精通MATLAB數(shù)字圖像處理與識別（第二版）

目　錄
第 1章　初識數(shù)字圖像處理與識別　1
1．1　數(shù)字圖像　1
1．1．1 什么是數(shù)字圖像　1
1．1．2 數(shù)字圖像的顯示　1
1．1．3 數(shù)字圖像的分類　2
1．1．4 數(shù)字圖像的實質　3
1．1．5 數(shù)字圖像的表示　4
1．1．6 圖像的空間分辨率和灰度級分辨率　4
1．2　數(shù)字圖像處理與識別　6
1．2．1 從數(shù)字圖像處理到數(shù)字圖像識別　6
1．2．2 數(shù)字圖像處理與識別的應用實例　7
1．2．3 數(shù)字圖像處理與識別的基本步驟　7
1．3　數(shù)字圖像處理的預備知識　9
1．3．1 鄰接性、連通性、區(qū)域和邊界　9
1．3．2 常見的距離度量方法　10
1．3．3 基本的圖像操作　10
第 2章　MATLAB數(shù)字圖像處理基礎　12
2．1　MATLAB R2019a簡介　12
2．1．1 MATLAB軟件環(huán)境　12
2．1．2 文件操作　13
2．1．3 在線幫助的使用　14
2．1．4 變量的使用　16
2．1．5 矩陣的使用　19
2．1．6 細胞數(shù)組和結構體　21
2．1．7 關系運算與邏輯運算　22
2．1．8 常用的圖像處理函數(shù)　23
2．1．9 MATLAB程序流程控制　24
2．1．10 M文件的編寫　28
2．1．11 MATLAB函數(shù)的編寫　28
2．2　MATLAB圖像類型及其存儲方式　30
2．3　MATLAB圖像轉換　33
2．4　讀取和寫入圖像文件　35
2．5　圖像的顯示　37
第3章　圖像的點運算　40
3．1　灰度直方圖　40
3．1．1 理論基礎　40
3．1．2 MATLAB實現(xiàn)　41
3．2　灰度的線性變換　43
3．2．1 理論基礎　44
3．2．2 MATLAB實現(xiàn)　44
3．3　灰度的對數(shù)變換　47
3．3．1 理論基礎　47
3．3．2 MATLAB實現(xiàn)　48
3．4　伽馬變換　48
3．4．1 理論基礎　49
3．4．2 MATLAB實現(xiàn)　49
3．5　灰度閾值變換　51
3．5．1 理論基礎　51
3．5．2 MATLAB實現(xiàn)　52
3．6　分段線性變換　53
3．6．1 理論基礎　53
3．6．2 MATLAB實現(xiàn)　54
3．7　直方圖均衡化　58
3．7．1 理論基礎　58
3．7．2 MATLAB實現(xiàn)　59
3．8　直方圖規(guī)定化　61
3．8．1 理論基礎　61
3．8．2 MATLAB實現(xiàn)　62
第4章　圖像的幾何變換　64
4．1　解決幾何變換的一般思路　64
4．2　圖像平移　65
4．2．1 圖像平移的變換公式　66
4．2．2 圖像平移的MATLAB實現(xiàn)　66
4．3　圖像鏡像　68
4．3．1 圖像鏡像的變換公式　68
4．3．2 圖像鏡像的MATLAB實現(xiàn)　68
4．4　圖像轉置　69
4．4．1 圖像轉置的變換公式　70
4．4．2 圖像轉置的MATLAB實現(xiàn)　70
4．5　圖像縮放　70
4．5．1 圖像縮放的變換公式　71
4．5．2 圖像縮放的MATLAB實現(xiàn)　71
4．6　圖像旋轉　72
4．6．1 以原點為中心的圖像旋轉　72
4．6．2 以任意點為中心的圖像旋轉　73
4．6．3 圖像旋轉的MATLAB實現(xiàn)　74
4．7　插值算法　75
4．7．1 最近鄰插值　75
4．7．2 雙線性插值　76
4．7．3 高階插值　77
4．8　MATLAB綜合案例—人臉圖像
配準　79
4．8．1 什么是圖像配準　79
4．8．2 人臉圖像配準的MATLAB實現(xiàn)　79
第5章　空域圖像增強　83
5．1　圖像增強基礎　83
5．1．1 為什么要進行圖像增強　83
5．1．2 圖像增強的分類　83
5．2　空域濾波　84
5．2．1 空域濾波和鄰域處理　84
5．2．2 邊界處理　85
5．2．3 相關和卷積　86
5．2．4 濾波操作的MATLAB實現(xiàn)　86
5．3　圖像平滑　88
5．3．1 平均模板及其實現(xiàn)　88
5．3．2 高斯平滑及其實現(xiàn)　90
5．3．3 自適應平滑濾波　92
5．4　中值濾波　93
5．4．1 性能比較　93
5．4．2 一種改進的中值濾波策略　95
5．4．3 中值濾波的工作原理　95
5．5　圖像銳化　96
5．5．1 理論基礎　96
5．5．2 基于一階導數(shù)的圖像增強—
梯度算子　96
5．5．3 基于二階微分的圖像增強—
拉普拉斯算子　99
5．5．4 基于一階與二階導數(shù)的銳化
算子的比較　101
5．5．5 高提升濾波及其實現(xiàn)　102
5．5．6 高斯-拉普拉斯變換　104
第6章　頻域圖像增強　106
6．1　頻域濾波—與空域濾波殊途同歸　106
6．2　傅里葉變換的基礎知識　106
6．2．1 傅里葉級數(shù)　106
6．2．2 傅里葉變換　108
6．2．3 幅度譜、相位譜和功率譜　110
6．2．4 傅里葉變換的實質—基的
轉換　111
6．3　快速傅里葉變換及其實現(xiàn)　113
6．3．1 FFT變換的必要性　113
6．3．2 常見的FFT算法　114
6．3．3 按時間抽取的基 2 FFT算法　114
6．3．4 離散傅里葉反變換的快速算法　118
6．3．5 N維快速傅里葉變換　118
6．3．6 MATLAB實現(xiàn)　118
6．4　頻域濾波的基礎知識　122
6．4．1 頻域濾波與空域濾波的關系　122
6．4．2 頻域濾波的基本步驟　123
6．4．3 頻域濾波的MATLAB實現(xiàn)　124
6．5　頻域低通濾波器　124
6．5．1 理想低通濾波器及其實現(xiàn)　125
6．5．2 高斯低通濾波器及其實現(xiàn)　127
6．6　頻域高通濾波器　131
6．6．1 高斯高通濾波器及其實現(xiàn)　131
6．6．2 頻域拉普拉斯濾波器及其實現(xiàn)　133
6．7　MATLAB綜合案例—利用頻域帶
阻濾波器消除周期噪聲　135
6．7．1 頻域帶阻濾波器　135
6．7．2 利用帶阻濾波器消除周期噪聲　136
6．8　頻域濾波器與空域濾波器之間的
內(nèi)在聯(lián)系　139
第7章　小波變換　142
7．1　多分辨率分析　142
7．1．1 多分辨率框架　142
7．1．2 分解與重構的實現(xiàn)　148
7．1．3 圖像處理中分解與重構的實現(xiàn)　150
7．2　Gabor多分辨率分析　155
7．3　常見小波分析　159
7．3．1 Haar小波　159
7．3．2 Daubechies小波　161
7．4　高維小波　164
第8章　圖像復原　166
8．1　圖像復原的一般理論　166
8．1．1 圖像復原的基本概念　166
8．1．2 圖像復原的一般模型　167
8．2　實用的圖像復原技術　184
8．2．1 圖像復原的數(shù)值計算方法　184
8．2．2 非線性復原　187
第9章　彩色圖像處理　190
9．1　色彩基礎　190
9．1．1 什么是色彩　190
9．1．2 人眼中的色彩　191
9．1．3 三原色　191
9．1．4 計算機中顏色的表示　192
9．2　色彩模型　193
9．2．1 RGB模型　193
9．2．2 CMY/CMYK模型　194
9．2．3 HSI模型　196
9．2．4 HSV模型　200
9．2．5 YUV模型　202
9．2．6 YIQ模型　205
9．2．7 Lab模型　207
9．3　全彩色圖像處理基礎　207
9．3．1 彩色補償及其MATLAB實現(xiàn)　207
9．3．2 彩色平衡及其MATLAB實現(xiàn)　210
第 10章　形態(tài)學圖像處理　212
10．1　預備知識　212
10．2　二值圖像中的基本形態(tài)學運算　213
10．2．1 腐蝕及其實現(xiàn)　214
10．2．2 膨脹及其實現(xiàn)　218
10．2．3 開運算及其實現(xiàn)　221
10．2．4 閉運算及其實現(xiàn)　222
10．3　二值圖像中的形態(tài)學應用　223
10．3．1 擊中與擊不中變換及其實現(xiàn)　224
10．3．2 邊界提取與跟蹤及其實現(xiàn)　226
10．3．3 區(qū)域填充　227
10．3．4 連通分量提取及其實現(xiàn)　229
10．3．5 細化算法　232
10．3．6 像素化算法　233
10．3．7 凸殼　234
10．3．8 bwmorph函數(shù)　235
10．4　灰度圖像中的基本形態(tài)學運算　235
10．4．1 灰度膨脹及其實現(xiàn)　236
10．4．2 灰度腐蝕及其實現(xiàn)　238
10．4．3 灰度開運算和灰度閉運算及其實現(xiàn)　240
10．4．4 頂帽變換及其實現(xiàn)　241
10．5　小結　243
第 11章　圖像分割　244
11．1　圖像分割概述　244
11．2　邊緣檢測　245
11．2．1 邊緣檢測概述　245
11．2．2 常用的邊緣檢測算子　245
11．2．3 MATLAB實現(xiàn)　248
11．3　霍夫變換　251
11．3．1 直線檢測　251
11．3．2 曲線檢測　253
11．3．3 任意形狀的檢測　254
11．3．4 利用霍夫變換做直線檢測的
MATLAB實現(xiàn)　254
11．4　閾值分割　257
11．4．1 閾值分割方法　258
11．4．2 MATLAB實現(xiàn)　261
11．5　區(qū)域分割　261
11．5．1 區(qū)域生長及其實現(xiàn)　262
11．5．2 區(qū)域分裂與合并及其MATLAB實現(xiàn)　264
11．6　基于形態(tài)學分水嶺算法的圖像分割　268
11．6．1 形態(tài)學分水嶺算法　269
11．6．2 MATLAB實現(xiàn)　271
11．7　MATLAB綜合案例—分水嶺算法　271
11．8　小結　277
第 12章　特征提取　278
12．1　圖像特征概述　278
12．1．1 什么是圖像特征　278
12．1．2 圖像特征的分類　278
12．1．3 特征向量及其幾何解釋　278
12．1．4 特征提取的一般原則　279
12．1．5 特征的評價標準　279
12．2　基本統(tǒng)計特征　280
12．2．1 簡單的區(qū)域描繪子及其MATLAB實現(xiàn)　280
12．2．2 直方圖及其統(tǒng)計特征　281
12．2．3 灰度共現(xiàn)矩陣　283
12．3　特征降維　286
12．3．1 維度災難　286
12．3．2 特征選擇簡介　287
12．3．3 主成分分析　288
12．3．4 快速PCA及其實現(xiàn)　294
12．4　綜合案例—基于PCA的人臉特征抽取　296
12．4．1 數(shù)據(jù)集簡介　296
12．4．2 生成樣本矩陣　296
12．4．3 主成分分析　297
12．4．4 主成分臉的可視化分析　298
12．4．5 基于主成分分量的人臉重建　300
12．5　局部二進制模式　301
12．5．1 基本LBP算子　301
12．5．2 圓形鄰域的LBPP，R算子　302
12．5．3 統(tǒng)一化LBP及其MATLAB實現(xiàn)　303
12．5．4 MB-LBP及其MATLAB實現(xiàn)　306
12．5．5 圖像分區(qū)及其MATLAB實現(xiàn)　311
第 13章　圖像識別初步　314
13．1　模式識別概述　314
13．1．1 模式與模式識別　314
13．1．2 圖像識別　314
13．1．3 關鍵概念　315
13．1．4 模式識別問題的一般描述　316
13．1．5 過度擬合　317
13．1．6 模式識別系統(tǒng)的結構　317
13．1．7 訓練/學習方法的分類　317
13．2　模式識別方法的分類　318
13．2．1 統(tǒng)計模式識別　318
13．2．2 句法模式識別　318
13．2．3 小結　319
13．3　最小距離分類器和模板匹配　320
13．3．1 最小距離分類器及其MATLAB實現(xiàn)　320
13．3．2 基于相關的模板匹配　321
13．3．3 相關匹配的計算效率　324
第 14章　人工神經(jīng)網(wǎng)絡　326
14．1　人工神經(jīng)網(wǎng)絡簡介　326
14．1．1 仿生學動機　326
14．1．2 人工神經(jīng)網(wǎng)絡的應用實例　328
14．2　人工神經(jīng)網(wǎng)絡的理論基礎　328
14．2．1 訓練線性單元的梯度下降算法　329
14．2．2 多層人工神經(jīng)網(wǎng)絡　334
14．2．3 sigmoid單元　334
14．2．4 反向傳播算法　335
14．2．5 訓練中的問題　339
14．3　神經(jīng)網(wǎng)絡算法的可視化實現(xiàn)　340
14．3．1 NNTool的主要功能及應用　340
14．3．2 神經(jīng)網(wǎng)絡的仿真測試　343
14．4　MATLAB神經(jīng)網(wǎng)絡工具箱　346
14．4．1 網(wǎng)絡創(chuàng)建　346
14．4．2 網(wǎng)絡初始化　347
14．4．3 網(wǎng)絡訓練　347
14．4．4 網(wǎng)絡仿真測試　348
14．4．5 網(wǎng)絡性能分析　348
第 15章　支持向量機　349
15．1　支持向量機的分類思想　349
15．1．1 分類模型的選擇　349
15．1．2 模型參數(shù)的選擇　350
15．2　支持向量機的理論基礎　350
15．2．1 線性可分情況下的SVM　350
15．2．2 非線性可分情況下的C-SVM　353
15．2．3 需要核函數(shù)映射情況下的SVM　356
15．2．4 推廣到多分類問題　359
15．3　SVM的MATLAB實現(xiàn)　360
15．3．1 訓練—svmtrain函數(shù)　360
15．3．2 分類—svmclassify函數(shù)　362
15．3．3 應用實例　362
15．4　綜合案例—基于PCA和SVM的人臉識別系統(tǒng)　363
15．4．1 人臉識別簡介　363
15．4．2 前期處理　364
15．4．3 數(shù)據(jù)規(guī)格化　364
15．4．4 核函數(shù)的選擇　367
15．4．5 參數(shù)選擇　368
15．4．6 構建多類SVM分類器　370
15．4．7 實驗結果　372
15．5　SVM在線資源　378
15．5．1 SVM工具箱　378
15．5．2 LIBSVM簡介　379
第 16章　AdaBoost　380
16．1　AdaBoost分類思想　380
16．1．1 AdaBoost算法的提出背景　380
16．1．2 AdaBoost算法的分類模型　381
16．1．3 AdaBoost算法的流程　381
16．2　AdaBoost理論基礎　382
推廣到多分類問題　384
16．3　構建AdaBoost的MATLAB工具箱　385
16．4　MATLAB綜合案例—基于AdaBoost的面部圖像男女性別分類　388
16．4．1 關于數(shù)據(jù)集　388
16．4．2 數(shù)據(jù)的預處理　389
16．4．3 算法流程的實現(xiàn)　389
第 17章　三維圖像基礎　391
17．1　三維信息基礎　391
17．1．1 三維空間　391
17．1．2 三維圖像　392
17．2　三維圖像繪制　393
17．2．1 三維曲線圖　393
17．2．2 三維網(wǎng)格圖　393
17．2．3 其他三維立體化信息展示方式　396
17．3　三維數(shù)據(jù)聚類　397
17．3．1 聚類分析基礎　397
17．3．2 K均值聚類　398
第 18章　深度學習　402
18．1　深度學習理論基礎　402
18．1．1 什么是深度學習　402
18．1．2 深度學習中的重要概念　403
18．2　MATLAB深度學習工具箱　404
18．2．1 MATLAB深度學習工具箱簡介　404
18．2．2 MATLAB深度學習工具箱中的深度學習函數(shù)介紹　405
18．3　使用MATLAB深度學習工具箱解決機器視覺問題　409
18．3．1 MATLAB深度學習工具箱中常用的預訓練模型　409
18．3．2 使用預訓練模型對圖像進行分類　410
18．3．3 使用預訓練的神經(jīng)網(wǎng)絡對圖像進行去噪　412
18．4　案例分析：目標檢測　413
參考文獻　420