精通MATLAB數字圖像處理與識別 第二版
內容描述
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。
目錄大綱
目 錄第 1章 初識數字圖像處理與識別 11.1 數字圖像 11.1.1 什麽是數字圖像 11.1.2 數字圖像的顯示 11.1.3 數字圖像的分類 21.1.4 數字圖像的實質 31.1.5 數字圖像的表示 41.1.6 圖像的空間分辨率和灰度級分辨率 41.2 數字圖像處理與識別 61.2.1 從數字圖像處理到數字圖像識別 61.2.2 數字圖像處理與識別的應用實例 71.2.3 數字圖像處理與識別的基本步驟 71.3 數字圖像處理的預備知識 91.3.1 鄰接性、連通性、區域和邊界 91.3.2 常見的距離度量方法 101.3.3 基本的圖像操作 10第 2章 MATLAB數字圖像處理基礎 122.1 MATLAB R2019a簡介 122.1.1 MATLAB軟件環境 122.1.2 文件操作 132.1.3 在線幫助的使用 142.1.4 變量的使用 162.1.5 矩陣的使用 192.1.6 細胞數組和結構體 212.1.7 關系運算與邏輯運算 222.1.8 常用的圖像處理函數 232.1.9 MATLAB程序流程控制 242.1.10 M文件的編寫 282.1.11 MATLAB函數的編寫 282.2 MATLAB圖像類型及其存儲方式 302.3 MATLAB圖像轉換 332.4 讀取和寫入圖像文件 352.5 圖像的顯示 37第3章 圖像的點運算 403.1 灰度直方圖 403.1.1 理論基礎 403.1.2 MATLAB實現 413.2 灰度的線性變換 433.2.1 理論基礎 443.2.2 MATLAB實現 443.3 灰度的對數變換 473.3.1 理論基礎 473.3.2 MATLAB實現 483.4 伽馬變換 483.4.1 理論基礎 493.4.2 MATLAB實現 493.5 灰度閾值變換 513.5.1 理論基礎 513.5.2 MATLAB實現 523.6 分段線性變換 533.6.1 理論基礎 533.6.2 MATLAB實現 543.7 直方圖均衡化 583.7.1 理論基礎 583.7.2 MATLAB實現 593.8 直方圖規定化 613.8.1 理論基礎 613.8.2 MATLAB實現 62第4章 圖像的幾何變換 644.1 解決幾何變換的一般思路 644.2 圖像平移 654.2.1 圖像平移的變換公式 664.2.2 圖像平移的MATLAB實現 664.3 圖像鏡像 684.3.1 圖像鏡像的變換公式 684.3.2 圖像鏡像的MATLAB實現 684.4 圖像轉置 694.4.1 圖像轉置的變換公式 704.4.2 圖像轉置的MATLAB實現 704.5 圖像縮放 704.5.1 圖像縮放的變換公式 714.5.2 圖像縮放的MATLAB實現 714.6 圖像旋轉 724.6.1 以原點為中心的圖像旋轉 724.6.2 以任意點為中心的圖像旋轉 734.6.3 圖像旋轉的MATLAB實現 744.7 插值算法 754.7.1 最近鄰插值 754.7.2 雙線性插值 764.7.3 高階插值 774.8 MATLAB綜合案例—人臉圖像配準 794.8.1 什麽是圖像配準 794.8.2 人臉圖像配準的MATLAB實現 79第5章 空域圖像增強 835.1 圖像增強基礎 835.1.1 為什麽要進行圖像增強 835.1.2 圖像增強的分類 835.2 空域濾波 845.2.1 空域濾波和鄰域處理 845.2.2 邊界處理 855.2.3 相關和捲積 865.2.4 濾波操作的MATLAB實現 865.3 圖像平滑 885.3.1 平均模板及其實現 885.3.2 高斯平滑及其實現 905.3.3 自適應平滑濾波 925.4 中值濾波 935.4.1 性能比較 935.4.2 一種改進的中值濾波策略 955.4.3 中值濾波的工作原理 955.5 圖像銳化 965.5.1 理論基礎 965.5.2 基於一階導數的圖像增強—梯度算子 965.5.3 基於二階微分的圖像增強—拉普拉斯算子 995.5.4 基於一階與二階導數的銳化算子的比較 1015.5.5 高提升濾波及其實現 1025.5.6 高斯-拉普拉斯變換 104第6章 頻域圖像增強 1066.1 頻域濾波—與空域濾波殊途同歸 1066.2 傅里葉變換的基礎知識 1066.2.1 傅里葉級數 1066.2.2 傅里葉變換 1086.2.3 幅度譜、相位譜和功率譜 1106.2.4 傅里葉變換的實質—基的轉換 1116.3 快速傅里葉變換及其實現 1136.3.1 FFT變換的必要性 1136.3.2 常見的FFT算法 1146.3.3 按時間抽取的基 2 FFT算法 1146.3.4 離散傅里葉反變換的快速算法 1186.3.5 N維快速傅里葉變換 1186.3.6 MATLAB實現 1186.4 頻域濾波的基礎知識 1226.4.1 頻域濾波與空域濾波的關系 1226.4.2 頻域濾波的基本步驟 1236.4.3 頻域濾波的MATLAB實現 1246.5 頻域低通濾波器 1246.5.1 理想低通濾波器及其實現 1256.5.2 高斯低通濾波器及其實現 1276.6 頻域高通濾波器 1316.6.1 高斯高通濾波器及其實現 1316.6.2 頻域拉普拉斯濾波器及其實現 1336.7 MATLAB綜合案例—利用頻域帶阻濾波器消除周期噪聲 1356.7.1 頻域帶阻濾波器 1356.7.2 利用帶阻濾波器消除周期噪聲 1366.8 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 1427.1 多分辨率分析 1427.1.1 多分辨率框架 1427.1.2 分解與重構的實現 1487.1.3 圖像處理中分解與重構的實現 1507.2 Gabor多分辨率分析 1557.3 常見小波分析 1597.3.1 Haar小波 1597.3.2 Daubechies小波 1617.4 高維小波 164第8章 圖像復原 1668.1 圖像復原的一般理論 1668.1.1 圖像復原的基本概念 1668.1.2 圖像復原的一般模型 1678.2 實用的圖像復原技術 1848.2.1 圖像復原的數值計算方法 1848.2.2 非線性復原 187第9章 彩色圖像處理 1909.1 色彩基礎 1909.1.1 什麽是色彩 1909.1.2 人眼中的色彩 1919.1.3 三原色 1919.1.4 電腦中顏色的表示 1929.2 色彩模型 1939.2.1 RGB模型 1939.2.2 CMY/CMYK模型 1949.2.3 HSI模型 1969.2.4 HSV模型 2009.2.5 YUV模型 2029.2.6 YIQ模型 2059.2.7 Lab模型 2079.3 全彩色圖像處理基礎 2079.3.1 彩色補償及其MATLAB實現 2079.3.2 彩色平衡及其MATLAB實現 210第 10章 形態學圖像處理 21210.1 預備知識 21210.2 二值圖像中的基本形態學運算 21310.2.1 腐蝕及其實現 21410.2.2 膨脹及其實現 21810.2.3 開運算及其實現 22110.2.4 閉運算及其實現 22210.3 二值圖像中的形態學應用 22310.3.1 擊中與擊不中變換及其實現 22410.3.2 邊界提取與跟蹤及其實現 22610.3.3 區域填充 22710.3.4 連通分量提取及其實現 22910.3.5 細化算法 23210.3.6 像素化算法 23310.3.7 凸殼 23410.3.8 bwmorph函數 23510.4 灰度圖像中的基本形態學運算 23510.4.1 灰度膨脹及其實現 23610.4.2 灰度腐蝕及其實現 23810.4.3 灰度開運算和灰度閉運算及其實現 24010.4.4 頂帽變換及其實現 24110.5 小結 243第 11章 圖像分割 24411.1 圖像分割概述 24411.2 邊緣檢測 24511.2.1 邊緣檢測概述 24511.2.2 常用的邊緣檢測算子 24511.2.3 MATLAB實現 24811.3 霍夫變換 25111.3.1 直線檢測 25111.3.2 曲線檢測 25311.3.3 任意形狀的檢測 25411.3.4 利用霍夫變換做直線檢測的MATLAB實現 25411.4 閾值分割 25711.4.1 閾值分割方法 25811.4.2 MATLAB實現 26111.5 區域分割 26111.5.1 區域生長及其實現 26211.5.2 區域分裂與合並及其MATLAB實現 26411.6 基於形態學分水嶺算法的圖像分割 26811.6.1 形態學分水嶺算法 26911.6.2 MATLAB實現 27111.7 MATLAB綜合案例—分水嶺算法 27111.8 小結 277第 12章 特徵提取 27812.1 圖像特徵概述 27812.1.1 什麽是圖像特徵 27812.1.2 圖像特徵的分類 27812.1.3 特徵向量及其幾何解釋 27812.1.4 特徵提取的一般原則 27912.1.5 特徵的評價標準 27912.2 基本統計特徵 28012.2.1 簡單的區域描繪子及其MATLAB實現 28012.2.2 直方圖及其統計特徵 28112.2.3 灰度共現矩陣 28312.3 特徵降維 28612.3.1 維度災難 28612.3.2 特徵選擇簡介 28712.3.3 主成分分析 28812.3.4 快速PCA及其實現 29412.4 綜合案例—基於PCA的人臉特徵抽取 29612.4.1 數據集簡介 29612.4.2 生成樣本矩陣 29612.4.3 主成分分析 29712.4.4 主成分臉的可視化分析 29812.4.5 基於主成分分量的人臉重建 30012.5 局部二進制模式 30112.5.1 基本LBP算子 30112.5.2 圓形鄰域的LBPP,R算子 30212.5.3 統一化LBP及其MATLAB實現 30312.5.4 MB-LBP及其MATLAB實現 30612.5.5 圖像分區及其MATLAB實現 311第 13章 圖像識別初步 31413.1 模式識別概述 31413.1.1 模式與模式識別 31413.1.2 圖像識別 31413.1.3 關鍵概念 31513.1.4 模式識別問題的一般描述 31613.1.5 過度擬合 31713.1.6 模式識別系統的結構 31713.1.7 訓練/學習方法的分類 31713.2 模式識別方法的分類 31813.2.1 統計模式識別 31813.2.2 句法模式識別 31813.2.3 小結 31913.3 最小距離分類器和模板匹配 32013.3.1 最小距離分類器及其MATLAB實現 32013.3.2 基於相關的模板匹配 32113.3.3 相關匹配的計算效率 324第 14章 人工神經網絡 32614.1 人工神經網絡簡介 32614.1.1 仿生學動機 32614.1.2 人工神經網絡的應用實例 32814.2 人工神經網絡的理論基礎 32814.2.1 訓練線性單元的梯度下降算法 32914.2.2 多層人工神經網絡 33414.2.3 sigmoid單元 33414.2.4 反向傳播算法 33514.2.5 訓練中的問題 33914.3 神經網絡算法的可視化實現 34014.3.1 NNTool的主要功能及應用 34014.3.2 神經網絡的模擬測試 34314.4 MATLAB神經網絡工具箱 34614.4.1 網絡創建 34614.4.2 網絡初始化 34714.4.3 網絡訓練 34714.4.4 網絡模擬測試 34814.4.5 網絡性能分析 348第 15章 支持向量機 34915.1 支持向量機的分類思想 34915.1.1 分類模型的選擇 34915.1.2 模型參數的選擇 35015.2 支持向量機的理論基礎 35015.2.1 線性可分情況下的SVM 35015.2.2 非線性可分情況下的C-SVM 35315.2.3 需要核函數映射情況下的SVM 35615.2.4 推廣到多分類問題 35915.3 SVM的MATLAB實現 36015.3.1 訓練—svmtrain函數 36015.3.2 分類—svmclassify函數 36215.3.3 應用實例 36215.4 綜合案例—基於PCA和SVM的人臉識別系統 36315.4.1 人臉識別簡介 36315.4.2 前期處理 36415.4.3 數據規格化 36415.4.4 核函數的選擇 36715.4.5 參數選擇 36815.4.6 構建多類SVM分類器 37015.4.7 實驗結果 37215.5 SVM在線資源 37815.5.1 SVM工具箱 37815.5.2 LIBSVM簡介 379第 16章 AdaBoost 38016.1 AdaBoost分類思想 38016.1.1 AdaBoost算法的提出背景 38016.1.2 AdaBoost算法的分類模型 38116.1.3 AdaBoost算法的流程 38116.2 AdaBoost理論基礎 382推廣到多分類問題 38416.3 構建AdaBoost的MATLAB工具箱 38516.4 MATLAB綜合案例—基於AdaBoost的面部圖像男女性別分類 38816.4.1 關於數據集 38816.4.2 數據的預處理 38916.4.3 算法流程的實現 389第 17章 三維圖像基礎 39117.1 三維信息基礎 39117.1.1 三維空間 39117.1.2 三維圖像 39217.2 三維圖像繪制 39317.2.1 三維曲線圖 39317.2.2 三維網格圖 39317.2.3 其他三維立體化信息展示方式 39617.3 三維數據聚類 39717.3.1 聚類分析基礎 39717.3.2 K均值聚類 398第 18章 深度學習 40218.1 深度學習理論基礎 40218.1.1 什麽是深度學習 40218.1.2 深度學習中的重要概念 40318.2 MATLAB深度學習工具箱 40418.2.1 MATLAB深度學習工具箱簡介 40418.2.2 MATLAB深度學習工具箱中的深度學習函數介紹 40518.3 使用MATLAB深度學習工具箱解決機器視覺問題 40918.3.1 MATLAB深度學習工具箱中常用的預訓練模型 40918.3.2 使用預訓練模型對圖像進行分類 41018.3.3 使用預訓練的神經網絡對圖像進行去噪 41218.4 案例分析：目標檢測 413參考文獻 420
作者介紹
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。
