數(shù)字圖像處理及應(yīng)用（第2版）

理論篇 （1）
第1章 數(shù)字圖像處理的基礎(chǔ)知識(shí) （1）
1．1 數(shù)字圖像處理概述 （1）
1．1．1 圖像和數(shù)字圖像 （1）
1．1．2 數(shù)字圖像處理的主要研究?jī)?nèi)容 （3）
1．1．3 數(shù)字圖像處理的發(fā)展及應(yīng)用 （4）
1．2 圖像的獲取技術(shù) （7）
1．2．1 圖像的獲取手段 （7）
1．2．2 圖像的顯示與輸出 （9）
1．3 圖像數(shù)字化 （9）
1．3．1 采樣 （10）
1．3．2 量化 （10）
1．4 圖像數(shù)據(jù)的表示與存儲(chǔ) （11）
1．4．1 彩色空間 （11）
1．4．2 圖像類型 （14）
1．4．3 數(shù)字圖像的表示 （15）
1．4．4 圖像數(shù)據(jù)的存儲(chǔ) （15）
1．5 圖像質(zhì)量評(píng)價(jià) （19）
1．5．1 人類視覺系統(tǒng) （19）
1．5．2 圖像質(zhì)量主觀評(píng)價(jià) （21）
1．5．3 圖像質(zhì)量客觀評(píng)價(jià) （22）
1．5．4 算法性能評(píng)價(jià) （24）
小結(jié) （25）
習(xí)題 （25）
第2章 圖像的數(shù)學(xué)變換 （26）
2．1 幾何變換 （26）
2．1．1 空間變換 （26）
2．1．2 灰度級(jí)插值 （28）
2．1．3 幾何校正 （30）
2．2 傅里葉變換 （31）
2．2．1 一維傅里葉變換 （32）
2．2．2 二維離散傅里葉變換 （33）
2．2．3 二維離散傅里葉變換的性質(zhì) （34）
2．2．4 快速傅里葉變換（FFT） （38）
2．3 離散余弦變換 （42）
2．3．1 離散余弦變換的定義 （42）
2．3．2 快速離散余弦變換 （43）
2．4 Gabor變換 （44）
2．4．1 短時(shí)傅里葉變換 （45）
2．4．2 連續(xù)Gabor變換 （47）
2．4．3 離散Gabor變換 （48）
2．4．4 高斯窗Gabor函數(shù) （48）
2．5 離散K-L變換 （51）
2．5．1 離散K-L變換介紹 （52）
2．5．2 離散K-L變換的性質(zhì) （53）
2．5．3 主成分分析（PCA） （54）
2．6 Radon變換 （56）
2．6．1 Radon變換介紹 （56）
2．6．2 Radon變換的性質(zhì) （57）
2．7 小波變換 （58）
2．7．1 多分辨率分析的背景知識(shí) （58）
2．7．2 多分辨率展開 （61）
2．7．3 一維小波變換 （66）
2．7．4 快速小波變換 （69）
2．7．5 二維離散小波變換 （73）
2．8 數(shù)學(xué)變換在圖像處理中的應(yīng)用 （76）
2．8．1 傅里葉變換在圖像去噪中的應(yīng)用 （76）
2．8．2 離散余弦變換在圖像壓縮中的應(yīng)用 （77）
2．8．3 Gabor變換在紋理分析中的應(yīng)用 （78）
2．8．4 小波變換在圖像壓縮中的應(yīng)用 （79）
2．8．5 小波變換在圖像去噪中的應(yīng)用 （80）
2．8．6 小波變換在邊緣檢測(cè)中的應(yīng)用 （81）
2．8．7 小波變換在圖像融合中的應(yīng)用 （83）
2．8．8 小波變換在圖像增晰中的應(yīng)用 （84）
小結(jié) （85）
習(xí)題 （85）
第3章 圖像增強(qiáng) （87）
3．1 灰度級(jí)修正 （88）
3．1．1 灰度的線性變換 （88）
3．1．2 灰度的非線性變換 （90）
3．1．3 直方圖修正 （91）
3．2 圖像平滑 （97）
3．2．1 鄰域平均法 （97）
3．2．2 中值濾波 （100）
3．2．3 幀間平滑 （102）
3．2．4 頻域低通濾波法 （103）
3．3 圖像銳化 （107）
3．3．1 微分法 （107）
3．3．2 頻域高通濾波法 （112）
3．4 圖像增晰 （114）
3．4．1 同態(tài)濾波 （114）
3．4．2 基于Retinex的增強(qiáng) （116）
3．4．3 基于LIP的增強(qiáng) （118）
3．4．4 基于照度區(qū)域劃分的增強(qiáng) （123）
3．5 彩色增強(qiáng) （127）
3．5．1 偽彩色增強(qiáng) （127）
3．5．2 真彩色增強(qiáng) （130）
小結(jié) （131）
習(xí)題 （131）
第4章 圖像復(fù)原 （133）
4．1 圖像的退化模型 （134）
4．1．1 圖像的退化與復(fù)原過程 （134）
4．1．2 連續(xù)函數(shù)的退化模型 （135）
4．1．3 離散函數(shù)的退化模型 （136）
4．1．4 圖像復(fù)原的基本步驟 （138）
4．2 常用的圖像退化模型 （139）
4．3 退化模型的參數(shù)估計(jì) （141）
4．3．1 運(yùn)動(dòng)模糊的退化原理 （141）
4．3．2 運(yùn)動(dòng)模糊退化模型的參數(shù)估計(jì) （145）
4．3．3 散焦模糊的退化原理 （154）
4．3．4 散焦模糊退化模型的參數(shù)估計(jì) （155）
4．4 圖像復(fù)原的典型方法 （156）
4．4．1 逆濾波法 （157）
4．4．2 維納濾波 （159）
4．4．3 等功率譜濾波 （161）
4．4．4 幾何均值濾波器 （162）
4．4．5 無約束最小二乘復(fù)原方法 （162）
4．4．6 有約束最小二乘復(fù)原方法 （163）
4．4．7 投影復(fù)原法 （166）
4．4．8 Richardson-Lucy算法 （167）
4．4．9 振鈴效應(yīng)的去除 （168）
4．5 圖像復(fù)原的質(zhì)量評(píng)價(jià) （169）
4．5．1 有參考的圖像質(zhì)量評(píng)價(jià) （169）
4．5．2 無參考的圖像質(zhì)量評(píng)價(jià) （171）
小結(jié) （172）
習(xí)題 （173）
第5章 圖像壓縮編碼 （174）
5．1 圖像壓縮編碼概述 （174）
5．1．1 圖像壓縮編碼的必要性和可行性 （174）
5．1．2 圖像壓縮編碼的發(fā)展 （175）
5．1．3 圖像壓縮編碼的分類 （176）
5．2 圖像壓縮編碼的基本理論 （177）
5．2．1 信息的度量 （177）
5．2．2 香農(nóng)編碼定理 （178）
5．2．3 圖像壓縮編碼的一般流程 （180）
5．3 經(jīng)典圖像壓縮編碼方法 （181）
5．3．1 霍夫曼編碼 （181）
5．3．2 算術(shù)編碼 （183）
5．3．3 游程編碼 （184）
5．3．4 預(yù)測(cè)編碼 （184）
5．3．5 變換編碼 （187）
5．4 現(xiàn)代圖像壓縮編碼方法 （189）
5．4．1 分形編碼 （190）
5．4．2 模型基編碼 （191）
5．4．3 小波變換編碼 （193）
5．4．4 神經(jīng)網(wǎng)絡(luò)編碼 （194）
5．5 圖像壓縮編碼的性能評(píng)價(jià) （195）
5．6 圖像壓縮技術(shù)標(biāo)準(zhǔn) （198）
5．6．1 靜止圖像壓縮標(biāo)準(zhǔn)簡(jiǎn)介 （198）
5．6．2 運(yùn)動(dòng)圖像壓縮標(biāo)準(zhǔn)簡(jiǎn)介 （201）
小結(jié) （203）
習(xí)題 （203）
第6章 圖像分割 （204）
6．1 非連續(xù)性分割 （205）
6．1．1 點(diǎn)檢測(cè) （205）
6．1．2 線檢測(cè) （206）
6．1．3 邊緣檢測(cè) （207）
6．1．4 基于梯度的局部處理 （210）
6．1．5 基于Hough變換的全局處理 （212）
6．1．6 基于圖論的全局處理 （214）
6．2 閾值分割 （216）
6．2．1 閾值分割的原理 （216）
6．2．2 最小誤差閾值分割 （217）
6．2．3 最大類間方差閾值分割 （218）
6．2．4 最大熵閾值分割 （220）
6．3 基于區(qū)域的分割 （223）
6．3．1 區(qū)域生長(zhǎng)法 （223）
6．3．2 分裂合并法 （226）
6．4 聚類分割 （228）
6．4．1 K-均值聚類 （228）
6．4．2 模糊C均值聚類 （231）
6．4．3 Mean-shift聚類分割 （232）
6．5 基于參數(shù)活動(dòng)輪廓模型的分割 （236）
6．5．1 傳統(tǒng)Snake模型 （237）
6．5．2 GVF Snake模型 （240）
6．6 基于幾何形變模型的分割 （243）
6．6．1 曲線演化理論 （243）
6．6．2 水平集方法及其數(shù)值實(shí)現(xiàn) （244）
6．6．3 幾何活動(dòng)輪廓模型 （248）
6．6．4 測(cè)地活動(dòng)輪廓模型 （250）
6．6．5 Chan-Vese模型 （252）
6．7 基于圖論的分割 （255）
6．8 圖像分割的性能評(píng)價(jià) （259）
小結(jié) （262）
習(xí)題 （263）
第7章 圖像的形態(tài)學(xué)處理 （265）
7．1 數(shù)學(xué)形態(tài)學(xué)概述 （265）
7．1．1 數(shù)學(xué)形態(tài)學(xué) （265）
7．1．2 數(shù)學(xué)形態(tài)學(xué)的基本思想 （266）
7．2 二值形態(tài)學(xué) （266）
7．2．1 幾個(gè)基本符號(hào)和定義 （267）
7．2．2 二值腐蝕和膨脹 （268）
7．2．3 二值開運(yùn)算和閉運(yùn)算 （270）
7．2．4 擊中、擊不中變換及其應(yīng)用 （272）
7．2．5 骨架抽取 （275）
7．3 灰度形態(tài)學(xué) （277）
7．3．1 灰度形態(tài)學(xué)的相關(guān)概念 （277）
7．3．2 灰度腐蝕和膨脹 （279）
7．3．3 灰度開運(yùn)算和閉運(yùn)算 （281）
7．3．4 灰度形態(tài)學(xué)梯度 （283）
7．3．5 Top-Hat變換 （284）
7．4 水域分割 （285）
小結(jié) （288）
習(xí)題 （288）
第8章 圖像的描述 （290）
8．1 幾何描述 （290）
8．2 邊界描述 （292）
8．2．1 鏈碼 （292）
8．2．2 傅里葉描述子 （294）
8．3 形狀描述 （295）
8．3．1 區(qū)域描述 （295）
8．3．2 圖像矩 （297）
8．4 直方圖描述 （300）
8．4．1 直方圖特征 （300）
8．4．2 梯度方向直方圖 （302）
8．4．3 韋伯局部描述子 （304）
8．5 顏色描述 （308）
8．6 紋理描述 （310）
8．6．1 自相關(guān)函數(shù) （310）
8．6．2 灰度差分統(tǒng)計(jì) （311）
8．6．3 等灰度游程長(zhǎng)度 （312）
8．6．4 灰度共生矩陣 （313）
8．6．5 傅里葉功率譜紋理分析 （315）
8．6．6 局部二元模式（LBP 特征） （317）
8．6．7 Gabor小波紋理描述 （319）
小結(jié) （323）
習(xí)題 （323）
應(yīng)用篇 （325）
第9章 圖像匹配 （325）
9．1 圖像匹配概述 （325）
9．2 基于灰度信息的圖像匹配 （326）
9．2．1 絕對(duì)平衡搜索匹配 （327）
9．2．2 歸一化互相關(guān)匹配 （327）
9．2．3 最大互信息匹配 （328）
9．3 基于特征的圖像匹配 （329）
9．3．1 基于點(diǎn)特征的匹配 （329）
9．3．2 基于線特征的匹配 （332）
9．3．3 基于不變矩的匹配 （335）
9．3．4 基于相位相關(guān)的匹配 （336）
9．4 基于局部不變描述子的圖像匹配 （337）
9．4．1 SIFT特征描述子 （338）
9．4．2 SURF特征描述子 （344）
9．4．3 基于SIFT/SURF特征的匹配 （349）
9．4．4 D-nets特征描述子 （352）
9．4．5 基于D-nets特征的匹配 （352）
9．4．6 基于最大穩(wěn)定極值區(qū)域的匹配 （354）
小結(jié) （359）
習(xí)題 （359）
第10章 圖像融合 （360）
10．1 圖像融合的概況介紹 （360）
10．1．1 圖像融合的要求 （360）
10．1．2 圖像融合的困難與挑戰(zhàn) （360）
10．1．3 圖像融合的系統(tǒng)模型 （361）
10．1．4 多源圖像融合的應(yīng)用 （362）
10．2 像素級(jí)圖像融合方法 （363）
10．2．1 基于空間域的像素級(jí)圖像融合方法 （364）
10．2．2 基于變換域的像素級(jí)圖像融合方法 （365）
10．3 特征級(jí)圖像融合方法 （367）
10．3．1 基于邊緣特征的圖像融合方法 （367）
10．3．2 基于梯度特征的圖像融合方法 （367）
10．4 決策級(jí)圖像融合方法 （367）
10．4．1 基于表決法的決策級(jí)融合方法 （368）
10．4．2 基于貝葉斯推理的決策級(jí)融合方法 （368）
10．4．3 基于證據(jù)理論的決策級(jí)融合方法 （369）
10．5 多源圖像融合的實(shí)例與分析 （369）
10．5．1 區(qū)域融合方法概述 （369）
10．5．2 區(qū)域分割和標(biāo)簽 （371）
10．5．3 區(qū)域融合 （372）
10．6 多源圖像融合的性能評(píng)價(jià) （374）
小結(jié) （376）
習(xí)題 （377）
第11章 圖像目標(biāo)檢測(cè) （378）
11．1 基本問題概述 （378）
11．2 運(yùn)動(dòng)目標(biāo)檢測(cè) （380）
11．2．1 運(yùn)動(dòng)圖像序列的背景建模 （381）
11．2．2 靜止背景下的運(yùn)動(dòng)目標(biāo)檢測(cè) （382）
11．2．3 動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè) （385）
11．3 有形目標(biāo)檢測(cè) （388）
11．3．1 基于圖像分割的目標(biāo)檢測(cè)方法 （389）
11．3．2 基于模板匹配的目標(biāo)檢測(cè)方法 （390）
11．3．3 基于機(jī)器學(xué)習(xí)的目標(biāo)檢測(cè)方法 （392）
11．4 弱小目標(biāo)檢測(cè) （392）
11．4．1 弱小目標(biāo)檢測(cè)的基本原理 （393）
11．4．2 弱小目標(biāo)檢測(cè)中的背景抑制 （395）
11．4．3 基于單幀的弱小目標(biāo)檢測(cè)算法 （397）
11．4．4 基于多幀的弱小目標(biāo)檢測(cè)算法 （399）
11．5 目標(biāo)檢測(cè)的性能評(píng)價(jià) （402）
11．5．1 目標(biāo)檢測(cè)中的通用性能評(píng)價(jià)指標(biāo) （402）
11．5．2 ROC曲線評(píng)估模型 （405）
小結(jié) （406）
習(xí)題 （407）
第12章 目標(biāo)跟蹤 （408）
12．1 目標(biāo)跟蹤問題概述 （408）
12．2 基于模型驅(qū)動(dòng)的跟蹤方法 （411）
12．2．1 目標(biāo)的運(yùn)動(dòng)模型 （411）
12．2．2 貝葉斯估計(jì)理論 （413）
12．2．3 卡爾曼濾波 （414）
12．2．4 粒子濾波 （417）
12．3 基于數(shù)據(jù)驅(qū)動(dòng)的跟蹤方法 （421）
12．3．1 波門跟蹤方法 （421）
12．3．2 基于模板匹配的跟蹤方法 （422）
12．3．3 基于活動(dòng)輪廓的跟蹤方法 （422）
12．3．4 基于核的跟蹤方法 （423）
12．3．5 基于子空間學(xué)習(xí)的跟蹤方法 （426）
12．3．6 基于機(jī)器學(xué)習(xí)的跟蹤方法 （428）
12．4 多目標(biāo)跟蹤 （430）
12．4．1 多目標(biāo)跟蹤的基本原理 （431）
12．4．2 最近鄰法（NN） （432）
12．4．3 概率數(shù)據(jù)關(guān)聯(lián)濾波器（PDAF） （433）
12．4．4 聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)濾波器（JPDAF） （434）
12．4．5 多假設(shè)跟蹤 （436）
小結(jié) （438）
習(xí)題 （438）
第13章 圖像識(shí)別 （439）
13．1 圖像識(shí)別系統(tǒng) （439）
13．2 特征提取與特征數(shù)據(jù)處理 （440）
13．2．1 原始特征的形成 （441）
13．2．2 線性特征提取 （441）
13．2．3 非線性特征提取 （443）
13．2．4 特征袋模型 （447）
13．2．5 稀疏編碼 （449）
13．2．6 特征選擇 （450）
13．3 統(tǒng)計(jì)分類器 （453）
13．3．1 線性分類器 （454）
13．3．2 最近鄰分類器 （455）
13．3．3 Bayes分類器 （455）
13．4 人工神經(jīng)元網(wǎng)絡(luò) （456）
13．4．1 基本原理 （456）
13．4．2 BP神經(jīng)網(wǎng)絡(luò) （457）
13．4．3 模糊神經(jīng)網(wǎng)絡(luò) （459）
13．4．4 組合神經(jīng)網(wǎng)絡(luò) （463）
13．5 支持向量機(jī)分類 （465）
13．5．1 最優(yōu)分類面 （465）
13．5．2 支持向量機(jī) （466）
13．5．3 核函數(shù)的選擇 （467）
13．6 分類器增強(qiáng)算法――AdaBoost （468）
小結(jié) （469）
習(xí)題 （469）
第14章 工程應(yīng)用系統(tǒng)案例分析 （471）
14．1 免疫細(xì)胞圖像分析系統(tǒng) （471）
14．1．1 圖像的自動(dòng)分割 （472）
14．1．2 目標(biāo)定位 （472）
14．1．3 細(xì)胞提取 （474）
14．1．4 細(xì)胞測(cè)量 （474）
14．2 皮膚鏡圖像分析系統(tǒng) （475）
14．2．1 皮膚鏡圖像的預(yù)處理 （476）
14．2．2 皮膚鏡圖像的分割 （477）
14．2．3 皮損目標(biāo)的特征提取 （478）
14．2．4 皮損目標(biāo)的分類識(shí)別 （479）
14．3 鐵路扣件損傷檢測(cè)系統(tǒng) （479）
14．3．1 軌面定位 （480）
14．3．2 軌枕定位 （481）
14．3．3 扣件目標(biāo)檢測(cè) （481）
14．3．4 扣件區(qū)域增強(qiáng) （481）
14．3．5 扣件目標(biāo)特征提取 （483）
14．3．6 扣件目標(biāo)損傷狀態(tài)識(shí)別 （483）
14．4 交通監(jiān)控車牌識(shí)別系統(tǒng) （484）
14．4．1 預(yù)處理增強(qiáng) （485）
14．4．2 車牌檢測(cè) （486）
14．4．3 虛警去除 （487）
14．4．4 字符分割 （489）
14．4．5 字符識(shí)別 （489）
小結(jié) （491）
參考文獻(xiàn) （492）