數字圖像處理及應用（第2版）

目 錄
理論篇 （1）
第1章 數字圖像處理的基礎知識 （1）
1.1 數字圖像處理概述 （1）
1.1.1 圖像和數字圖像 （1）
1.1.2 數字圖像處理的主要研究內容 （3）
1.1.3 數字圖像處理的發展及應用 （4）
1.2 圖像的獲取技術 （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 圖像數字化 （9）
1.3.1 採樣 （10）
1.3.2 量化 （10）
1.4 圖像數據的表示與存儲 （11）
1.4.1 彩色空間 （11）
1.4.2 圖像類型 （14）
1.4.3 數字圖像的表示 （15）
1.4.4 圖像數據的存儲 （15）
1.5 圖像質量評價 （19）
1.5.1 人類視覺系統 （19）
1.5.2 圖像質量主觀評價 （21）
1.5.3 圖像質量客觀評價 （22）
1.5.4 算法性能評價 （24）
小結 （25）
習題 （25）
第2章 圖像的數學變換 （26）
2.1 幾何變換 （26）
2.1.1 空間變換 （26）
2.1.2 灰度級插值 （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 （34）
2.2.4 快速傅里葉變換（FFT） （38）
2.3 離散餘弦變換 （42）
2.3.1 離散餘弦變換的定義 （42）
2.3.2 快速離散餘弦變換 （43）
2.4 Gabor變換 （44）
2.4.1 短時傅里葉變換 （45）
2.4.2 連續Gabor變換 （47）
2.4.3 離散Gabor變換 （48）
2.4.4 高斯窗Gabor函數 （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 （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 （57）
2.7 小波變換 （58）
2.7.1 多分辨率分析的背景知識 （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 數學變換在圖像處理中的應用 （76）
2.8.1 傅里葉變換在圖像去噪中的應用 （76）
2.8.2 離散餘弦變換在圖像壓縮中的應用 （77）
2.8.3 Gabor變換在紋理分析中的應用 （78）
2.8.4 小波變換在圖像壓縮中的應用 （79）
2.8.5 小波變換在圖像去噪中的應用 （80）
2.8.6 小波變換在邊緣檢測中的應用 （81）
2.8.7 小波變換在圖像融合中的應用 （83）
2.8.8 小波變換在圖像增晰中的應用 （84）
小結 （85）
習題 （85）
第3章 圖像增強 （87）
3.1 灰度級修正 （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 同態濾波 （114）
3.4.2 基於Retinex的增強 （116）
3.4.3 基於LIP的增強 （118）
3.4.4 基於照度區域劃分的增強 （123）
3.5 彩色增強 （127）
3.5.1 偽彩色增強 （127）
3.5.2 真彩色增強 （130）
小結 （131）
習題 （131）
第4章 圖像復原 （133）
4.1 圖像的退化模型 （134）
4.1.1 圖像的退化與復原過程 （134）
4.1.2 連續函數的退化模型 （135）
4.1.3 離散函數的退化模型 （136）
4.1.4 圖像復原的基本步驟 （138）
4.2 常用的圖像退化模型 （139）
4.3 退化模型的參數估計 （141）
4.3.1 運動模糊的退化原理 （141）
4.3.2 運動模糊退化模型的參數估計 （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估計 （155）
4.4 圖像復原的典型方法 （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 無約束最小二乘復原方法 （162）
4.4.6 有約束最小二乘復原方法 （163）
4.4.7 投影復原法 （166）
4.4.8 Richardson-Lucy算法 （167）
4.4.9 振鈴效應的去除 （168）
4.5 圖像復原的質量評價 （169）
4.5.1 有參考的圖像質量評價 （169）
4.5.2 無參考的圖像質量評價 （171）
小結 （172）
習題 （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 香農編碼定理 （178）
5.2.3 圖像壓縮編碼的一般流程 （180）
5.3 經典圖像壓縮編碼方法 （181）
5.3.1 霍夫曼編碼 （181）
5.3.2 算術編碼 （183）
5.3.3 游程編碼 （184）
5.3.4 預測編碼 （184）
5.3.5 變換編碼 （187）
5.4 現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 神經網絡編碼 （194）
5.5 圖像壓縮編碼的性能評價 （195）
5.6 圖像壓縮技術標準 （198）
5.6.1 靜止圖像壓縮標準簡介 （198）
5.6.2 運動圖像壓縮標準簡介 （201）
小結 （203）
習題 （203）
第6章 圖像分割 （204）
6.1 非連續性分割 （205）
6.1.1 點檢測 （205）
6.1.2 線檢測 （206）
6.1.3 邊緣檢測 （207）
6.1.4 基於梯度的局部處理 （210）
6.1.5 基於Hough變換的全局處理 （212）
6.1.6 基於圖論的全局處理 （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 基於區域的分割 （223）
6.3.1 區域生長法 （223）
6.3.2 分裂合並法 （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 基於參數活動輪廓模型的分割 （236）
6.5.1 傳統Snake模型 （237）
6.5.2 GVF Snake模型 （240）
6.6 基於幾何形變模型的分割 （243）
6.6.1 曲線演化理論 （243）
6.6.2 水平集方法及其數值實現 （244）
6.6.3 幾何活動輪廓模型 （248）
6.6.4 測地活動輪廓模型 （250）
6.6.5 Chan-Vese模型 （252）
6.7 基於圖論的分割 （255）
6.8 圖像分割的性能評價 （259）
小結 （262）
習題 （263）
第7章 圖像的形態學處理 （265）
7.1 數學形態學概述 （265）
7.1.1 數學形態學 （265）
7.1.2 數學形態學的基本思想 （266）
7.2 二值形態學 （266）
7.2.1 幾個基本符號和定義 （267）
7.2.2 二值腐蝕和膨脹 （268）
7.2.3 二值開運算和閉運算 （270）
7.2.4 擊中、擊不中變換及其應用 （272）
7.2.5 骨架抽取 （275）
7.3 灰度形態學 （277）
7.3.1 灰度形態學的相關概念 （277）
7.3.2 灰度腐蝕和膨脹 （279）
7.3.3 灰度開運算和閉運算 （281）
7.3.4 灰度形態學梯度 （283）
7.3.5 Top-Hat變換 （284）
7.4 水域分割 （285）
小結 （288）
習題 （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 直方圖特徵 （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 自相關函數 （310）
8.6.2 灰度差分統計 （311）
8.6.3 等灰度游程長度 （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 特徵） （317）
8.6.7 Gabor小波紋理描述 （319）
小結 （323）
習題 （323）
應用篇 （325）
第9章 圖像匹配 （325）
9.1 圖像匹配概述 （325）
9.2 基於灰度信息的圖像匹配 （326）
9.2.1 絕對平衡搜索匹配 （327）
9.2.2 歸一化互相關匹配 （327）
9.2.3 最大互信息匹配 （328）
9.3 基於特徵的圖像匹配 （329）
9.3.1 基於點特徵的匹配 （329）
9.3.2 基於線特徵的匹配 （332）
9.3.3 基於不變矩的匹配 （335）
9.3.4 基於相位相關的匹配 （336）
9.4 基於局部不變描述子的圖像匹配 （337）
9.4.1 SIFT特徵描述子 （338）
9.4.2 SURF特徵描述子 （344）
9.4.3 基於SIFT/SURF特徵的匹配 （349）
9.4.4 D-nets特徵描述子 （352）
9.4.5 基於D-nets特徵的匹配 （352）
9.4.6 基於最大穩定極值區域的匹配 （354）
小結 （359）
習題 （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 （360）
10.1.3 圖像融合的系統模型 （361）
10.1.4 多源圖像融合的應用 （362）
10.2 像素級圖像融合方法 （363）
10.2.1 基於空間域的像素級圖像融合方法 （364）
10.2.2 基於變換域的像素級圖像融合方法 （365）
10.3 特徵級圖像融合方法 （367）
10.3.1 基於邊緣特徵的圖像融合方法 （367）
10.3.2 基於梯度特徵的圖像融合方法 （367）
10.4 決策級圖像融合方法 （367）
10.4.1 基於表決法的決策級融合方法 （368）
10.4.2 基於貝葉斯推理的決策級融合方法 （368）
10.4.3 基於證據理論的決策級融合方法 （369）
10.5 多源圖像融合的實例與分析 （369）
10.5.1 區域融合方法概述 （369）
10.5.2 區域分割和標簽 （371）
10.5.3 區域融合 （372）
10.6 多源圖像融合的性能評價 （374）
小結 （376）
習題 （377）
第11章 圖像目標檢測 （378）
11.1 基本問題概述 （378）
11.2 運動目標檢測 （380）
11.2.1 運動圖像序列的背景建模 （381）
11.2.2 靜止背景下的運動目標檢測 （382）
11.2.3 動態背景下的運動目標檢測 （385）
11.3 有形目標檢測 （388）
11.3.1 基於圖像分割的目標檢測方法 （389）
11.3.2 基於模板匹配的目標檢測方法 （390）
11.3.3 基於機器學習的目標檢測方法 （392）
11.4 弱小目標檢測 （392）
11.4.1 弱小目標檢測的基本原理 （393）
11.4.2 弱小目標檢測中的背景抑制 （395）
11.4.3 基於單幀的弱小目標檢測算法 （397）
11.4.4 基於多幀的弱小目標檢測算法 （399）
11.5 目標檢測的性能評價 （402）
11.5.1 目標檢測中的通用性能評價指標 （402）
11.5.2 ROC曲線評估模型 （405）
小結 （406）
習題 （407）
第12章 目標跟蹤 （408）
12.1 目標跟蹤問題概述 （408）
12.2 基於模型驅動的跟蹤方法 （411）
12.2.1 目標的運動模型 （411）
12.2.2 貝葉斯估計理論 （413）
12.2.3 卡爾曼濾波 （414）
12.2.4 粒子濾波 （417）
12.3 基於數據驅動的跟蹤方法 （421）
12.3.1 波門跟蹤方法 （421）
12.3.2 基於模板匹配的跟蹤方法 （422）
12.3.3 基於活動輪廓的跟蹤方法 （422）
12.3.4 基於核的跟蹤方法 （423）
12.3.5 基於子空間學習的跟蹤方法 （426）
12.3.6 基於機器學習的跟蹤方法 （428）
12.4 多目標跟蹤 （430）
12.4.1 多目標跟蹤的基本原理 （431）
12.4.2 最近鄰法（NN） （432）
12.4.3 概率數據關聯濾波器（PDAF） （433）
12.4.4 聯合概率數據關聯濾波器（JPDAF） （434）
12.4.5 多假設跟蹤 （436）
小結 （438）
習題 （438）
第13章 圖像識別 （439）
13.1 圖像識別系統 （439）
13.2 特徵提取與特徵數據處理 （440）
13.2.1 原始特徵的形成 （441）
13.2.2 線性特徵提取 （441）
13.2.3 非線性特徵提取 （443）
13.2.4 特徵袋模型 （447）
13.2.5 稀疏編碼 （449）
13.2.6 特徵選擇 （450）
13.3 統計分類器 （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 人工神經元網絡 （456）
13.4.1 基本原理 （456）
13.4.2 BP神經網絡 （457）
13.4.3 模糊神經網絡 （459）
13.4.4 組合神經網絡 （463）
13.5 支持向量機分類 （465）
13.5.1 最優分類面 （465）
13.5.2 支持向量機 （466）
13.5.3 核函數的選擇 （467）
13.6 分類器增強算法——AdaBoost （468）
小結 （469）
習題 （469）
第14章 工程應用系統案例分析 （471）
14.1 免疫細胞圖像分析系統 （471）
14.1.1 圖像的自動分割 （472）
14.1.2 目標定位 （472）
14.1.3 細胞提取 （474）
14.1.4 細胞測量 （474）
14.2 皮膚鏡圖像分析系統 （475）
14.2.1 皮膚鏡圖像的預處理 （476）
14.2.2 皮膚鏡圖像的分割 （477）
14.2.3 皮損目標的特徵提取 （478）
14.2.4 皮損目標的分類識別 （479）
14.3 鐵路扣件損傷檢測系統 （479）
14.3.1 軌面定位 （480）
14.3.2 軌枕定位 （481）
14.3.3 扣件目標檢測 （481）
14.3.4 扣件區域增強 （481）
14.3.5 扣件目標特徵提取 （483）
14.3.6 扣件目標損傷狀態識別 （483）
14.4 交通監控車牌識別系統 （484）
14.4.1 預處理增強 （485）
14.4.2 車牌檢測 （486）
14.4.3 虛警去除 （487）
14.4.4 字符分割 （489）
14.4.5 字符識別 （489）
小結 （491）
參考文獻 （492）