小波 227
第8章 图像复原 230
8.1 图像复原的理论模型 230
8.1.1 图像复原的基本概念 230
8.1.2 图像复原的一般模型 232
8.2 噪声模型 232
8.2.1 噪声种类 233
8.3 空间滤波 244
8.3.1 空域滤波原理 244
8.4 逆滤波复原 250
8.4.1 逆滤波原理 250
8.5 维纳滤波复原 256
8.5.1 维纳滤波原理 256
8.6 有约束最小二乘复原 262
8.8 盲去卷积图像复原 266
8.9 MATLAB图像复原综合案例——去除照片的运动模糊 268
第9章 彩色图像处理 270
9.1 彩色基础 270
9.2 彩色模型 272
9.3 全彩色图像处理基础 296
第10章 图像压缩 300
10.1 图像压缩理论 300
10.1.1 图像冗余 300
10.1.2 香农定理 303
10.1.3 保真度评价 304
10.3 预测编码 312
10.4 霍夫曼编码 313
10.4.1 霍夫曼编码原理 313
10.5 算术编码 324
10.5.1 算术编码原理 324
10.6 游程编码 330
第11章 形态学图像处理 341
11.1 预备知识 341
11.2 二值图像中的基本形态学运算 342
11.2.1 腐蚀及其实现 343
11.2.2 膨胀及其实现 350
11.2.3 开运算及其实现 353
11.2.4 闭运算及其实现 356
11.3 二值图像中的形态学应用 357
11.3.1 击中与击不中变换及其实现 357
11.3.2 边界提取与跟踪及其实现 359
11.3.4 连通分量提取及其实现 365
11.4 灰度图像中的基本形态学运算 383
11.4.1 灰度膨胀及其实现 383
11.4.2 灰度腐蚀及其实现 386
11.4.3 灰度开、闭运算及其实现 389
第12章 图像分割 395
12.1 图像分割概述 395
12.2 边缘检测 396
12.2.1 边缘检测概述 396
12.2.2 常用的边缘检测算子 397
12.3 霍夫变换 409
12.3.1 直线检测 409
12.3.2 曲线检测 411
12.3.3 任意形状的检测 411
12.4 阈值分割 418
12.4.1 阈值分割方法 419
12.5 区域分割 425
12.5.1 区域生长及其实现 425
12.5.2 区域分裂与合并及其MATLAB实现 429
第13章 特征提取 434
13.1 图像特征概述 434
13.2 基本统计特征 436
13.2.1 简单的区域描绘子及其MATLAB实现 436
13.2.2 直方图及其统计特征 437
13.3 特征降维 442
13.3.1 维度灾难 442
13.3.2 特征选择简介 443
13.3.3 主成分分析 444
13.4 综合案例——基于PCA的人脸特征抽取 451
13.4.1 数据集简介 452
13.4.2 生成样本矩阵 452
13.4.3 主成分分析 453
13.4.4 主成分脸可视化分析 454
13.4.5 基于主分量的人脸重建 456
13.5 局部二进制模式 457
第14章 图像识别初步 470
14.1 模式识别概述 470
14.2 模式识别方法分类 474
14.3 最小距离分类器和模板匹配 476
14.3.1 最小距离分类器及其MATLAB实现 476
14.3.2 基于相关的模板匹配 477
14.3.3 相关匹配的计算效率 482
第15章 人工神经网络 484
15.1 人工神经网络简介 484
15.1.1 仿生学动机 484
15.1.2 人工神经网络的应用实例 486
15.2 人工神经网络的理论基础 487
15.2.1 训练线性单元的梯度下降算法 487
15.2.2 多层人工神经网络 492
15.2.5 训练中的问题 496
15.3 基于ANN的数字字符识别系统DigitRec——分析与设计 498
15.3.1 任务描述 498
15.3.2 数据集简介 498
15.3.3 设计要点 498
15.4 基于ANN的数字字符识别系统——DigitRec的实现 500
15.5 基于ANN的数字字符识别系统——DigitRec的测试 526
15.6.2 输入图像的预处理——实现 528
15.6.3 输入图像的预处理——测试 539
15.7 神经网络参数对训练和识别的影响 540
15.7.1 隐藏层单元数目的影响 540
15.7.2 学习率的影响 541
15.7.3 训练时代数目的影响 542
第16章 支持向量机 544
16.1 支持向量机的分类思想 544
16.2 支持向量机的理论基础 545
16.2.1 线性可分情况下的SVM 545
16.2.2 非线性可分情况下的C-SVM 548
16.2.3 需要核函数映射情况下的SVM 550
16.2.4 推广到多类问题 553
16.3.3 应用实例 557
16.4 综合案例——基于PCA和SVM的人脸识别系统 557
16.4.1 人脸识别简介 558
16.4.2 前期处理 558
16.4.3 数据规格化 558
16.4.4 核函数的选择 561
16.4.5 参数选择 562
16.4.6 构建多类SVM分类器 564
16.4.7 实验结果 566
17.4 MATLAB综合案例——基于AdaBoost的面部图像男女性别分类 580
17.4.1 关于数据集 580
17.4.2 数据的预处理 581
17.4.3 算法流程实现 581
我一直弄不懂,在机器学习中,样本多与少的界线在哪里,比如相比于1K,1个样本是少,相比于100W,1000样本是少的,相比于深度学习数据,传统机器学习…