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…