數(shù)字圖像處理：基于OpenCV-Python

第一部分 OpenCV-Python的基本操作
第1章 圖像的基本操作 3
1.1　圖像的讀取與保存 3
1.1.1　圖像的讀取 3
1.1.2　圖像的保存 4
1.2　圖像的顯示 6
1.3　基于Matplotlib顯示圖像 7
1.4　視頻文件的讀取與保存 9
1.5　多幀圖像的讀取與保存 12
第2章 圖像的數(shù)據(jù)格式 15
2.1　圖像屬性與數(shù)據(jù)類型 15
2.1.1　圖像顏色分類 15
2.1.2　以Numpy數(shù)組表示數(shù)字圖像 15
2.1.3　圖像的數(shù)據(jù)類型 16
2.2　圖像的創(chuàng)建與復(fù)制 17
2.3　圖像的裁剪與拼接 19
2.4　圖像通道的拆分與合并 21
2.5　獲取與修改像素值 23
2.6　快速LUT替換像素值 25
第3章 彩色圖像處理 29
3.1　圖像的顏色空間轉(zhuǎn)換 29
3.1.1　圖像的顏色空間 29
3.1.2　圖像的顏色空間轉(zhuǎn)換 29
3.2　灰度圖像的偽彩色處理 31
3.3　多模態(tài)數(shù)據(jù)合成的偽彩色圖像 33
3.4　圖像的色彩風(fēng)格濾鏡 35
3.5　調(diào)節(jié)圖像的色彩平衡 37
第4章 繪圖與鼠標(biāo)交互 40
4.1　OpenCV繪圖函數(shù)的參數(shù) 40
4.2　繪制直線與線段 41
4.3　繪制垂直矩形 43
4.4　繪制旋轉(zhuǎn)矩形 45
4.5　繪制圓形和橢圓 47
4.5.1　繪制圓形 47
4.5.2　繪制橢圓和橢圓弧 49
4.6　繪制多段線和多邊形 53
4.7　圖像上添加文字 56
4.8　鼠標(biāo)框選矩形區(qū)域 57
4.9　鼠標(biāo)交互操作 59
第二部分 圖像處理的基本方法
第5章 圖像的算術(shù)運(yùn)算 65
5.1　圖像的加法與減法運(yùn)算 65
5.2　使用掩模圖像控制處理區(qū)域 67
5.3　圖像的加權(quán)加法運(yùn)算 69
5.4　圖像的乘法與除法運(yùn)算 71
5.5　圖像的位運(yùn)算 73
5.6　圖像的積分運(yùn)算 77
5.7　圖像的歸一化處理 80
第6章 圖像的幾何變換 81
6.1　圖像的平移 81
6.2　圖像的縮放 83
6.3　圖像的旋轉(zhuǎn) 85
6.4　圖像的翻轉(zhuǎn) 88
6.5　圖像的斜切 89
6.6　圖像的投影變換 91
6.7　圖像的重映射 94
第7章 圖像的灰度變換 99
7.1　圖像反轉(zhuǎn)變換 99
7.2　線性灰度變換 100
7.3　非線性灰度變換 105
7.3.1　對(duì)數(shù)變換 105
7.3.2　冪律變換 105
7.4　分段線性變換之對(duì)比度拉伸 108
7.5　分段線性變換之灰度級(jí)分層 109
7.6　灰度變換之比特平面 110
7.7　基于灰度變換調(diào)整圖像色階 112
第8章 圖像的直方圖處理 116
8.1　圖像的灰度直方圖 116
8.2　圖像的直方圖均衡化 118
8.3　圖像的直方圖匹配 120
8.4　基于局部直方圖統(tǒng)計(jì)量的圖像增強(qiáng) 124
8.5　限制對(duì)比度自適應(yīng)直方圖均衡化 126
第9章 圖像的閾值處理 129
9.1　固定閾值處理 129
9.2　OTSU閾值算法 133
9.3　多閾值處理算法 134
9.4　自適應(yīng)閾值處理 137
9.5　移動(dòng)平均閾值處理 138
9.6　HSV顏色空間的閾值分割 140
9.6.1　HSV顏色空間 140
9.6.2　區(qū)間閾值處理 141
第三部分 圖像處理的高級(jí)方法
第10章 圖像卷積與空間濾波 149
10.1　相關(guān)運(yùn)算與卷積運(yùn)算 149
10.1.1　相關(guān)運(yùn)算 149
10.1.2　可分離卷積核 150
10.1.3　邊界擴(kuò)充 151
10.2　空間濾波之盒式濾波器 153
10.3　空間濾波之高斯濾波器 155
10.4　空間濾波之統(tǒng)計(jì)排序?yàn)V波器 157
10.4.1　中值濾波器 157
10.4.2　最大值濾波器 157
10.4.3　最小值濾波器 158
10.4.4　中點(diǎn)濾波器 158
10.4.5　修正阿爾法均值濾波器 158
10.5　空間濾波之自適應(yīng)濾波器 161
10.5.1　自適應(yīng)局部降噪濾波器 161
10.5.2　自適應(yīng)中值濾波器 161
10.6　空間濾波之雙邊濾波器 164
10.7　空間濾波之鈍化掩蔽 166
10.8　空間濾波之Laplacian算子 168
10.9　空間濾波之Sobel算子與Scharr算子 169
10.9.1　Sobel算子 169
10.9.2　Scharr算子 170
10.10　圖像金字塔 173
10.10.1　高斯金字塔 173
10.10.2　拉普拉斯金字塔 174
第11章 傅里葉變換與頻域?yàn)V波 179
11.1　圖像的傅里葉變換 179
11.1.1　用OpenCV實(shí)現(xiàn)傅里葉變換 180
11.1.2　用Numpy實(shí)現(xiàn)傅里葉變換 181
11.1.3　頻譜中心化 181
11.2　快速傅里葉變換 185
11.3　頻域?yàn)V波的基本步驟 187
11.4　頻域?yàn)V波之低通濾波 189
11.4.1　低通濾波器的傳遞函數(shù) 189
11.4.2　頻域?yàn)V波的詳細(xì)步驟 192
11.5　頻域?yàn)V波之高通濾波 195
11.6　頻域?yàn)V波之Laplacian算子 198
11.6.1　Laplacian算子 198
11.6.2　梯度算子的傳遞函數(shù) 198
11.7　頻域?yàn)V波之選擇性濾波器 202
11.7.1　帶阻濾波器和帶通濾波器 203
11.7.2　陷波濾波器 203
第12章 形態(tài)學(xué)圖像處理 209
12.1　腐蝕運(yùn)算和膨脹運(yùn)算 209
12.1.1　腐蝕和膨脹 209
12.1.2　形態(tài)學(xué)處理的結(jié)構(gòu)元 210
12.2　形態(tài)學(xué)運(yùn)算函數(shù) 212
12.2.1　形態(tài)學(xué)高級(jí)運(yùn)算 213
12.2.2　形態(tài)學(xué)處理函數(shù) 214
12.3　灰度形態(tài)學(xué)運(yùn)算 218
12.3.1　灰度腐蝕與灰度膨脹 218
12.3.2　灰度開(kāi)運(yùn)算與灰度閉運(yùn)算 219
12.3.3　灰度頂帽算子和灰度底帽算子 219
12.4　形態(tài)學(xué)算法之邊界提取 225
12.5　形態(tài)學(xué)算法之直線提取 226
12.6　形態(tài)學(xué)算法之線條細(xì)化 228
12.7　形態(tài)學(xué)重建之邊界清除 230
12.8　形態(tài)學(xué)重建之孔洞填充 232
12.8.1　孔洞填充算法 232
12.8.2　泛洪填充算法 233
12.9　形態(tài)學(xué)重建之骨架提取 237
12.10　形態(tài)學(xué)重建之粒徑分離 238
12.11　基于形態(tài)學(xué)的粒度測(cè)定 240
12.12　形態(tài)學(xué)算法之邊緣檢測(cè)和角點(diǎn)檢測(cè) 242
第13章 圖像變換、重建與復(fù)原 245
13.1　直角坐標(biāo)與極坐標(biāo)變換 245
13.2　霍夫變換直線檢測(cè) 247
13.3　霍夫變換圓檢測(cè) 250
13.4　雷登變換與反投影圖像重建 252
13.4.1　投影和雷登變換 252
13.4.2　反投影和圖像重建 253
13.5　雷登變換濾波反投影圖像重建 257
13.6　退化圖像復(fù)原之逆濾波 260
13.7　退化圖像復(fù)原之維納濾波 263
13.8　退化圖像復(fù)原之最小二乘法濾波 266
第四部分 計(jì)算機(jī)視覺(jué)
第14章 邊緣檢測(cè)與圖像輪廓 273
14.1　邊緣檢測(cè)之梯度算子 273
14.2　邊緣檢測(cè)之LoG算子 275
14.3　邊緣檢測(cè)之DoG算子 278
14.4　邊緣檢測(cè)之Canny算子 280
14.5　邊緣連接 282
14.6　輪廓的查找與繪制 284
14.6.1　查找圖像輪廓 284
14.6.2　繪制圖像輪廓 285
14.7　輪廓的基本參數(shù) 288
14.7.1　輪廓的面積 288
14.7.2　輪廓的周長(zhǎng) 288
14.7.3　輪廓的質(zhì)心 289
14.7.4　輪廓的等效直徑 289
14.7.5　極端點(diǎn)的位置 289
14.8　輪廓的形狀特征 292
14.8.1　輪廓的垂直矩形邊界框 292
14.8.2　輪廓的最小矩形邊界框 292
14.8.3　輪廓的最小外接圓 293
14.8.4　輪廓的最小外接三角形 293
14.8.5　輪廓的近似多邊形 294
14.8.6　輪廓的擬合橢圓 294
14.8.7　輪廓的擬合直線 294
14.8.8　輪廓的凸殼 295
14.9　輪廓的屬性 298
14.9.1　輪廓的寬高比 298
14.9.2　輪廓的面積比 299
14.9.3　輪廓的堅(jiān)實(shí)度 299
14.9.4　輪廓的方向 299
14.9.5　輪廓的掩模 299
14.9.6　輪廓的最大值、最小值及其位置 300
14.9.7　灰度均值和顏色均值 300
14.9.8　檢測(cè)輪廓的內(nèi)部/外部 300
14.10　矩不變量與形狀相似性 303
14.10.1　圖像的矩不變量 303
14.10.2　基于矩不變量的形狀相似性 304
第15章 圖像分割 308
15.1　區(qū)域生長(zhǎng)與分離 308
15.1.1　區(qū)域生長(zhǎng) 308
15.1.2　區(qū)域分離與聚合 308
15.2　超像素區(qū)域分割 311
15.2.1　簡(jiǎn)單線性迭代聚類 311
15.2.2　能量驅(qū)動(dòng)采樣 311
15.2.3　線性譜聚類 312
15.2.4　OpenCV超像素分割函數(shù) 312
15.3　分水嶺算法 317
15.4　圖割分割算法 322
15.4.1　GraphCut圖割算法 322
15.4.2　GrabCut圖割算法 322
15.4.3　OpenCV中的圖割算法 323
15.5　均值漂移算法 328
15.6　運(yùn)動(dòng)圖像分割 331
15.6.1　幀間差分法 331
15.6.2　背景差分法 331
15.6.3　密集光流法 332
第16章 特征描述 340
16.1　特征描述之弗里曼鏈碼 340
16.2　特征描述之傅里葉描述符 344
16.3　特征描述之傅里葉頻譜分析 347
16.4　特征描述之區(qū)域特征描述 350
16.5　特征描述之灰度共生矩陣 353
16.6　特征描述之LBP描述符 356
16.6.1　基本LBP特征描述符 356
16.6.2　擴(kuò)展LBP特征描述符 356
16.6.3　LBP特征統(tǒng)計(jì)直方圖 357
16.7　特征描述之HOG描述符 363
16.8　特征描述之BRIEF描述符 367
16.9　特征描述之FREAK描述符 371
第17章 特征檢測(cè)與匹配 374
17.1　角點(diǎn)檢測(cè)之Harris算法 374
17.1.1　Harris角點(diǎn)檢測(cè)算法 374
17.1.2　Shi-Tomas角點(diǎn)檢測(cè)算法 375
17.1.3　OpenCV角點(diǎn)檢測(cè)算法 375
17.2　角點(diǎn)檢測(cè)之亞像素精確定位 377
17.3　特征檢測(cè)之SIFT算法 380
17.3.1　SIFT算法的原理 380
17.3.2　OpenCV的SIFT類 381
17.4　特征檢測(cè)之SURF算法 384
17.4.1　SURF算法原理 384
17.4.2　OpenCV的SURF類 385
17.5　特征檢測(cè)之FAST算法 387
17.6　特征檢測(cè)之ORB算法 390
17.6.1　基于尺度空間的FAST關(guān)鍵點(diǎn)檢測(cè) 390
17.6.2　基于點(diǎn)方向的BRIEF特征描述符 390
17.7　特征檢測(cè)之MSER算法 392
17.8　特征匹配之暴力匹配 396
17.9　特征匹配之最近鄰匹配 399
17.9.1　最近鄰匹配 399
17.9.2　單應(yīng)性映射變換 400
第18章 機(jī)器學(xué)習(xí) 404
18.1　OpenCV機(jī)器學(xué)習(xí)模塊 404
18.2　主成分分析 406
18.2.1　主成分分析基本方法 406
18.2.2　OpenCV的PCA類 406
18.3　k均值聚類算法  409
18.4　k近鄰算法  413
18.5　貝葉斯分類器    417
18.6　支持向量機(jī) 420
18.6.1　支持向量機(jī)算法     420
18.6.2　OpenCV的SVM類 421
18.6.3　OpenCV的SVMSGD類 422
18.7　人工神經(jīng)網(wǎng)絡(luò)算法    426
18.7.1　神經(jīng)網(wǎng)絡(luò)算法介紹  426
18.7.2　OpenCV的ANN_MLP神經(jīng)網(wǎng)絡(luò)模型  427
參考文獻(xiàn)       436