高等院校教师

第1章　绪论—图像处理与机器视觉的前世今生 1
引言 1
1.1　技术的起源与发展 1
1.2　背后的理论体系 4
1.3　光谱家族及其应用领域 7
1.3.1　γ射线成像 7
1.3.2　X射线成像 8
1.3.3　紫外线成像 9
1.3.4　可见光成像 10
1.3.5　红外线成像 11
1.3.6　微波成像 11
1.3.7　无线电波成像 12
1.3.8　其他成像方式 13
1.4　狭义的数字图像处理—从图像到图像 13
1.4.1　图像增强 13
1.4.2　图像复原 14
1.4.3　图像去噪 15
1.5　广义的数字图像处理—从图像到理解 16
1.5.1　图像分类 16
1.5.2　目标检测 18
1.5.3　图像分割 20
本章小结 21
参考文献 22
第1篇　底层视觉：数字图像处理方法
第2章　数字图像处理基础—人工智能的敲门砖 24
引言 24
2.1　图像的定义 24
2.2　图像的获取 25
2.3　图像的数字化 26
2.3.1　图像的采样 26
2.3.2　图像的量化 28
2.4　数字图像的表示与属性 29
2.4.1　图像的表示 29
2.4.2　图像的数据类型 31
2.4.3　图像的类型 31
2.5　数字图像中像素的表示与分析 33
2.5.1　相邻像素 33
2.5.2　邻接性、连通性、区域和边界 34
本章小结 35
思考题与习题 35
参考文献 36
第3章　空域图像处理及应用—图像质量的提升 37
引言 37
3.1　基于灰度变换的图像增强 37
3.1.1　线性变换 37
3.1.2　分段线性变换 39
3.1.3　非线性变换 40
3.2　基于直方图处理的图像增强 43
3.2.1　直方图基本概念 43
3.2.2　直方图均衡化 46
3.2.3　直方图规定化 51
3.3　基于空域滤波的图像增强与图像去噪 54
3.3.1　噪声模型 54
3.3.2　相关和卷积 59
3.3.3　线性空间滤波 62
3.3.4　非线性统计排序滤波器 73
3.4　空域图像处理的典型应用 75
3.4.1　基于直方图处理的图像增强 75
3.4.2　基于空域滤波处理的图像平滑与去噪 77
3.4.3　图像去雾 78
3.4.4　图像超分辨率重建 80
本章小结 81
思考题与习题 81
参考文献 83
第4章　频域图像处理及应用—图像增强与图像复原 84
引言 84
4.1　基础知识 84
4.1.1　傅里叶级数与傅里叶变换 84
4.1.2　卷积与卷积定理 87
4.1.3　单位离散冲激信号与冲激序列 87
4.1.4　取样及取样函数的傅里叶变换 88
4.1.5　一维变量的离散傅里叶变换 91
4.1.6　二维变量的离散傅里叶变换 93
4.1.7　二维DFT的性质 95
4.2　基于频域滤波的数字图像处理基本框架 99
4.2.1　频域滤波基础 100
4.2.2　频域滤波步骤 103
4.2.3　空域与频域滤波间的对应关系 103
4.3　低通滤波器 105
4.3.1　理想低通滤波器 106
4.3.2　巴特沃思低通滤波器 108
4.3.3　高斯低通滤波器 110
4.4　高通滤波器 112
4.4.1　理想高通滤波器 112
4.4.2　巴特沃思高通滤波器 113
4.4.3　高斯高通滤波器 114
4.5　带通滤波器与带阻滤波器 116
4.5.1　带通和带阻滤波器 116
4.5.2　陷波滤波器 117
4.6　同态滤波 119
4.7　基于退化函数估计的图像复原 120
4.7.1　线性、位置不变的退化 121
4.7.2　估计退化函数 121
4.7.3　逆滤波 124
4.7.4　维纳滤波 125
4.8　频域图像处理的典型应用 127
4.8.1　基于频域滤波器的图像去噪 127
4.8.2　基于频域滤波的背景抑制与目标检测 129
4.8.3　图像去模糊 131
本章小结 132
思考题与习题 132
参考文献 133
第5章　形态学图像处理及应用—图像目标形状分析的便捷工具 134
引言 134
5.1　预备知识 134
5.1.1　元素和集合 134
5.1.2　反射和平移 136
5.1.3　结构元 136
5.2　腐蚀和膨胀 137
5.2.1　腐蚀操作 138
5.2.2　膨胀操作 139
5.3　开操作与闭操作 141
5.3.1　开操作 141
5.3.2　闭操作 142
5.4　击中变换和击不中变换 143
5.5　灰度级形态学处理 144
5.5.1　灰值腐蚀 145
5.5.2　灰值膨胀 145
5.5.3　灰值开、闭运算 146
5.5.4　顶帽变换与底帽变换 146
5.6　形态学图像处理的典型应用 147
5.6.1　孔洞填充 147
5.6.2　细化 149
5.6.3　骨架提取 149
5.6.4　基于形态学处理的花生计数 150
5.6.5　基于形态学处理的车牌识别 154
本章小结 158
思考题与习题 158
参考文献 159
第6章　彩色图像处理及应用—更加丰富多彩的图像世界 160
引言 160
6.1　彩色图像模型 160
6.1.1　RGB彩色模型 160
6.1.2　HSI彩色模型 162
6.1.3　CMY和CMYK彩色模型 163
6.1.4　彩色模型之间的转换 163
6.2?伪彩色图像处理 165
6.2.1　灰度分层技术 165
6.2.2　灰度到彩色的映射 166
6.3　全彩色图像处理 168
6.3.1　全彩色图像处理基础 168
6.3.2　彩色图像增强 169
6.3.3　彩色图像分割 178
6.4　彩色图像处理的典型应用 181
6.4.1　彩色图像的直方图调整 181
6.4.2　彩色图像的平滑与锐化操作 181
6.4.3　人脸检测 184
6.4.4　交通灯识别 185
本章小结 187
思考题与习题 187
参考文献 188
第２篇　中层视觉：图像特征分析
第７章　图像特征检测—挖掘图像中的重要信息 190
引言 190
7.1　基于阈值处理的像素点检测 190
7.1.1　基础知识 190
7.1.2　基本的全局化阈值处理 192
7.1.3　Otsu阈值化处理 193
7.1.4　局部阈值处理 196
7.2　角点检测 199
7.2.1　孤立点检测 199
7.2.2　Harris角点检测 200
7.3　边缘检测 203
7.3.1　一阶边缘检测模型 203
7.3.2　二阶边缘检测模型 207
7.3.3　基于Hough变换的边缘检测 209
7.4　尺度检测 212
7.4.1　Blob特征检测 212
7.4.2　SIFT特征检测 215
7.5　特征检测的典型应用 217
7.5.1　Harris角点检测示例 217
7.5.2　基于Hough变换的车道线检测 219
本章小结 221
思考题与习题 222
参考文献 222
第8章　图像特征提取与描述—区分图像或目标的关键 223
引言 223
8.1　颜色特征提取 223
8.1.1　颜色直方图 223
8.1.2　颜色集 224
8.1.3　颜色相关图 225
8.1.4　颜色矩 227
8.2　形状特征提取 228
8.2.1　简单形状特征 229
8.2.2　傅里叶描述符 230
8.2.3　形状无关矩 232
8.3　纹理特征提取 233
8.3.1　LBP特征描述子 233
8.3.2　SIFT特征描述子 236
8.3.3　HOG特征描述子 238
8.3.4　SURF特征描述子 240
本章小结 241
思考题与习题 241
参考文献 242
第9章　图像特征匹配—图像间细节信息的关联 243
引言 243
9.1　基础匹配 243
9.1.1　特征匹配的策略 244
9.1.2　特征匹配的评价标准 246
9.1.3　暴力匹配 247
9.1.4　KD-树匹配 248
9.2　RANSAC算法 249
9.2.1　RANSAC算法的基本原理 249
9.2.2　RANSAC算法的优点和局限性 251
9.3　典型应用及相关程序 251
9.3.1　暴力匹配示例 251
9.3.2　KD-树匹配示例 252
9.3.3　基于RANSAC算法的匹配示例 253
本章小结 254
思考题与习题 254
参考文献 255
第3篇　高层视觉：立体视觉与图像理解
第10章　视觉系统构建—三维场景与二维图像的联系 257
引言 257
10.1　视觉成像模型 257
10.1.1　针孔模型 258
10.1.2　薄透镜模型 259
10.1.3　透视投影模型 260
10.2　视觉系统硬件选型 265
10.2.1　视觉系统的硬件构成 266
10.2.2　视觉系统的选型过程 273
10.3　视觉系统标定 275
10.3.1　常用的标定方法 276
10.3.2　张正友标定方法 277
本章小结 281
思考题与习题 281
参考文献 281
第11章　立体视觉与三维重建—将二维图像映射到三维空间 282
引言 282
11.1　立体视觉系统 282
11.1.1　平视双目视觉系统 282
11.1.2　一般立体视觉系统 285
11.1.3　立体视觉系统标定 286
11.2　极线几何与立体匹配 287
11.2.1　极线几何理论 287
11.2.2　立体匹配过程 290
11.3　点云处理基础 297
11.3.1　点云数据表示与结构 297
11.3.2　点云数据预处理 299
11.3.3　点云配准与坐标变换 300
11.4?平视双目视觉系统典型应用 304
本章小结 307
思考题与习题 308
参考文献 308
第12章　图像分类、检测与分割—对真实世界的认知与理解 309
引言 309
12.1　图像分类 309
12.1.1　卷积神经网络 310
12.1.2　深度卷积神经网络（AlexNet） 312
12.1.3　残差网络（ResNet） 314
12.1.4　图像分类算法应用场景举例 316
12.2　目标检测 318
12.2.1　两阶段目标检测算法 318
12.2.2　单阶段目标检测算法 321
12.2.3　目标检测算法应用场景举例 322
12.3　图像分割 326
12.3.1　U-Net模型 329
12.3.2　U-Net++模型 329
12.3.3　图像分割算法应用场景举例 330
本章小结 334
参考文献 335