数字图像处理与分析

第1章 数字图像基础

1.1 数字图像处理

1.2 图像获取

1.2.1 采样

1.2.2 量化

1.3 像素基本关系

1.3.1 邻接关系

1.3.2 邻接性、连通性、区域和边界

1.3.3 距离度量

1.4 图像分析的数据结构

1.4.1 矩阵

1.4.2 链表

1.4.3 金字塔

1.5 颜色模型

1.5.1 RGB模型

1.5.2 CMY模型

1.5.3 HSI模型

1.6 图像质量评价

1.6.1 均方误差

1.6.2 信噪比与峰值信噪比

1.6.3 结构相似度

1.7 本章小结

第2章 图像变换

2.1 傅里叶变换

2.1.1 一维傅里叶变换

2.1.2 二维傅里叶变换

2.1.3 二维离散傅里叶变换的性质

2.1.4 快速傅里叶变换

2.2 离散余弦变换

2.2.1 离散余弦变换的定义

2.2.2 离散余弦变换的计算

2.3 Harr变换

2.3.1 Harr函数的定义

2.3.2 Harr函数的性质

2.3.3 Harr变换的定义

2.4 小波变换

2.4.1 连续小波变换

2.4.2 离散小波变换

2.4.3 快速小波变换

2.5 脊波变换、曲波变换及轮廓波变换

2.5.1 脊波变换

2.5.2 曲波变换

2.5.3 轮廓波变换

2.6 本章小结

第3章 图像增强

3.1 概述

3.2 基于点运算的图像增强

3.2.1 灰度变换

3.2.2 直方图处理

3.2.3 图像算术/逻辑运算

3.3 空间域图像增强

3.3.1 空间域滤波基础

3.3.2 空间平滑滤波器

3.3.3 空间锐化滤波器

3.4 频域图像增强

3.4.1 频域滤波基础

3.4.2 频域平滑滤波器

3.4.3 频域锐化滤波器

3.5 本章小结

第4章 图像复原

4.1 基本概念

4.2 常见噪声模型

4.2.1 高斯噪声

4.2.2 脉冲噪声

4.2.3 瑞利噪声

4.2.4 伽玛噪声

4.2.5 指数噪声

4.2.6 均匀噪声

4.3 基本去噪方法

4.3.1 均值滤波

4.3.2 高斯滤波

4.3.3 中值滤波

4.3.4 非局部均值滤波

4.3.5 小波收缩去噪

4.4 常见模糊退化模型

4.4.1 运动模糊

4.4.2 散焦模糊

4.4.3 大气扰动

4.5 基本去模糊化方法

4.5.1 逆滤波

4.5.2 维纳滤波

4.5.3 约束最小二乘滤波

4.5.4 几何均值滤波

4.6 几何校正

4.6.1 空间变换

4.6.2 灰度插值

4.7 本章小结

第5章 图像分割

5.1 基本概念

5.2 基于阈值的图像分割方法

5.2.1 基本原理

5.2.2 基于直方图的图像阈值分割

5.2.3 基于迭代的图像阈值分割

5.2.4 基于最大类间方差的阈值分割

5.3 基于边缘的分割

5.3.1 边缘检测

5.3.2 边缘局部处理

5.3.3 边界跟踪

5.3.4 Hough变换

5.4 基于区域的分割

5.4.1 区域生长

5.4.2 区域分裂与合并

5.5 分水岭方法

5.6 本章小结

第6章 基于偏微分方程的图像处理

6.1 基本概念

6.1.1 偏微分方程

6.1.2 变分法和梯度下降流

6.1.3 数值计算方法

6.2 图像去噪与增强

6.2.1 各向同性扩散

6.2.2 各向异性扩散

6.2.3 方向扩散

6.2.4 TV去噪模型

6.2.5 高阶偏微分方程

6.3 图像去模糊

6.3.1 TV去模糊模型

6.3.2 改进的TV方法

6.3.3 盲反卷积

6.4 图像分割

6.4.1 测地活动轮廓模型

6.4.2 无边缘活动轮廓模型

6.5 图像修补

6.5.1 TV修补模型

6.5.2 曲率扩散方法

6.5.3 BSCB模型

6.6 本章小节

第7章 图像特征

7.1 基本特征

7.1.1 幅度特征

7.1.2 统计特征

7.1.3 几何特征

7.2 纹理特征

7.2.1 基于统计的纹理特征

7.2.2 基于几何的纹理特征

7.2.3 基于模型的纹理特征

7.2.4 基于信号处理的纹理特征

7.3 特征子空间

7.3.1 奇异值分解

7.3.2 主元分析

7.3.3 独立成分分析

7.4 基于角点的特征

7.4.1 SIFT特征

7.4.2 改进型SIFT特征

7.5 图像稀疏表示

7.5.1 稀疏性度量

7.5.2 图像稀疏表示

7.5.3 图像调和分析表示

7.6 应用实例：FMI岩石图像特征提取与分类

7.6.1 岩石图像特征表示

7.6.2 岩石图像分类

7.7 本章小结

第8章 图像描述

8.1 图像标识

8.2 基于轮廓的形状描述

8.2.1 链码表示

8.2.2 简单几何边界表示

8.2.3 片段序列边界表示

8.2.4 B样条表示

8.2.5 其他方法

8.3 基于区域的形状描述

8.3.1 简单标量区域表示

8.3.2 矩表示

8.3.3 凸包表示

8.3.4 骨架图表示

8.3.5 区域分解

8.3.6 区域近邻图

8.4 本章小结

第9章 图像识别

9.1 贝叶斯分类

9.1.1 贝叶斯分类器

9.1.2 贝叶斯最优分类器

9.1.3 朴素贝叶斯分类器

9.1.4 贝叶斯网络

9.2 近邻法及模板匹配

9.2.1 近邻法

9.2.2 模板匹配

9.3 人工神经网络

9.3.1 BP网络

9.3.2 RBF网络

9.4 核方法

9.4.1 支持向量机

9.4.2 核Fisher判别分析

9.5 集成学习

9.5.1 Bagging

9.5.2 Adaboost

9.5.3 应用于特征集成的Boosting变体算法

9.6 应用实例：基于Adaboost的特征集成及文字识别

9.6.1 简单分类问题

9.6.2 手写体数字识别

9.7 本章小结

第10章 图像理解

10.1 图像理解基本概念

10.1.1 研究内容

10.1.2 研究方法

10.2 图像分析模型

10.2.1 平面图结构模型

10.2.2 点分布模型

10.2.3 活动轮廓模型

10.2.4 隐马尔克夫模型

10.3 场景中目标检测与识别

10.3.1 目标检测

10.3.2 目标识别

10.4 场景描述与理解

10.4.1 图像理解控制策略

10.4.2 场景分类

10.4.3 目标之间关系

10.4.4 场景标注和约束传播

10.5 语义分割与理解

10.5.1 语义描述图结构

10.5.2 语义区域增长

10.5.3 遗传图像解释

10.6 本章小结

参考文献

本书系统地介绍了数字图像处理、图像特征提取、图像分析、图像理解等方面的基础知识，使读者能够在较短的时间内了解本领域研究的基本方法和经典算法。书中也引入了一些较新的、已得到本领域研究人员认可的先进算法，能够使有志于从事本领域研究的专业人员快速了解这一学科的最新研究方向和进展。书中将经典算法和大量的应用实例相结合进行阐述，并给出一些综合应用实例，便于读者学习理解，并能很快将这些方法投入到实际应用中。本书可作为高等院校相关专业大学生和研究生的教材，也可以作为专业研究人员的参考资料。