数字图像处理及应用

目 录

理论篇 （1）

第1章 数字图像处理的基础知识 （1）

1．1 数字图像处理概述 （1）

1．1．1 图像和数字图像 （1）

1．1．2 数字图像处理的主要研究 内容 （3）

1．1．3 数字图像处理的发展及应用 （4）

1．2 图像的获取技术 （7）

1．2．1 图像的获取手段 （7）

1．2．2 图像的显示与输出 （9）

1．3 图像数字化 （9）

1．3．1 采样 （10）

1．3．2 量化 （10）

1．4 图像数据的表示与存储 （11）

1．4．1 彩色空间 （11）

1．4．2 图像类型 （14）

1．4．3 数字图像的表示 （15）

1．4．4 图像数据的存储 （15）

1．5 图像质量评价 （19）

1．5．1 人类视觉系统 （19）

1．5．2 图像质量主观评价 （21）

1．5．3 图像质量客观评价 （22）

1．5．4 算法性能评价 （24）

小结 （25）

习题 （25）

第2章 图像的数学变换 （26）

2．1 几何变换 （26）

2．1．1 空间变换 （26）

2．1．2 灰度级插值 （28）

2．1．3 几何校正 （30）

2．2 傅里叶变换 （31）

2．2．1 一维傅里叶变换 （32）

2．2．2 二维离散傅里叶变换 （33）

2．2．3 二维离散傅里叶变换的性质 （34）

2．2．4 快速傅里叶变换（FFT） （38）

2．3 离散余弦变换 （42）

2．3．1 离散余弦变换的定义 （42）

2．3．2 快速离散余弦变换 （43）

2．4 Gabor变换 （44）

2．4．1 短时傅里叶变换 （45）

2．4．2 连续Gabor变换 （47）

2．4．3 离散Gabor变换 （48）

2．4．4 高斯窗Gabor函数 （48）

2．5 离散K-L变换 （51）

2．5．1 离散K-L变换介绍 （52）

2．5．2 离散K-L变换的性质 （53）

2．5．3 主成分分析（PCA） （54）

2．6 Radon变换 （56）

2．6．1 Radon变换介绍 （56）

2．6．2 Radon变换的性质 （57）

2．7 小波变换 （58）

2．7．1 多分辨率分析的背景知识 （58）

2．7．2 多分辨率展开 （61）

2．7．3 一维小波变换 （66）

2．7．4 快速小波变换 （69）

2．7．5 二维离散小波变换 （73）

2．8 数学变换在图像处理中的应用 （76）

2．8．1 傅里叶变换在图像去噪中的应用 （76）

2．8．2 离散余弦变换在图像压缩中的应用 （77）

2．8．3 Gabor变换在纹理分析中的应用 （78）

2．8．4 小波变换在图像压缩中的应用 （79）

2．8．5 小波变换在图像去噪中的应用 （80）

2．8．6 小波变换在边缘检测中的应用 （81）

2．8．7 小波变换在图像融合中的应用 （83）

2．8．8 小波变换在图像增晰中的应用 （84）

小结 （85）

习题 （85）

第3章 图像增强 （87）

3．1 灰度级修正 （88）

3．1．1 灰度的线性变换 （88）

3．1．2 灰度的非线性变换 （90）

3．1．3 直方图修正 （91）

3．2 图像平滑 （97）

3．2．1 邻域平均法 （97）

3．2．2 中值滤波 （100）

3．2．3 帧间平滑 （102）

3．2．4 频域低通滤波法 （103）

3．3 图像锐化 （107）

3．3．1 微分法 （107）

3．3．2 频域高通滤波法 （112）

3．4 图像增晰 （114）

3．4．1 同态滤波 （114）

3．4．2 基于Retinex的增强 （116）

3．4．3 基于LIP的增强 （119）

3．4．4 基于照度区域划分的增强 （123）

3．5 彩色增强 （127）

3．5．1 伪彩色增强 （127）

3．5．2 真彩色增强 （130）

小结 （131）

习题 （131）

第4章 图像复原 （133）

4．1 图像的退化模型 （134）

4．1．1 图像的退化与复原过程 （134）

4．1．2 连续函数的退化模型 （135）

4．1．3 离散函数的退化模型 （136）

4．1．4 图像复原的基本步骤 （138）

4．2 常用的图像退化模型 （139）

4．3 退化模型的参数估计 （141）

4．3．1 运动模糊的退化原理 （141）

4．3．2 运动模糊退化模型的参数估计 （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参数估计 （155）

4．4 图像复原的典型方法 （156）

4．4．1 逆滤波法 （157）

4．4．2 维纳滤波 （159）

4．4．3 等功率谱滤波 （161）

4．4．4 几何均值滤波器 （162）

4．4．5 无约束最小二乘复原方法 （162）

4．4．6 有约束最小二乘复原方法 （163）

4．4．7 投影复原法 （166）

4．4．8 Richardson-Lucy算法 （167）

4．4．9 振铃效应的去除 （168）

4．5 图像复原的质量评价 （169）

4．5．1 有参考的图像质量评价 （169）

4．5．2 无参考的图像质量评价 （171）

小结 （172）

习题 （173）

第5章 图像压缩编码 （174）

5．1 图像压缩编码概述 （174）

5．1．1 图像压缩编码的必要性和可行性 （174）

5．1．2 图像压缩编码的发展 （175）

5．1．3 图像压缩编码的分类 （176）

5．2 图像压缩编码的基本理论 （177）

5．2．1 信息的度量 （177）

5．2．2 香农编码定理 （178）

5．2．3 图像压缩编码的一般流程 （180）

5．3 经典图像压缩编码方法 （181）

5．3．1 霍夫曼编码 （181）

5．3．2 算术编码 （183）

5．3．3 游程编码 （184）

5．3．4 预测编码 （184）

5．3．5 变换编码 （187）

5．4 现代图像压缩编码方法 （189）

5．4．1 分形编码 （190）

5．4．2 模型基编码 （191）

5．4．3 小波变换编码 （193）

5．4．4 神经网络编码 （194）

5．5 图像压缩编码的性能评价 （195）

5．6 图像压缩技术标准 （198）

5．6．1 静止图像压缩标准简介 （198）

5．6．2 运动图像压缩标准简介 （201）

小结 （203）

习题 （203）

第6章 图像分割 （204）

6．1 非连续性分割 （205）

6．1．1 点检测 （205）

6．1．2 线检测 （206）

6．1．3 边缘检测 （207）

6．1．4 基于梯度的局部处理 （210）

6．1．5 基于Hough变换的全局处理 （212）

6．1．6 基于图论的全局处理 （214）

6．2 阈值分割 （216）

6．2．1 阈值分割的原理 （216）

6．2．2 最小误差阈值分割 （217）

6．2．3 最大类间方差阈值分割 （218）

6．2．4 最大熵阈值分割 （220）

6．3 基于区域的分割 （223）

6．3．1 区域生长法 （223）

6．3．2 分裂合并法 （226）

6．4 聚类分割 （228）

6．4．1 K-均值聚类 （228）

6．4．2 模糊C均值聚类 （231）

6．4．3 Mean-shift聚类分割 （232）

6．5 基于参数活动轮廓模型的分割 （236）

6．5．1 传统Snake模型 （237）

6．5．2 GVF Snake模型 （240）

6．6 基于几何形变模型的分割 （243）

6．6．1 曲线演化理论 （243）

6．6．2 水平集方法及其数值实现 （244）

6．6．3 几何活动轮廓模型 （248）

6．6．4 测地活动轮廓模型 （250）

6．6．5 Chan-Vese模型 （252）

6．7 基于图论的分割 （255）

6．8 图像分割的性能评价 （259）

小结 （262）

习题 （263）

第7章 图像的形态学处理 （265）

7．1 数学形态学概述 （265）

7．1．1 数学形态学 （265）

7．1．2 数学形态学的基本思想 （266）

7．2 二值形态学 （266）

7．2．1 几个基本符号和定义 （267）

7．2．2 二值腐蚀和膨胀 （268）

7．2．3 二值开运算和闭运算 （270）

7．2．4 击中、击不中变换及其应用 （272）

7．2．5 骨架抽取 （275）

7．3 灰度形态学 （277）

7．3．1 灰度形态学的相关概念 （277）

7．3．2 灰度腐蚀和膨胀 （279）

7．3．3 灰度开运算和闭运算 （281）

7．3．4 灰度形态学梯度 （283）

7．3．5 Top-Hat变换 （284）

7．4 水域分割 （285）

小结 （288）

习题 （288）

第8章 图像的描述 （290）

8．1 几何描述 （290）

8．2 边界描述 （292）

8．2．1 链码 （292）

8．2．2 傅里叶描述子 （294）

8．3 形状描述 （295）

8．3．1 区域描述 （295）

8．3．2 图像矩 （297）

8．4 直方图描述 （300）

8．4．1 直方图特征 （300）

8．4．2 梯度方向直方图 （302）

8．4．3 韦伯局部描述子 （304）

8．5 颜色描述 （308）

8．6 纹理描述 （310）

8．6．1 自相关函数 （310）

8．6．2 灰度差分统计 （311）

8．6．3 等灰度游程长度 （312）

8．6．4 灰度共生矩阵 （313）

8．6．5 傅里叶功率谱纹理分析 （315）

8．6．6 局部二元模式（LBP特征） （317）

8．6．7 Gabor小波纹理描述 （319）

小结 （323）

习题 （323）

应用篇 （325）

第9章 图像匹配 （325）

9．1 图像匹配概述 （325）

9．2 基于灰度信息的图像匹配 （326）

9．2．1 绝对平衡搜索匹配 （327）

9．2．2 归一化互相关匹配 （327）

9．2．3 最大互信息匹配 （328）

9．3 基于特征的图像匹配 （329）

9．3．1 基于点特征的匹配 （329）

9．3．2 基于线特征的匹配 （332）

9．3．3 基于不变矩的匹配 （335）

9．3．4 基于相位相关的匹配 （336）

9．4 基于局部不变描述子的图像匹配 （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 基于最大稳定极值区域的匹配 （354）

小结 （359）

习题 （359）

第10章 图像融合 （360）

10．1 图像融合的概况介绍 （360）

10．1．1 图像融合的要求 （360）

10．1．2 图像融合的困难与挑战 （360）

10．1．3 图像融合的系统模型 （361）

10．1．4 多源图像融合的应用 （362）

10．2 像素级图像融合方法 （363）

10．2．1 基于空间域的像素级图像融合方法 （364）

10．2．2 基于变换域的像素级图像融合方法 （365）

10．3 特征级图像融合方法 （367）

10．3．1 基于边缘特征的图像融合方法 （367）

10．3．2 基于梯度特征的图像融合方法 （367）

10．4 决策级图像融合方法 （367）

10．4．1 基于表决法的决策级融合方法 （368）

10．4．2 基于贝叶斯推理的决策级融合方法 （368）

10．4．3 基于证据理论的决策级融合方法 （369）

10．5 多源图像融合的实例与分析 （369）

10．5．1 区域融合方法概述 （369）

10．5．2 区域分割和标签 （371）

10．5．3 区域融合 （372）

10．6 多源图像融合的性能评价 （374）

小结 （376）

习题 （377）

第11章 图像目标检测 （378）

11．1 基本问题概述 （378）

11．2 运动目标检测 （380）

11．2．1 运动图像序列的背景建模 （381）

11．2．2 静止背景下的运动目标检测 （382）

11．2．3 动态背景下的运动目标检测 （385）

11．3 有形目标检测 （388）

11．3．1 基于图像分割的目标检测方法 （389）

11．3．2 基于模板匹配的目标检测方法 （390）

11．3．3 基于机器学习的目标检测方法 （392）

11．4 弱小目标检测 （392）

11．4．1 弱小目标检测的基本原理 （393）

11．4．2 弱小目标检测中的背景抑制 （395）

11．4．3 基于单帧的弱小目标检测算法 （397）

11．4．4 基于多帧的弱小目标检测算法 （399）

11．5 目标检测的性能评价 （402）

11．5．1 目标检测中的通用性能评价指标 （402）

11．5．2 ROC曲线评估模型 （405）

小结 （406）

习题 （407）

第12章 目标跟踪 （408）

12．1 目标跟踪问题概述 （408）

12．2 基于模型驱动的跟踪方法 （411）

12．2．1 目标的运动模型 （411）

12．2．2 贝叶斯估计理论 （413）

12．2．3 卡尔曼滤波 （414）

12．2．4 粒子滤波 （417）

12．3 基于数据驱动的跟踪方法 （421）

12．3．1 波门跟踪方法 （421）

12．3．2 基于模板匹配的跟踪方法 （422）

12．3．3 基于活动轮廓的跟踪方法 （422）

12．3．4 基于核的跟踪方法 （423）

12．3．5 基于子空间学习的跟踪方法 （426）

12．3．6 基于机器学习的跟踪方法 （428）

12．4 多目标跟踪 （430）

12．4．1 多目标跟踪的基本原理 （431）

12．4．2 最近邻法（NN） （432）

12．4．3 概率数据关联滤波器（PDAF） （433）

12．4．4 联合概率数据关联滤波器（JPDAF） （434）

12．4．5 多假设跟踪 （436）

小结 （438）

习题 （438）

第13章 图像识别 （439）

13．1 图像识别系统 （439）

13．2 特征提取与特征数据处理 （440）

13．2．1 原始特征的形成 （441）

13．2．2 线性特征提取 （441）

13．2．3 非线性特征提取 （443）

13．2．4 特征袋模型 （447）

13．2．5 稀疏编码 （449）

13．2．6 特征选择 （450）

13．3 统计分类器 （453）

13．3．1 线性分类器 （454）

13．3．2 最近邻分类器 （455）

13．3．3 Bayes分类器 （455）

13．4 人工神经元网络 （456）

13．4．1 基本原理 （456）

13．4．2 BP神经网络 （457）

13．4．3 模糊神经网络 （459）

13．4．4 组合神经网络 （463）

13．5 支持向量机分类 （465）

13．5．1 最优分类面 （465）

13．5．2 支持向量机 （466）

13．5．3 核函数的选择 （467）

13．6 分类器增强算法――AdaBoost （468）

小结 （469）

习题 （469）

第14章 工程应用系统案例分析 （471）

14．1 免疫细胞图像分析系统 （471）

14．1．1 图像的自动分割 （472）

14．1．2 目标定位 （472）

14．1．3 细胞提取 （474）

14．1．4 细胞测量 （474）

14．2 皮肤镜图像分析系统 （475）

14．2．1 皮肤镜图像的预处理 （476）

14．2．2 皮肤镜图像的分割 （477）

14．2．3 皮损目标的特征提取 （478）

14．2．4 皮损目标的分类识别 （479）

14．3 铁路扣件损伤检测系统 （479）

14．3．1 轨面定位 （480）

14．3．2 轨枕定位 （481）

14．3．3 扣件目标检测 （481）

14．3．4 扣件区域增强 （481）

14．3．5 扣件目标特征提取 （483）

14．3．6 扣件目标损伤状态识别 （483）

14．4 交通监控车牌识别系统 （484）

14．4．1 预处理增强 （485）

14．4．2 车牌检测 （486）

14．4．3 虚警去除 （487）

14．4．4 字符分割 （489）

14．4．5 字符识别 （489）

小结 （491）

参考文献 （492）

本书系统而全面地介绍了与数字图像处理相关的基础理论和应用技术，立足基础理论，突出经典算法，并注重总结当前的最新发展，同时重视工程应用。
全书共分14章，其中第1～8章为理论篇，第9～14章为应用篇。第1章为图像处理的基础知识，包括图像的获取、表达、存储及图像质量评价等。第2～8章为图像的基础理论，内容包括图像变换、图像增强、图像复原、图像压缩编码、图像分割、图像的形态学处理，以及图像描述等。第9～13章是图像的应用技术，包括图像匹配、图像融合、目标检测、目标跟踪、图像识别等。第14章为工程应用系统案例分析，总结了作者实际课题研究中的典型工程案例，这些工程案例将本书的各章内容贯穿起来，是前面各种图像处理技术的综合运用，意在使读者对图像处理技术有一个更高层次的理解和提升。
本书理论翔实，内容全面，前后贯穿。书中的基础理论部分适合做本科生教材，而对图像领域内先进理论和算法的总结又适合做研究生教材，最后对工程应用系统的综合分析还可以供科学研究及工程开发人员参考。