机器视觉与图像处理基础(凌志刚)

本书首先介绍了视觉成像与获取的方式，然后详细介绍了图像与视觉处理的编程基础与常见算法，包括图像增强、图像复原、图像基元检测、图像分割、形态学处理、图像配准、相机标定、立体视觉、特征提取与模式识别等，最后针对视觉引导与定位、遥感图像分割、缺陷检测与识别、视觉测量等常见机器视觉工程应用展开探讨。 本书紧紧围绕立德树人和以提升学生工程实践能力和创新思维为目标，坚持产教融合、科教融合与理实融合的思想，探索并建设人工智能背景下“机器视觉与图像处理”教材。将教学和实践融入教材建设中，优化并改革内容和创新实践方式，引导学生进行工程实践训练。同时，引入最新国家纵向与企业预研等科研项目，开展科教融合研究，进一步培养学生的工程创新思维，突出工程实践能力和创新思维。培养理论基础厚、工程素质高、动手能力强的图像处理与机器视觉技术人才对人工智能服务具有重要意义。 本书可作为普通高等院校电子信息工程、计算机科学与技术、自动化、机器人工程、物联网工程、智能制造工程等工科专业本科生、硕士研究生教材，也可供广大从事机器视觉系统开发的工程技术人员参考。

无

第1章绪论 1.1 数字图像处理 001 1.1.1 基本概念 001 1.1.2 图像处理目的 001 1.1.3 数字图像处理发展历程 002 1.2 机器视觉 003 1.2.1 机器视觉基本概念 003 1.2.2 机器视觉发展史 003 1.3 相关学科 004 1.4 视觉系统组成 004 1.5 图像处理与机器视觉的应用 005 1.6 挑战 008 思考题与习题 009 第1篇 视觉成像与获取 第2章相机成像 系统模型 2.1 光谱与成像源 011 2.1.1 光谱的基本概念 011 2.1.2 成像源 012 2.2 成像系统模型 018 2.2.1 光线传播模型 018 2.2.2 成像模型 020 2.3 成像系统组成 026 2.3.1 照明系统 026 2.3.2 镜头参数 031 2.3.3 相机 036 2.3.4 镜头与相机综合选型案例 037 思考题与习题 039 第3章红外与高光谱成像原理 3.1 红外成像 040 3.1.1 概述 040 3.1.2 红外辐射定律 041 3.1.3 红外成像系统的工作过程与结构 042 3.1.4 红外成像系统的摄像方式 044 3.1.5 红外成像系统的基本参数 045 3.1.6 红外探测器 046 3.2 高光谱成像 049 3.2.1 基本概念 049 3.2.2 成像光谱仪的成像方式 052 3.2.3 成像光谱仪的系统介绍 055 3.2.4 高光谱成像技术的应用 056 思考题与习题 058 第4章雷达成像原理 4.1 雷达成像概述 059 4.2 合成孔径雷达成像 060 4.2.1 合成孔径概述 061 4.2.2 SAR成像几何关系及相关概念 063 4.2.3 SAR成像分辨率 064 4.2.4 SAR成像处理过程 068 4.2.5 SAR成像的特点及应用 069 4.3 毫米波雷达 070 4.3.1 毫米波雷达的特性 070 4.3.2 毫米波天线 070 4.3.3 毫米波雷达的应用 071 4.4 激光雷达 073 4.4.1 激光雷达的定义 073 4.4.2 激光雷达的特点 073 4.4.3 激光雷达系统的组成 074 4.4.4 激光雷达的测距原理 074 4.4.5 激光雷达的类型 076 4.4.6 激光雷达的主要指标 077 4.4.7 激光雷达的应用 077 思考题与习题 080 第2篇 图像算法处理基础 第5章视觉图像处理基础与开发语言 5.1 数字图像基础 082 5.1.1 图像概念 082 5.1.2 数字图像表示 082 5.2 数字图像分类 084 5.3 图像性质 087 5.3.1 图像邻域 087 5.3.2 图像连通域 088 5.3.3 像素间距离 088 5.4 图像代数运算 089 5.4.1 图像加法 089 5.4.2 图像减法 090 5.4.3 图像乘法 090 5.4.4 图像除法 090 5.4.5 逻辑运算 091 5.5 开发语言 092 5.5.1 MATLAB 093 5.5.2 OpenCV 093 5.5.3 HALCON 095 思考题与习题 096 第6章深度学习 基础 6.1 深度学习概念 097 6.2 深度学习发展历程 097 6.3 深度学习典型网络结构 098 6.3.1 卷积神经网络 099 6.3.2 循环神经网络 102 6.4 网络训练与参数学习 102 6.5 典型的其他深度网络结构 103 6.5.1 LeNet-5结构 103 6.5.2 AlexNet 结构 105 6.5.3 Inception网络 106 6.5.4 Res-Net残差网络 108 6.6 深度学习框架 108 思考题与习题 109 第7章图像增强 7.1 图像增强基本概念 110 7.2 图像空间域增强 110 7.2.1 灰度变换 111 7.2.2 图像直方图变换 116 7.2.3 图像空间域滤波 123 7.3 图像频域增强 131 7.3.1 一维傅里叶变换 132 7.3.2 二维傅里叶变换及逆变换 134 7.3.3 二维傅里叶变换的性质 135 7.3.4 频域增强 138 7.3.5 同态滤波 146 7.4 图像去噪 148 7.4.1 图像噪声类型 148 7.4.2 图像去噪 150 思考题与习题 152 第8章基元检测 8.1 基元概念 155 8.2 边缘检测 155 8.2.1 检测原理 156 8.2.2 Canny边缘检测 156 8.3 角点检测 159 8.3.1 角点检测原理 159 8.3.2 SUSAN算子 160 8.3.3 Harris角点 161 8.3.4 SuperPoint角点 164 8.4 霍夫变换 166 8.4.1 直线检测原理 166 8.4.2 圆检测 168 思考题与习题 170 第9章图像分割 9.1 图像分割基本概念 171 9.2 基于灰度值阈值分割方法 171 9.2.1 全局阈值分割 172 9.2.2 局部阈值分割 176 9.3 基于区域的分割方法 177 9.3.1 区域生长分割方法 177 9.3.2 区域分裂与合并 177 9.3.3 分水岭算法 179 9.4 边缘检测分割 182 9.5 图像语义分割 182 9.5.1 全卷积网络 183 9.5.2 SegNet网络 184 9.5.3 U-Net网络 185 9.5.4 Deeplab系列网络 186 9.6 形态学处理 188 9.6.1 形态学处理基础 188 9.6.2 膨胀与腐蚀 189 9.6.3 开操作和闭操作 192 9.6.4 击中击不中变换 194 9.6.5 形态学基础算法与应用 195 9.7 区域标记 205 思考题与习题 207 第10章图像几何变换与配准 10.1 几何变换 209 10.1.1 基本概念 209 10.1.2 常见图像变换 210 10.1.3 图像插值算法 214 10.2 图像配准方法 216 10.2.1 图像配准分类 216 10.2.2 基于灰度值的图像匹配方法 217 10.2.3 基于边缘点集的图像匹配方法 221 10.2.4 基于形状的图像匹配方法 222 10.2.5 基于特征的图像配准方法 223 10.3 搜索策略 228 思考题与习题 229 第11章立体视觉 11.1 相机标定 230 11.1.1 相机参数模型 230 11.1.2 相机标定原理 236 11.1.3 相机标定实现流程 240 11.2 多视图立体视觉 241 11.2.1 极线约束 241 11.2.2 单目多视图立体视觉 243 11.2.3 双目立体视觉 246 11.3 结构光立体视觉 249 11.3.1 线结构光立体视觉 249 11.3.2 面结构光立体视觉 252 思考题与习题 253 第12章模式识别 12.1 特征提取 254 12.1.1 基本统计特征 254 12.1.2 灰度共生矩阵 256 12.1.3 局部二进制模式 256 12.2 特征选择与降维 258 12.2.1 维数灾难 258 12.2.2 特征选择 258 12.2.3 主成分分析降维方法 262 12.3 模式分类 263 12.3.1 线性判别函数 263 12.3.2 贝叶斯决策论 264 12.3.3 支持向量机 266 思考题与习题 273 第3篇 实践应用 第13章视觉引导 定位 13.1 模板匹配方法 275 13.2 基于形状的模板匹配方法 276 13.2.1 图像金字塔分层搜索 277 13.2.2 匹配加速策略 278 13.2.3 亚像素精度优化 280 13.3 结果与分析 281 第14章目标检测 14.1 目标检测概述 284 14.2 YOLO算法 285 14.3 桥梁表观病害检测案例分析 289 14.3.1 背景介绍 289 14.3.2 桥梁表观病害检测数据库构建 290 14.3.3 网络的搭建与训练 291 14.3.4 实验结果与分析 292 第15章高光谱图像 分类 15.1 分类器设计 296 15.1.1 分类特征 296 15.1.2 分类判据 296 15.1.3 分类准则 297 15.1.4 分类算法 299 15.2 高光谱图像分类 299 15.2.1 高光谱图像分类的特点 299 15.2.2 高光谱图像分类算法 301 参考文献 306