精通 MATLAB 數字圖像處理與識別, 2/e

內 容 提 要

　　本書將理論知識、工程技術和工程實踐有機結合起來，介紹了數字圖像處理與識別技術的方方面面，包括圖像的點運算、幾何變換、空域和頻域濾波、小波變換、圖像復原、形態學處理、圖像分割以及圖像特徵提取等。另外，本書還對機器視覺進行了前導性的探究，重點介紹了兩種目前在工程技術領域非常流行的分類技術—人工神經網絡（ANN）和支持向量機（SVM）。

　　本書結構緊湊，內容深入淺出、圖文並茂，適合電腦、通信和自動化等相關專業的本科生、研究生，以及工作在圖像處理與識別領域一線的廣大工程技術人員參考使用。

张铮 大学教授，专攻图形和图像处理以及识别技术，承担了多项国家级项目，对Matlab有很深入的研究。

目　錄

第 1章　初識數字圖像處理與識別　1

1.1　數字圖像　1

1.1.1 什麽是數字圖像　1

1.1.2 數字圖像的顯示　1

1.1.3 數字圖像的分類　2

1.1.4 數字圖像的實質　3

1.1.5 數字圖像的表示　4

1.1.6 圖像的空間分辨率和灰度級分辨率　4

1.2　數字圖像處理與識別　6

1.2.1 從數字圖像處理到數字圖像識別　6

1.2.2 數字圖像處理與識別的應用實例　7

1.2.3 數字圖像處理與識別的基本步驟　7

1.3　數字圖像處理的預備知識　9

1.3.1 鄰接性、連通性、區域和邊界　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數字圖像處理基礎　12

2.1　MATLAB R2019a簡介　12

2.1.1 MATLAB軟件環境　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　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　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　44

3.3　灰度的對數變換　47

3.3.1 理論基礎　47

3.3.2 MATLAB實現　48

3.4　伽馬變換　48

3.4.1 理論基礎　49

3.4.2 MATLAB實現　49

3.5　灰度閾值變換　51

3.5.1 理論基礎　51

3.5.2 MATLAB實現　52

3.6　分段線性變換　53

3.6.1 理論基礎　53

3.6.2 MATLAB實現　54

3.7　直方圖均衡化　58

3.7.1 理論基礎　58

3.7.2 MATLAB實現　59

3.8　直方圖規定化　61

3.8.1 理論基礎　61

3.8.2 MATLAB實現　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　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　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　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　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　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 什麽是圖像配準　79

4.8.2 人臉圖像配準的MATLAB實現　79

第5章　空域圖像增強　83

5.1　圖像增強基礎　83

5.1.1 為什麽要進行圖像增強　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 相關和捲積　86

5.2.4 濾波操作的MATLAB實現　86

5.3　圖像平滑　88

5.3.1 平均模板及其實現　88

5.3.2 高斯平滑及其實現　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 基於一階導數的圖像增強—

梯度算子　96

5.5.3 基於二階微分的圖像增強—

拉普拉斯算子　99

5.5.4 基於一階與二階導數的銳化

算子的比較　101

5.5.5 高提升濾波及其實現　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　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　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　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　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　125

6.5.2 高斯低通濾波器及其實現　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　131

6.6.2 頻域拉普拉斯濾波器及其實現　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

內在聯系　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　148

7.1.3 圖像處理中分解與重構的實現　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 什麽是色彩　190

9.1.2 人眼中的色彩　191

9.1.3 三原色　191

9.1.4 電腦中顏色的表示　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　207

9.3.2 彩色平衡及其MATLAB實現　210

第 10章　形態學圖像處理　212

10.1　預備知識　212

10.2　二值圖像中的基本形態學運算　213

10.2.1 腐蝕及其實現　214

10.2.2 膨脹及其實現　218

10.2.3 開運算及其實現　221

10.2.4 閉運算及其實現　222

10.3　二值圖像中的形態學應用　223

10.3.1 擊中與擊不中變換及其實現　224

10.3.2 邊界提取與跟蹤及其實現　226

10.3.3 區域填充　227

10.3.4 連通分量提取及其實現　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　235

10.4　灰度圖像中的基本形態學運算　235

10.4.1 灰度膨脹及其實現　236

10.4.2 灰度腐蝕及其實現　238

10.4.3 灰度開運算和灰度閉運算及其實現　240

10.4.4 頂帽變換及其實現　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　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　254

11.4　閾值分割　257

11.4.1 閾值分割方法　258

11.4.2 MATLAB實現　261

11.5　區域分割　261

11.5.1 區域生長及其實現　262

11.5.2 區域分裂與合並及其MATLAB實現　264

11.6　基於形態學分水嶺算法的圖像分割　268

11.6.1 形態學分水嶺算法　269

11.6.2 MATLAB實現　271

11.7　MATLAB綜合案例—分水嶺算法　271

11.8　小結　277

第 12章　特徵提取　278

12.1　圖像特徵概述　278

12.1.1 什麽是圖像特徵　278

12.1.2 圖像特徵的分類　278

12.1.3 特徵向量及其幾何解釋　278

12.1.4 特徵提取的一般原則　279

12.1.5 特徵的評價標準　279

12.2　基本統計特徵　280

12.2.1 簡單的區域描繪子及其MATLAB實現　280

12.2.2 直方圖及其統計特徵　281

12.2.3 灰度共現矩陣　283

12.3　特徵降維　286

12.3.1 維度災難　286

12.3.2 特徵選擇簡介　287

12.3.3 主成分分析　288

12.3.4 快速PCA及其實現　294

12.4　綜合案例—基於PCA的人臉特徵抽取　296

12.4.1 數據集簡介　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 基於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 統一化LBP及其MATLAB實現　303

12.5.4 MB-LBP及其MATLAB實現　306

12.5.5 圖像分區及其MATLAB實現　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　320

13.3.2 基於相關的模板匹配　321

13.3.3 相關匹配的計算效率　324

第 14章　人工神經網絡　326

14.1　人工神經網絡簡介　326

14.1.1 仿生學動機　326

14.1.2 人工神經網絡的應用實例　328

14.2　人工神經網絡的理論基礎　328

14.2.1 訓練線性單元的梯度下降算法　329

14.2.2 多層人工神經網絡　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　神經網絡算法的可視化實現　340

14.3.1 NNTool的主要功能及應用　340

14.3.2 神經網絡的模擬測試　343

14.4　MATLAB神經網絡工具箱　346

14.4.1 網絡創建　346

14.4.2 網絡初始化　347

14.4.3 網絡訓練　347

14.4.4 網絡模擬測試　348

14.4.5 網絡性能分析　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　360

15.3.1 訓練—svmtrain函數　360

15.3.2 分類—svmclassify函數　362

15.3.3 應用實例　362

15.4　綜合案例—基於PCA和SVM的人臉識別系統　363

15.4.1 人臉識別簡介　363

15.4.2 前期處理　364

15.4.3 數據規格化　364

15.4.4 核函數的選擇　367

15.4.5 參數選擇　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—基於AdaBoost的面部圖像男女性別分類　388

16.4.1 關於數據集　388

16.4.2 數據的預處理　389

16.4.3 算法流程的實現　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　三維數據聚類　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 什麽是深度學習　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 使用預訓練的神經網絡對圖像進行去噪　412

18.4　案例分析：目標檢測　413

參考文獻　420