图像处理与图像分析基础(C/C++语言版)

"1.本书内容丰富，知识体系严谨，覆盖图像处理与图像分析系统的基本概念、硬件组成、空间域图像处理与图像分析的原理与经典方法。 2.内容编排和讲解深入浅出，围绕学生工程素质的培养，通过例子和问题讲解知识点及其应用，并给出详细分析和讨论。 3.精心设计了作业和思考题，通过对实际应用的举例，加深读者对相关方法的理解，提高灵活运用和解决实际问题的能力。 4.书中编程示例和算法程序全部给出了C/C++源码，穿插讲述了图像优化编程技术。"

本书讲述了图像处理和图像分析的基础知识，能够为机器视觉系统的应用开发和图像特征计算与描述、计算机视觉等课程的学习打下坚实的基础。本书针对计算机相关专业本科教学的特点，将课程内容提炼到32学时；系统地讲述了图像处理与图像分析系统的基本概念和硬件组成； 深入浅出地讲述了空间域图像处理与图像分析的原理与经典方法，分析了它们的优缺点与适用范围； 精心设计了作业和思考题，并通过对实际应用的举例，加深读者对相关方法的理解，提高读者灵活运用和解决实际问题的能力。书中编程示例和算法程序全部给出了C/C++源代码，并穿插讲述了图像优化编程技术。本书适合计算机科学与技术、人工智能、数据科学、电子工程等相关专业的本科生学习，也适合机器视觉等相关工业领域的专业人士参考。

任明武，男，1969年6月，教授，工学博士，南京理工大学计算机与工程学院，从事数字图像处理、图像分析等课程的教学20余年，主要研究方向图像处理与分析、图像识别、无人驾驶、机器视觉、目标检测与跟踪。

第1章基本概念与系统设计
1.1基本概念
1.1.1什么是图像
1.1.2图像数据的表示
1.1.3图像数据的存储与访问
1.1.4图像处理、图像分析与计算机图形学
1.1.5机器视觉与机器学习
1.1.6图像数据处理方法的分类
1.2图像系统的组成
1.3摄像机
1.3.1摄像机的组成
1.3.2摄像机的分类
1.3.3摄像机的选择
1.3.4镜头
1.3.5光源
1.4扫描仪
1.4.1扫描仪的组成与分类
1.4.2扫描仪的核心技术指标
1.5图像采集设备的新发展
1.5.1多光谱图像传感器
1.5.2偏振光图像传感器
1.5.3智能相机的发展
1.6图像处理与图像分析系统的设计流程
作业与思考
第2章图像增强
2.1基本概念
2.1.1什么是图像增强
2.1.2点运算与邻域运算
2.1.3图像运算的典型程序结构
2.2线性拉伸
2.3均值方差规定化
2.4图像的特点与查找表
2.5直方图及其相关计算
2.6直方图均衡化与规定化
2.7对数变换
2.8分块与逐像素处理
2.9本章小结
作业与思考
第3章图像平滑
3.1噪声与图像平滑
3.1.1噪声
3.1.2图像平滑概述
3.2均值滤波
3.2.1均值滤波的定义
3.2.2邻域与卷积运算
3.2.3均值滤波的特点
3.2.4基于列积分的快速均值滤波
3.2.5基于积分图的快速均值滤波
3.2.6基于列积分的积分图实现
3.2.7基于SSE的积分图实现
3.3中值滤波
3.3.1中值滤波的由来
3.3.2中值滤波的定义
3.3.3中值滤波的特点
3.3.4中值滤波的快速实现
3.4极值滤波
3.5高斯滤波
3.6二值图像滤波与数学形态学滤波
3.6.1基于均值滤波的二值图像滤波
3.6.2二值图像的数学形态学滤波
3.7条件滤波
3.7.1超限平滑
3.7.2K个邻点平均法
3.7.3多邻域枚举法均值滤波
3.8本章小结
作业与思考
第4章边缘检测
4.1基本概念
4.1.1什么是边缘检测
4.1.2边缘类型
4.1.3求导与差分
4.1.4边缘强度与边缘方向
4.2一阶微分算子
4.2.1梯度算子
4.2.2罗伯特算子
4.2.3索贝尔算子
4.2.4梯度算子、罗伯特算子、索贝尔算子的比较
4.2.5方向模板
4.3二阶微分算子
4.3.1拉普拉斯算子
4.3.2沈俊算子
4.3.3马尔-希尔德雷思算子
4.4边缘锐化
4.5应用实例
4.5.1一阶和二阶微分算子相结合的米粒边缘检测
4.5.2基于边缘强度和积分图的文本区域定位
4.6本章小结
作业与思考
第5章图像分割
5.1基本概念
5.1.1什么是图像分割
5.1.2图像分割与边缘检测的区别
5.1.3阈值化
5.2基于直方图的阈值选取
5.2.1最小误差法
5.2.2优选差距法
5.2.3多次分割法
5.2.4全局阈值、局部阈值与自适应阈值
5.3面向阈值选取的直方图构造
5.3.1二维直方图
5.3.2边缘强度加权直方图
5.3.3等量像素法直方图
5.4聚类分割
5.5区域增长与分裂合并算法
5.6基于某种稳定性的图像分割
5.6.1基于目标个数稳定性的图像分割
5.6.2基于次数关系稳定性的图像分割
5.7光照不均的消除与图像分割
5.7.1文本图像分割
5.7.2颗粒图像分割
5.8本章小结
作业与思考
第6章目标形状描述
6.1直线的霍夫变换
6.1.1最小二乘直线拟合
6.1.2直线描述的参数空间
6.1.3霍夫变换算法
6.1.4平行直线检测
6.1.5矩形位置检测
6.2圆的霍夫变换
6.2.1已知半径的圆检测
6.2.2未知半径的圆检测与分治法
6.2.3随机霍夫变换圆检测
6.3目标轮廓描述与链码
6.3.1轮廓描述与连通性
6.3.2链码
6.3.3目标周长和面积计算
6.3.4像素点是否被轮廓包围
6.4轮廓跟踪
6.4.1轮廓跟踪的一般过程
6.4.2轮廓标记方法
6.4.3跟踪终止条件
6.4.4快速搜索
6.4.5轮廓跟踪算法
6.5目标轮廓填充
6.5.1填充起点与终点的判定
6.5.2轮廓填充算法
6.6本章小结
作业与思考
第7章应用实践
7.1C++图像应用编程框架
7.1.1C++图像编程框架
7.1.2编程框架的特点
7.1.3图像算法的对外接口
7.2投影及其在行道线检测中的应用
7.2.1投影的基本概念
7.2.2路面图像分块的垂直投影
7.2.3投影数据的自适应分割
7.2.4行道线检测
7.2.5投影的灵活运用
7.3基于边缘方向简单分块直方图的字符识别
7.3.1字符识别的一般流程
7.3.2文本区域检测与字符切分
7.3.3字符尺寸归一化和灰度归一化
7.3.4采用边缘方向分块直方图的字符特征提取
7.3.5分类器决策
7.3.6实验结果
作业与思考
附录A程序与算法汇总

     第3章 图像平滑 本章主要讲述均值滤波、中值滤波、最小值滤波、优选值滤波、高斯滤波、二值图像滤波、数学形态学滤波、条件滤波等常用滤波方法，并讲述它们的思想和特点。 本章讲述滤波器的C++语言编程及其优化，包括“整数除法或者浮点数乘法和除法变为整数乘法和移位”“列积分”“积分图”“MMX及SSE”“直方图求中值”“直方图递推”“基于均值滤波的二值图像滤波”等程序优化技巧。 3.1噪声与图像平滑 3.1.1噪声 噪声(noise)这个词的原意是正常声音信号受到的干扰。凡是干扰人们休息、学习和工作以及对正常的声音产生干扰的声音，即不需要的声音，统称为噪声。后来，人们把这个概念推广到了更广泛的领域。 在图像处理领域，图像噪声是指存在于图像数据中不必要的干扰信息，表现为图像中引起较强视觉效果的孤立像素点或像素块。图像噪声的产生原因是多方面的： 一是图像采集设备产生的噪声，比如图像传感器CCD和CMOS在采集图像过程中，由于受传感器材料属性、工作环境、电子元器件和电路结构等影响，会引入各种噪声，如电阻引起的热噪声、场效应管的沟道热噪声、暗电流噪声、像素的非均匀性噪声； 二是在图像处理过程中，由于处理方法的缺陷，比如计算精度不够、模型考虑不全面、参数自适应能力不够、近似计算等产生的错误信息； 三是图像数据在传输过程中受到外界的电磁波干扰，或者在用胶片存储图像时的胶片老化等。 对一个图像处理系统而言，噪声的来源分为外部噪声和内部噪声。外部噪声是指由于该系统外的因素引起的噪声，比如以电磁波辐射或经电源引入系统而引起的噪声，如电器设备、天体放电现象等引起的噪声，电源纹波引起的噪声，图31所示就是电源纹波引起的噪声。内部噪声是指来自系统内的因素引起的噪声，比如图像传感器材质特性本身产生的噪声、各种接头的抖动引起电流变化等产生的噪声、系统内部的电源芯片或者晶振温度漂移等产生的噪声，如图32所示。 图31电源纹波对某红外热像仪的条纹干扰 图32夜晚光照不足时某图像传感器的噪声 在对噪声的处理和分析上，常进行如下分类。 （1） 按统计特性划分： 统计特性不随时间变化的噪声称为平稳噪声，反之称为非平稳噪声。 （2） 按噪声幅度分布形状划分： 呈高斯分布的噪声称为高斯噪声，呈雷利分布的噪声称为雷利噪声。 （3） 按噪声频谱的形状划分： 频谱均匀分布的噪声称为白噪声，频谱与频率成反比的噪声称为1/f噪声，频谱与频率平方成正比的噪声称为三角噪声。 （4） 按噪声n(t)和信号S(t)之间的关系划分： 输出信号为S(t)+n(t)形式的噪声称为加性噪声，输出信号为S(t)(1+n(t))形式的噪声称为乘性噪声。 为了便于分析和处理，往往将乘性噪声近似地认为是加性噪声，并总是假设信号和噪声互相统计独立。去除噪声的过程称作滤波，不同的滤波方法称作滤波器(filter)。 在图像处理和图像分析的算法中，为了保持一定的稳健性，一般需要先对原始图像做一定的滤波处理(称为图像预处理)。 3.1.2图像平滑概述 在图像处理中，用作去掉图像噪声的各种滤波方法统称为图像平滑(image smoothing)。图像平滑的字面意思是使一个像素到其相邻像素的灰度变化是平滑的。 在图像处理中，从空间域的观点看，滤波就是去掉突然变大或变小的灰度值，用一个合适的灰度值替代该值。很显然，一个像素的灰度值是不是噪声，是由该像素在图像中的位置决定的，通过它与相邻像素的比较才能判定它的灰度值是异常(突然变大还是变小)还是正常。比如，一个人的收入为1000美元/月，这个收入在有些国家可能是属于贫困的，但在另一些国家可能是属于富裕的。那么，既然一个像素是否是噪声是由其邻域决定的，显然去掉噪声也得通过邻域计算，因此空间域的图像滤波属于邻域运算。 看下面一组测量数据D1： 3339339993999，其数据曲线如图33所示。 图33原始数据曲线 该曲线上有2个明显的毛刺(噪声)，如画圈处所示。在波形的前半截，数值从“3”突然变成“9”，在波形的后半截，数值从“9”突然变成“3”。 如前所言，空间域的图像滤波是邻域运算，而邻域有大小和形状之说，运算有何种运算之说，因此本章的主要内容就是围绕运算和邻域两个方面展开的。 3.2均值滤波 3.2.1均值滤波的定义 一个朴素的想法是，既然噪声表现为它的 int height,//图像的高度 int *pSumImg //计算得到的积分图 ) { BYTE *pGry; int *pRes; int x, y; int sumCol［4096］; //约定图像宽度不大于4096 memset(sumCol, 0, sizeof(int)*width); for (y = 0, pGry = pGryImg, pRes=pSumImg; y