精通MATLAB数字图像处理与识别 第二版

内 容 提 要 　　本书将理论知识、工程技术和工程实践有机结合起来，介绍了数字图像处理与识别技术的方方面面，包括图像的点运算、几何变换、空域和频域滤波、小波变换、图像复原、形态学处理、图像分割以及图像特征提取等。另外，本书还对机器视觉进行了前导性的探究，重点介绍了两种目前在工程技术领域非常流行的分类技术—人工神经网络（ANN）和支持向量机（SVM）。 　　本书结构紧凑，内容深入浅出、图文并茂，适合计算机、通信和自动化等相关专业的本科生、研究生，以及工作在图像处理与识别领域一线的广大工程技术人员参考使用。

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　录 第 1章　初识数字图像处理与识别　1 1.1　数字图像　1 1.1.1 什么是数字图像　1 1.1.2 数字图像的显示　1 1.1.3 数字图像的分类　2 1.1.4 数字图像的实质　3 1.1.5 数字图像的表示　4 1.1.6 图像的空间分辨率和灰度级分辨率　4 1.2　数字图像处理与识别　6 1.2.1 从数字图像处理到数字图像识别　6 1.2.2 数字图像处理与识别的应用实例　7 1.2.3 数字图像处理与识别的基本步骤　7 1.3　数字图像处理的预备知识　9 1.3.1 邻接性、连通性、区域和边界　9 1.3.2 常见的距离度量方法　10 1.3.3 基本的图像操作　10 第 2章　MATLAB数字图像处理基础　12 2.1　MATLAB R2019a简介　12 2.1.1 MATLAB软件环境　12 2.1.2 文件操作　13 2.1.3 在线帮助的使用　14 2.1.4 变量的使用　16 2.1.5 矩阵的使用　19 2.1.6 细胞数组和结构体　21 2.1.7 关系运算与逻辑运算　22 2.1.8 常用的图像处理函数　23 2.1.9 MATLAB程序流程控制　24 2.1.10 M文件的编写　28 2.1.11 MATLAB函数的编写　28 2.2　MATLAB图像类型及其存储方式　30 2.3　MATLAB图像转换　33 2.4　读取和写入图像文件　35 2.5　图像的显示　37 第3章　图像的点运算　40 3.1　灰度直方图　40 3.1.1 理论基础　40 3.1.2 MATLAB实现　41 3.2　灰度的线性变换　43 3.2.1 理论基础　44 3.2.2 MATLAB实现　44 3.3　灰度的对数变换　47 3.3.1 理论基础　47 3.3.2 MATLAB实现　48 3.4　伽马变换　48 3.4.1 理论基础　49 3.4.2 MATLAB实现　49 3.5　灰度阈值变换　51 3.5.1 理论基础　51 3.5.2 MATLAB实现　52 3.6　分段线性变换　53 3.6.1 理论基础　53 3.6.2 MATLAB实现　54 3.7　直方图均衡化　58 3.7.1 理论基础　58 3.7.2 MATLAB实现　59 3.8　直方图规定化　61 3.8.1 理论基础　61 3.8.2 MATLAB实现　62 第4章　图像的几何变换　64 4.1　解决几何变换的一般思路　64 4.2　图像平移　65 4.2.1 图像平移的变换公式　66 4.2.2 图像平移的MATLAB实现　66 4.3　图像镜像　68 4.3.1 图像镜像的变换公式　68 4.3.2 图像镜像的MATLAB实现　68 4.4　图像转置　69 4.4.1 图像转置的变换公式　70 4.4.2 图像转置的MATLAB实现　70 4.5　图像缩放　70 4.5.1 图像缩放的变换公式　71 4.5.2 图像缩放的MATLAB实现　71 4.6　图像旋转　72 4.6.1 以原点为中心的图像旋转　72 4.6.2 以任意点为中心的图像旋转　73 4.6.3 图像旋转的MATLAB实现　74 4.7　插值算法　75 4.7.1 最近邻插值　75 4.7.2 双线性插值　76 4.7.3 高阶插值　77 4.8　MATLAB综合案例—人脸图像 配准　79 4.8.1 什么是图像配准　79 4.8.2 人脸图像配准的MATLAB实现　79 第5章　空域图像增强　83 5.1　图像增强基础　83 5.1.1 为什么要进行图像增强　83 5.1.2 图像增强的分类　83 5.2　空域滤波　84 5.2.1 空域滤波和邻域处理　84 5.2.2 边界处理　85 5.2.3 相关和卷积　86 5.2.4 滤波操作的MATLAB实现　86 5.3　图像平滑　88 5.3.1 平均模板及其实现　88 5.3.2 高斯平滑及其实现　90 5.3.3 自适应平滑滤波　92 5.4　中值滤波　93 5.4.1 性能比较　93 5.4.2 一种改进的中值滤波策略　95 5.4.3 中值滤波的工作原理　95 5.5　图像锐化　96 5.5.1 理论基础　96 5.5.2 基于一阶导数的图像增强— 梯度算子　96 5.5.3 基于二阶微分的图像增强— 拉普拉斯算子　99 5.5.4 基于一阶与二阶导数的锐化 算子的比较　101 5.5.5 高提升滤波及其实现　102 5.5.6 高斯-拉普拉斯变换　104 第6章　频域图像增强　106 6.1　频域滤波—与空域滤波殊途同归　106 6.2　傅里叶变换的基础知识　106 6.2.1 傅里叶级数　106 6.2.2 傅里叶变换　108 6.2.3 幅度谱、相位谱和功率谱　110 6.2.4 傅里叶变换的实质—基的 转换　111 6.3　快速傅里叶变换及其实现　113 6.3.1 FFT变换的必要性　113 6.3.2 常见的FFT算法　114 6.3.3 按时间抽取的基 2 FFT算法　114 6.3.4 离散傅里叶反变换的快速算法　118 6.3.5 N维快速傅里叶变换　118 6.3.6 MATLAB实现　118 6.4　频域滤波的基础知识　122 6.4.1 频域滤波与空域滤波的关系　122 6.4.2 频域滤波的基本步骤　123 6.4.3 频域滤波的MATLAB实现　124 6.5　频域低通滤波器　124 6.5.1 理想低通滤波器及其实现　125 6.5.2 高斯低通滤波器及其实现　127 6.6　频域高通滤波器　131 6.6.1 高斯高通滤波器及其实现　131 6.6.2 频域拉普拉斯滤波器及其实现　133 6.7　MATLAB综合案例—利用频域带 阻滤波器消除周期噪声　135 6.7.1 频域带阻滤波器　135 6.7.2 利用带阻滤波器消除周期噪声　136 6.8　频域滤波器与空域滤波器之间的 内在联系　139 第7章　小波变换　142 7.1　多分辨率分析　142 7.1.1 多分辨率框架　142 7.1.2 分解与重构的实现　148 7.1.3 图像处理中分解与重构的实现　150 7.2　Gabor多分辨率分析　155 7.3　常见小波分析　159 7.3.1 Haar小波　159 7.3.2 Daubechies小波　161 7.4　高维小波　164 第8章　图像复原　166 8.1　图像复原的一般理论　166 8.1.1 图像复原的基本概念　166 8.1.2 图像复原的一般模型　167 8.2　实用的图像复原技术　184 8.2.1 图像复原的数值计算方法　184 8.2.2 非线性复原　187 第9章　彩色图像处理　190 9.1　色彩基础　190 9.1.1 什么是色彩　190 9.1.2 人眼中的色彩　191 9.1.3 三原色　191 9.1.4 计算机中颜色的表示　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　全彩色图像处理基础　207 9.3.1 彩色补偿及其MATLAB实现　207 9.3.2 彩色平衡及其MATLAB实现　210 第 10章　形态学图像处理　212 10.1　预备知识　212 10.2　二值图像中的基本形态学运算　213 10.2.1 腐蚀及其实现　214 10.2.2 膨胀及其实现　218 10.2.3 开运算及其实现　221 10.2.4 闭运算及其实现　222 10.3　二值图像中的形态学应用　223 10.3.1 击中与击不中变换及其实现　224 10.3.2 边界提取与跟踪及其实现　226 10.3.3 区域填充　227 10.3.4 连通分量提取及其实现　229 10.3.5 细化算法　232 10.3.6 像素化算法　233 10.3.7 凸壳　234 10.3.8 bwmorph函数　235 10.4　灰度图像中的基本形态学运算　235 10.4.1 灰度膨胀及其实现　236 10.4.2 灰度腐蚀及其实现　238 10.4.3 灰度开运算和灰度闭运算及其实现　240 10.4.4 顶帽变换及其实现　241 10.5　小结　243 第 11章　图像分割　244 11.1　图像分割概述　244 11.2　边缘检测　245 11.2.1 边缘检测概述　245 11.2.2 常用的边缘检测算子　245 11.2.3 MATLAB实现　248 11.3　霍夫变换　251 11.3.1 直线检测　251 11.3.2 曲线检测　253 11.3.3 任意形状的检测　254 11.3.4 利用霍夫变换做直线检测的 MATLAB实现　254 11.4　阈值分割　257 11.4.1 阈值分割方法　258 11.4.2 MATLAB实现　261 11.5　区域分割　261 11.5.1 区域生长及其实现　262 11.5.2 区域分裂与合并及其MATLAB实现　264 11.6　基于形态学分水岭算法的图像分割　268 11.6.1 形态学分水岭算法　269 11.6.2 MATLAB实现　271 11.7　MATLAB综合案例—分水岭算法　271 11.8　小结　277 第 12章　特征提取　278 12.1　图像特征概述　278 12.1.1 什么是图像特征　278 12.1.2 图像特征的分类　278 12.1.3 特征向量及其几何解释　278 12.1.4 特征提取的一般原则　279 12.1.5 特征的评价标准　279 12.2　基本统计特征　280 12.2.1 简单的区域描绘子及其MATLAB实现　280 12.2.2 直方图及其统计特征　281 12.2.3 灰度共现矩阵　283 12.3　特征降维　286 12.3.1 维度灾难　286 12.3.2 特征选择简介　287 12.3.3 主成分分析　288 12.3.4 快速PCA及其实现　294 12.4　综合案例—基于PCA的人脸特征抽取　296 12.4.1 数据集简介　296 12.4.2 生成样本矩阵　296 12.4.3 主成分分析　297 12.4.4 主成分脸的可视化分析　298 12.4.5 基于主成分分量的人脸重建　300 12.5　局部二进制模式　301 12.5.1 基本LBP算子　301 12.5.2 圆形邻域的LBPP,R算子　302 12.5.3 统一化LBP及其MATLAB实现　303 12.5.4 MB-LBP及其MATLAB实现　306 12.5.5 图像分区及其MATLAB实现　311 第 13章　图像识别初步　314 13.1　模式识别概述　314 13.1.1 模式与模式识别　314 13.1.2 图像识别　314 13.1.3 关键概念　315 13.1.4 模式识别问题的一般描述　316 13.1.5 过度拟合　317 13.1.6 模式识别系统的结构　317 13.1.7 训练/学习方法的分类　317 13.2　模式识别方法的分类　318 13.2.1 统计模式识别　318 13.2.2 句法模式识别　318 13.2.3 小结　319 13.3　最小距离分类器和模板匹配　320 13.3.1 最小距离分类器及其MATLAB实现　320 13.3.2 基于相关的模板匹配　321 13.3.3 相关匹配的计算效率　324 第 14章　人工神经网络　326 14.1　人工神经网络简介　326 14.1.1 仿生学动机　326 14.1.2 人工神经网络的应用实例　328 14.2　人工神经网络的理论基础　328 14.2.1 训练线性单元的梯度下降算法　329 14.2.2 多层人工神经网络　334 14.2.3 sigmoid单元　334 14.2.4 反向传播算法　335 14.2.5 训练中的问题　339 14.3　神经网络算法的可视化实现　340 14.3.1 NNTool的主要功能及应用　340 14.3.2 神经网络的仿真测试　343 14.4　MATLAB神经网络工具箱　346 14.4.1 网络创建　346 14.4.2 网络初始化　347 14.4.3 网络训练　347 14.4.4 网络仿真测试　348 14.4.5 网络性能分析　348 第 15章　支持向量机　349 15.1　支持向量机的分类思想　349 15.1.1 分类模型的选择　349 15.1.2 模型参数的选择　350 15.2　支持向量机的理论基础　350 15.2.1 线性可分情况下的SVM　350 15.2.2 非线性可分情况下的C-SVM　353 15.2.3 需要核函数映射情况下的SVM　356 15.2.4 推广到多分类问题　359 15.3　SVM的MATLAB实现　360 15.3.1 训练—svmtrain函数　360 15.3.2 分类—svmclassify函数　362 15.3.3 应用实例　362 15.4　综合案例—基于PCA和SVM的人脸识别系统　363 15.4.1 人脸识别简介　363 15.4.2 前期处理　364 15.4.3 数据规格化　364 15.4.4 核函数的选择　367 15.4.5 参数选择　368 15.4.6 构建多类SVM分类器　370 15.4.7 实验结果　372 15.5　SVM在线资源　378 15.5.1 SVM工具箱　378 15.5.2 LIBSVM简介　379 第 16章　AdaBoost　380 16.1　AdaBoost分类思想　380 16.1.1 AdaBoost算法的提出背景　380 16.1.2 AdaBoost算法的分类模型　381 16.1.3 AdaBoost算法的流程　381 16.2　AdaBoost理论基础　382 推广到多分类问题　384 16.3　构建AdaBoost的MATLAB工具箱　385 16.4　MATLAB综合案例—基于AdaBoost的面部图像男女性别分类　388 16.4.1 关于数据集　388 16.4.2 数据的预处理　389 16.4.3 算法流程的实现　389 第 17章　三维图像基础　391 17.1　三维信息基础　391 17.1.1 三维空间　391 17.1.2 三维图像　392 17.2　三维图像绘制　393 17.2.1 三维曲线图　393 17.2.2 三维网格图　393 17.2.3 其他三维立体化信息展示方式　396 17.3　三维数据聚类　397 17.3.1 聚类分析基础　397 17.3.2 K均值聚类　398 第 18章　深度学习　402 18.1　深度学习理论基础　402 18.1.1 什么是深度学习　402 18.1.2 深度学习中的重要概念　403 18.2　MATLAB深度学习工具箱　404 18.2.1 MATLAB深度学习工具箱简介　404 18.2.2 MATLAB深度学习工具箱中的深度学习函数介绍　405 18.3　使用MATLAB深度学习工具箱解决机器视觉问题　409 18.3.1 MATLAB深度学习工具箱中常用的预训练模型　409 18.3.2 使用预训练模型对图像进行分类　410 18.3.3 使用预训练的神经网络对图像进行去噪　412 18.4　案例分析：目标检测　413 参考文献　420