基于Matlab的數(shù)字圖像處理

目 錄
第1章 數(shù)字圖像處理概述\t1
1．1 數(shù)字圖像處理的主要研究內(nèi)容\t1
1．2 圖像的數(shù)字化和數(shù)字圖像的實質(zhì)\t3
1．2．1 圖像的數(shù)字化\t3
1．2．2 數(shù)字圖像的實質(zhì)\t4
1．3 數(shù)字圖像的類型\t4
1．4 數(shù)字圖像的顯示\t6
1．4．1 數(shù)字圖像的顯示特性\t6
1．4．2 數(shù)字圖像的打印\t7
1．5 彩色模型\t8
1．5．1 RGB彩色模型\t9
1．5．2 CMY和CMYK彩色模型\t10
1．5．3 HSI彩色模型\t10
1．6 圖像的統(tǒng)計特征\t12
1．6．1 灰度圖像的統(tǒng)計特征\t12
1．6．2 灰度圖像的直方圖\t12
1．6．3 多波段圖像的統(tǒng)計特征\t13
1．7 Matlab圖像處理基礎(chǔ)\t13
1．7．1 圖像文件的讀/寫與顯示\t14
1．7．2 圖像類型的轉(zhuǎn)換\t18
1．7．3 圖像統(tǒng)計特征的計算\t24
1．8 本章小結(jié)\t27
第2章 數(shù)字圖像處理基本運算\t28
2．1 點運算\t28
2．1．1 線性點運算\t28
2．1．2 非線性點運算\t30
2．2 代數(shù)運算與邏輯運算\t31
2．2．1 加運算\t32
2．2．2 減運算\t33
2．2．3 乘運算\t34
2．2．4 除運算\t35
2．2．5 圖像邏輯運算\t35
2．3 圖像幾何運算\t36
2．3．1 齊次坐標\t36
2．3．2 圖像平移\t37
2．3．3 圖像縮放\t37
2．3．4 圖像鏡像\t38
2．3．5 圖像旋轉(zhuǎn)\t39
2．3．6 圖像復合變換\t40
2．3．7 控制點法\t40
2．4 圖像插值運算\t41
2．4．1 最近鄰插值法\t42
2．4．2 雙線性插值法\t42
2．4．3 雙三次插值法\t43
2．5 圖像運算的Matlab實現(xiàn)\t43
2．5．1 代數(shù)運算的Matlab實現(xiàn)\t44
2．5．2 幾何運算的Matlab實現(xiàn)\t48
2．6 本章小結(jié)\t50
第3章 圖像變換\t51
3．1 傅里葉變換\t51
3．1．1 一維傅里葉變換\t51
3．1．2 二維傅里葉變換\t53
3．1．3 離散傅里葉變換的快速算法\t58
3．2 離散余弦變換\t59
3．2．1 一維離散余弦變換\t59
3．2．2 二維離散余弦變換\t60
3．2．3 離散余弦變換的快速算法\t60
3．3 離散沃爾什-哈達瑪變換\t61
3．3．1 離散沃爾什變換\t62
3．3．2 離散哈達瑪變換\t63
3．3．3 快速沃爾什-哈達瑪變換\t64
3．4 離散K-L變換\t66
3．5 小波變換\t68
3．5．1 連續(xù)小波變換\t68
3．5．2 離散小波變換\t70
3．5．3 小波基函數(shù)\t71
3．5．4 圖像的小波分解與重構(gòu)\t72
3．6 小波閾值去噪分析\t74
3．6．1 基本思路\t74
3．6．2 小波閾值去噪\t74
3．6．3 閾值設(shè)置\t75
3．6．4 閾值函數(shù)\t76
3．7 圖像變換的Matlab實現(xiàn)\t76
3．7．1 傅里葉變換的Matlab實現(xiàn)\t77
3．7．2 離散余弦變換的Matlab實現(xiàn)\t79
3．7．3 哈達瑪變換的Matlab實現(xiàn)\t82
3．7．4 小波變換的Matlab實現(xiàn)\t84
3．8 本章小結(jié)\t87
第4章 圖像空間域增強\t88
4．1 直接灰度變換\t88
4．1．1 線性變換\t89
4．1．2 分段線性變換\t89
4．1．3 非線性變換\t89
4．2 直方圖修正法\t90
4．2．1 直方圖均衡化\t90
4．2．2 直方圖規(guī)定化\t93
4．3 平滑濾波\t95
4．3．1 鄰域平均濾波\t96
4．3．2 中值濾波\t97
4．4 銳化濾波\t100
4．4．1 一階差分算子\t100
4．4．2 拉普拉斯算子\t102
4．4．3 Canny算子\t103
4．5 偽彩色增強\t104
4．5．1 密度分割法\t104
4．5．2 灰度級彩色變換\t105
4．6 圖像空間域增強的Matlab實現(xiàn)\t105
4．6．1 直方圖修正法的Matlab實現(xiàn)\t105
4．6．2 平滑濾波的Matlab實現(xiàn)\t109
4．6．3 銳化濾波的Matlab實現(xiàn)\t112
4．6．4 偽彩色增強的Matlab實現(xiàn)\t114
4．7 本章小結(jié)\t116
第5章 圖像頻域增強\t118
5．1 頻域濾波基礎(chǔ)\t118
5．2 低通濾波器\t119
5．2．1 理想低通濾波器\t119
5．2．2 巴特沃斯低通濾波器\t119
5．2．3 指數(shù)低通濾波器\t120
5．2．4 梯形低通濾波器\t120
5．3 高通濾波器\t121
5．3．1 理想高通濾波器\t121
5．3．2 巴特沃斯高通濾波器\t122
5．3．3 指數(shù)高通濾波器\t122
5．3．4 梯形高通濾波器\t122
5．4 帶通或帶阻濾波器\t123
5．4．1 帶通濾波器\t123
5．4．2 帶阻濾波器\t123
5．5 其他頻域的增強方式\t124
5．5．1 同態(tài)濾波\t124
5．5．2 頻域偽彩色增強\t125
5．6 圖像頻域增強的Matlab實現(xiàn)\t126
5．6．1 低通濾波處理的Matlab實現(xiàn)\t126
5．6．2 高通濾波處理的Matlab實現(xiàn)\t133
5．6．3 帶通或帶阻濾波處理的Matlab實現(xiàn)\t138
5．6．4 同態(tài)濾波處理和頻域偽彩色增強的Matlab實現(xiàn)\t140
5．7 本章小結(jié)\t142
第6章 圖像編碼\t144
6．1 圖像冗余信息及圖像質(zhì)量評價\t144
6．1．1 圖像冗余信息\t144
6．1．2 圖像編碼效率的定義\t144
6．1．3 圖像質(zhì)量評價\t145
6．2 統(tǒng)計編碼\t146
6．2．1 霍夫曼編碼\t147
6．2．2 算術(shù)編碼\t148
6．2．3 行程長度編碼\t149
6．3 預(yù)測編碼\t150
6．3．1 線性預(yù)測編碼\t151
6．3．2 非線性預(yù)測編碼\t152
6．4 變換編碼\t152
6．5 圖像編碼的主要國際標準\t154
6．5．1 靜止圖像編碼國際標準（JPEG）\t154
6．5．2 運動圖像編碼國際標準（MPEG）\t156
6．6 圖像編碼的Matlab實現(xiàn)\t157
6．6．1 霍夫曼編碼的Matlab實現(xiàn)\t157
6．6．2 算術(shù)編碼的Matlab實現(xiàn)\t159
6．6．3 行程長度編碼的Matlab實現(xiàn)\t160
6．7 本章小結(jié)\t162
第7章 圖像恢復\t163
7．1 退化模型\t164
7．1．1 連續(xù)退化模型\t164
7．1．2 離散退化模型\t165
7．2 代數(shù)恢復方法\t167
7．2．1 非約束方法\t167
7．2．2 約束方法\t168
7．3 逆濾波恢復法\t169
7．4 維納濾波恢復法\t170
7．5 圖像恢復的Matlab實現(xiàn)\t171
7．6 本章小結(jié)\t176
第8章 數(shù)學形態(tài)學運算\t177
8．1 預(yù)備知識\t177
8．2 形態(tài)學基本運算\t179
8．2．1 膨脹與腐蝕\t179
8．2．2 開運算和閉運算\t182
8．3 形態(tài)學其他處理\t184
8．3．1 擊中或擊不中變換\t184
8．3．2 邊界提取\t185
8．3．3 區(qū)域填充\t186
8．3．4 連通分量的提取\t187
8．3．5 細化\t188
8．3．6 粗化\t189
8．4 灰度圖像中的形態(tài)學運算\t190
8．4．1 膨脹\t190
8．4．2 腐蝕\t192
8．4．3 開運算和閉運算\t193
8．4．4 Top-hat變換和Bottom-hat變換\t194
8．5 數(shù)學形態(tài)學的Matlab實現(xiàn)\t195
8．5．1 膨脹與腐蝕的Matlab實現(xiàn)\t195
8．5．2 開運算與閉運算的Matlab實現(xiàn)\t198
8．5．3 形態(tài)學其他處理的部分Matlab實現(xiàn)\t201
8．6 本章小結(jié)\t205
第9章 基于深度學習的圖像處理\t206
9．1 機器學習基礎(chǔ)\t206
9．1．1 BP神經(jīng)網(wǎng)絡(luò)\t206
9．1．2 支持向量機SVM\t209
9．2 卷積神經(jīng)網(wǎng)絡(luò)原理\t211
9．2．1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史\t211
9．2．2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t212
9．2．3 卷積神經(jīng)網(wǎng)絡(luò)的訓練\t221
9．3 圖像處理中常用的卷積神經(jīng)網(wǎng)絡(luò)\t222
9．3．1 AlexNet\t222
9．3．2 GoogleNet\t223
9．3．3 ResNet\t224
9．4 卷積神經(jīng)網(wǎng)絡(luò)的遷移學習\t224
9．5 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類示例\t226
9．5．1 創(chuàng)建用于圖像分類的簡單卷積神經(jīng)網(wǎng)絡(luò)\t227
9．5．2 基于遷移學習的卷積神經(jīng)網(wǎng)絡(luò)訓練與圖像分類結(jié)果展示\t232
9．6 本章小結(jié)\t241
參考文獻\t243