数字图像处理与机器视觉 Visual C++与Matlab实现PDF|Epub|txt|kindle电子书版本网盘下载

数字图像处理与机器视觉 Visual C++与Matlab实现PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第0章 数字图像处理概述1

0.1 数字图像1

0.1.1 什么是数字图像1

0.1.2 数字图像的显示1

0.1.3 数字图像的分类2

0.1.4 数字图像的实质3

0.1.5 数字图像的表示4

0.1.6 图像的空间和灰度级分辨率5

0.2 数字图像处理与识别6

0.2.1 从图像处理到图像识别6

0.2.2 什么是机器视觉8

0.2.3 数字图像处理和识别的应用实例8

0.3 数字图像处理的预备知识8

0.3.1 邻接性、连通性、区域和边界8

0.3.2 距离度量的几种方法10

0.3.3 基本的图像操作10

第1章 Matlab图像处理编程基础12

1.1 Matlab操作简介12

1.1.1 Matlab软件环境12

1.1.2 文件操作13

1.1.3 在线帮助的使用14

1.1.4 变量的使用16

1.1.5 矩阵的使用18

1.1.6 细胞数组（Cell Array）和结构体（Structure）21

1.1.7 关系运算与逻辑运算22

1.1.8 常用图像处理数学函数22

1.1.9 Matlab程序流程控制23

1.1.10 M文件编写27

1.1.11 Matlab函数编写28

1.2 Matlab图像类型及其存储方式29

1.3 Matlab的图像转换33

1.4 读取和写入图像文件35

1.5 图像的显示37

第2章 Visual C＋＋图像处理编程基础39

2.1 位图文件及其C＋＋操作39

2.1.1 设备无关位图39

2.1.2 BMP图像文件数据结构39

2.2 认识CImg类42

2.2.1 主要成员函数列表42

2.2.2 公有成员43

2.3 CImg类基础操作44

2.3.1 加载和写入图像44

2.3.2 获得图像基本信息47

2.3.3 检验有效性48

2.3.4 按像素操作49

2.3.5 改变图像大小50

2.3.6 重载的运算符51

2.3.7 在屏幕上绘制位图图像51

2.3.8 新建图像52

2.3.9 图像类型的判断与转化54

2.4 DIPDemo工程55

2.4.1 DIPDemo主界面55

2.4.2 图像操作和处理类——CImg和CImgProcess56

2.4.3 文档类——CDIPDemoDoc57

2.4.4 视图类——CDIPDemoView58

2.5 CImg应用示例58

2.5.1 打开图像58

2.5.2 清空图像60

2.5.3 像素初始化方法61

2.5.4 保存图像61

第3章 图像的点运算63

3.1 灰度直方图63

3.1.1 理论基础63

3.1.2 Matlab实现64

3.1.3 Visual C＋＋实现67

3.2 灰度的线性变换69

3.2.1 理论基础69

3.2.2 Matlab实现70

3.2.3 Visual C＋＋实现72

3.3 灰度对数变换73

3.3.1 理论基础74

3.3.2 Matlab实现74

3.3.3 Visual C＋＋实现75

3.4 伽玛变换76

3.4.1 理论基础76

3.4.2 Matlab实现77

3.4.3 Visual C＋＋实现79

3.5 灰度阈值变换80

3.5.1 理论基础80

3.5.2 Matlab实现81

3.5.3 Visual C＋＋实现82

3.6 分段线性变换83

3.6.1 理论基础83

3.6.2 Matlab实现84

3.6.3 Visual C＋＋实现88

3.7 直方图均衡化90

3.7.1 理论基础90

3.7.2 Matlab实现91

3.7.3 Visual C＋＋实现93

3.8 直方图规定化（匹配）94

3.8.1 理论基础95

3.8.2 Matlab实现95

3.8.3 Visual C＋＋实现97

第4章 图像的几何变换101

4.1 解决几何变换的一般思路101

4.2 图像平移103

4.2.1 图像平移的变换公式103

4.2.2 图像平移的实现104

4.3 图像镜像106

4.3.1 图像镜像的变换公式106

4.3.2 图像镜像的实现106

4.4 图像转置109

4.4.1 图像转置的变换公式110

4.4.2 图像转置的实现110

4.5 图像缩放111

4.5.1 图像缩放的变换公式112

4.5.2 图像缩放的实现112

4.6 图像旋转114

4.6.1 以原点为中心的图像旋转114

4.6.2 以任意点为中心的图像旋转115

4.6.3 图像旋转的实现116

4.7 插值算法118

4.7.1 最近邻插值118

4.7.2 线性插值及其Visual C＋＋实现119

4.7.3 高阶插值121

4.8 图像配准124

4.8.1 什么是图像配准124

4.8.2 人脸图像配准的Matlab实现124

4.9 Visual C＋＋实用案例——汽车牌照的投影失真校正128

4.9.1 系统分析与设计129

4.9.2 系统实现130

4.9.3 功能测试136

第5章 空间域图像增强140

5.1 图像增强基础140

5.1.1 为什么要进行图像增强140

5.1.2 图像增强的分类140

5.2 空间域滤波141

5.2.1 空间域滤波和邻域处理141

5.2.2 边界处理142

5.2.3 相关和卷积143

5.2.4 滤波操作的Matlab实现143

5.2.5 滤波操作的Visual C＋＋实现146

5.3 图像平滑148

5.3.1 平均模板及其实现148

5.3.2 高斯平滑及其实现151

5.3.3 通用平滑滤波的Visual C＋＋实现154

5.3.4 自适应平滑滤波156

5.4 中值滤波156

5.4.1 性能比较156

5.4.2 一种改进的中值滤波策略161

5.4.3 中值滤波的工作原理162

5.5 图像锐化162

5.5.1 理论基础162

5.5.2 基于一阶导数的图像增强——梯度算子163

5.5.3 基于二阶微分的图像增强——拉普拉斯算子167

5.5.4 基于一阶与二阶导数的锐化算子的比较169

5.5.5 高提升滤波及其实现171

5.5.6 高斯-拉普拉斯变换（Laplacian of a Gaussian,LoG）175

第6章 频率域图像增强178

6.1 频率域滤波——与空间域滤波殊途同归178

6.2 傅立叶变换基础知识178

6.2.1 傅立叶级数179

6.2.2 傅立叶变换181

6.2.3 幅度谱、相位谱和功率谱183

6.2.4 傅立叶变换的实质—基的转换185

6.3 快速傅立叶变换（Fast Fourier Transform,FFT）及实现187

6.3.1 FFT变换的必要性187

6.3.2 常见的FFT算法188

6.3.3 按时间抽取的基-2 FFT算法188

6.3.4 离散反傅立叶变换的快速算法（IFFT）192

6.3.5 N维快速傅里叶变换（FFTN）192

6.3.6 Matlab实现192

6.3.7 Visual C＋＋实现198

6.4 频域滤波基础206

6.4.1 频域滤波与空域滤波的关系206

6.4.2 频域滤波的基本步骤206

6.4.3 频域滤波的Matlab实现207

6.4.4 频域滤波的Visual C＋＋实现208

6.5 频域低通滤波器210

6.5.1 理想低通滤波器及其实现210

6.5.2 高斯低通滤波器及其实现215

6.6 频率域高通滤波器220

6.6.1 高斯高通滤波器及其实现220

6.6.2 频域拉普拉斯滤波器及其实现224

6.7 Matlab综合案例——利用频域滤波消除周期噪声227

6.7.1 频域带阻滤波器227

6.7.2 带阻滤波消除周期噪声229

6.8 频域滤波器与空域滤波器之间的内在联系232

第7章 彩色图像处理233

7.1 彩色基础233

7.1.1 什么是彩色233

7.1.2 我们眼中的彩色234

7.1.3 三原色234

7.1.4 计算机中的颜色表示235

7.2 彩色模型236

7.2.1 RGB模型236

7.2.2 CMY、CMYK模型238

7.2.3 HSI模型241

7.2.4 HSV模型249

7.2.5 YUV模型254

7.2.6 YIQ模型260

7.2.7 Lab模型简介264

7.3 全彩色图像处理基础264

7.3.1 彩色补偿及其Matlab实现265

7.3.2 彩色平衡及其Matlab实现267

第8章 形态学图像处理270

8.1 预备知识270

8.2 二值图像中的基本形态学运算272

8.2.1 腐蚀及其实现273

8.2.2 膨胀及其实现280

8.2.3 开运算及其实现284

8.2.4 闭运算及其实现287

8.3 二值图像中的形态学应用289

8.3.1 击中与击不中变换及其实现289

8.3.2 边界提取与跟踪及其实现291

8.3.3 区域填充及其Visual C＋＋实现296

8.3.4 连通分量提取及其实现299

8.3.5 细化算法及其Visual C＋＋实现305

8.3.6 像素化算法及其Visual C＋＋实现310

8.3.7 凸壳及其Visual C＋＋实现316

8.3.8 bwmorph函数319

8.4 灰度图像中的基本形态学运算320

8.4.1 灰度膨胀及其实现320

8.4.2 灰度腐蚀及其实现324

8.4.3 灰度开、闭运算及其实现328

8.4.4 顶帽变换（top-hat）及其实现331

8.5 小结334

第9章 图像分割335

9.1 图像分割概述335

9.2 边缘检测336

9.2.1 边缘检测概述336

9.2.2 常用的边缘检测算子337

9.2.3 Matlab实现340

9.2.4 Visual C＋＋实现343

9.3 霍夫变换350

9.3.1 直线检测350

9.3.2 曲线检测352

9.3.3 任意形状的检测353

9.3.4 Hough变换直线检测的Matlab实现354

9.3.5 Hough变换直线检测的Visual C＋＋实现357

9.4 阈值分割361

9.4.1 阈值分割方法361

9.4.2 Matlab实现364

9.4.3 Visual C＋＋实现366

9.5 区域分割368

9.5.1 区域生长及其实现368

9.5.2 区域分裂与合并及其Matlab实现373

9.6 小结378

第10章 特征提取379

10.1 图像特征概述379

10.1.1 什么是图像特征379

10.1.2 图像特征的分类379

10.1.3 特征向量及其几何解释379

10.1.4 特征提取的一般原则380

10.1.5 特征的评价标准381

10.2 基本统计特征381

10.2.1 简单的区域描绘子及其Matlab实现381

10.2.2 直方图及其统计特征383

10.2.3 灰度共现矩阵及其Visual C＋＋实现385

10.3 特征降维388

10.3.1 维度灾难388

10.3.2 特征选择简介389

10.3.3 主成份分析（Principal Component Analysis,PCA）390

10.3.4 快速PCA及其实现397

10.4 综合案例——基于PCA的人脸特征抽取399

10.4.1 数据集简介399

10.4.2 生成样本矩阵400

10.4.3 主成份分析401

10.4.4 主成份脸可视化分析402

10.4.5 基于主分量的人脸重建404

10.5 局部二进制模式406

10.5.1 基本LBP406

10.5.2 圆形邻域的LBP P,R算子407

10.5.3 统一化LBP算子——Uniform LBP及其Matlab实现407

10.5.4 MB-LBP及其Matlab实现411

10.5.5 图像分区及其Matlab实现417

第11章 图像识别初步421

11.1 模式识别概述421

11.1.1 模式与模式识别421

11.1.2 图像识别422

11.1.3 关键概念422

11.1.4 识别问题的一般描述423

11.1.5 过度拟合（Overfit）424

11.1.6 模式识别系统结构425

11.1.7 训练／学习方法分类425

11.2 模式识别方法分类426

11.2.1 统计模式识别426

11.2.2 句法模式识别426

11.2.3 小结427

11.3 最小距离分类器和模板匹配428

11.3.1 最小距离分类器及其Matlab实现428

11.3.2 基于相关的模板匹配430

11.3.3 相关匹配的计算效率436

第12章 人工神经网络438

12.1 人工神经网络简介438

12.1.1 仿生学动机438

12.1.2 人工神经网络的应用实例440

12.2 人工神经网络的理论基础441

12.2.1 训练线性单元的梯度下降算法441

12.2.2 多层人工神经网络447

12.2.3 sigmoid单元448

12.2.4 反向传播（BP,Back Propogation）算法450

12.2.5 训练中的问题453

12.3 基于ANN的数字字符识别系统DigitRec——分析与设计454

12.3.1 任务描述454

12.3.2 数据集简介455

12.3.3 设计要点455

12.4 基于ANN的数字字符识别系统DigitRec——实现457

12.4.1 构建神经元结构—SNeuron457

12.4.2 构建神经网络网络层——SNeuronLayer459

12.4.3 神经网络信息头——NEURALNET_HEADER460

12.4.4 神经网络类——CNeuralNet460

12.4.5 神经网络的训练数据类—CNeuralData473

12.4.6 误差跟踪类——CValueTrack478

12.4.7 训练对话框类——CTrainDlg481

12.4.8 测试对话框类——CTestDlg484

12.5 基于ANN的数字字符识别系统DigitRec——测试487

12.5.1 训练488

12.5.2 测试489

12.6 改进的DigitRec490

12.6.1 数字字符图像的预处理类——COCRImageProcess490

12.6.2 输入图像的预处理——实现491

12.6.3 输入图像的预处理——测试504

12.7 神经网络参数对训练和识别的影响506

12.7.1 隐藏层单元数目的影响506

12.7.2 学习率的影响508

12.7.3 训练时代数目的影响508

第13章 支持向量机511

13.1 支持向量机的分类思想511

13.1.1 分类模型的选择511

13.1.2 模型参数的选择512

13.2 支持向量机的理论基础512

13.2.1 线性可分情况下的SVM512

13.2.2 非线性可分情况下的C-SVM516

13.2.3 需要核函数映射情况下的SVM518

13.2.4 推广到多类问题521

13.3 SVM的Matlab实现523

13.3.1 训练——svmtrain523

13.3.2 分类——svmclassify525

13.3.3 应用实例526

13.4 综合案例——基于PCA和SVM的人脸识别系统526

13.4.1 人脸识别简介527

13.4.2 前期处理527

13.4.3 数据规格化（Scaling）528

13.4.4 核函数的选择531

13.4.5 参数选择532

13.4.6 构建多类SVM分类器535

13.4.7 实验结果537