數(shù)字圖像處理與分析

第1章 數(shù)字圖像基礎(chǔ)
1.1 數(shù)字圖像處理
1.2 圖像獲取
1.2.1 采樣
1.2.2 量化
1.3 像素基本關(guān)系
1.3.1 鄰接關(guān)系
1.3.2 鄰接性、連通性、區(qū)域和邊界
1.3.3 距離度量
1.4 圖像分析的數(shù)據(jù)結(jié)構(gòu)
1.4.1 矩陣
1.4.2 鏈表
1.4.3 金字塔
1.5 顏色模型
1.5.1 RGB模型
1.5.2 CMY模型
1.5.3 HSI模型
1.6 圖像質(zhì)量評價
1.6.1 均方誤差
1.6.2 信噪比與峰值信噪比
1.6.3 結(jié)構(gòu)相似度
1.7 本章小結(jié)
第2章 圖像變換
2.1 傅里葉變換
2.1.1 一維傅里葉變換
2.1.2 二維傅里葉變換
2.1.3 二維離散傅里葉變換的性質(zhì)
2.1.4 快速傅里葉變換
2.2 離散余弦變換
2.2.1 離散余弦變換的定義
2.2.2 離散余弦變換的計算
2.3 Harr變換
2.3.1 Harr函數(shù)的定義
2.3.2 Harr函數(shù)的性質(zhì)
2.3.3 Harr變換的定義
2.4 小波變換
2.4.1 連續(xù)小波變換
2.4.2 離散小波變換
2.4.3 快速小波變換
2.5 脊波變換、曲波變換及輪廓波變換
2.5.1 脊波變換
2.5.2 曲波變換
2.5.3 輪廓波變換
2.6 本章小結(jié)
第3章 圖像增強
3.1 概述
3.2 基于點運算的圖像增強
3.2.1 灰度變換
3.2.2 直方圖處理
3.2.3 圖像算術(shù)/邏輯運算
3.3 空間域圖像增強
3.3.1 空間域濾波基礎(chǔ)
3.3.2 空間平滑濾波器
3.3.3 空間銳化濾波器
3.4 頻域圖像增強
3.4.1 頻域濾波基礎(chǔ)
3.4.2 頻域平滑濾波器
3.4.3 頻域銳化濾波器
3.5 本章小結(jié)
第4章 圖像復(fù)原
4.1 基本概念
4.2 常見噪聲模型
4.2.1 高斯噪聲
4.2.2 脈沖噪聲
4.2.3 瑞利噪聲
4.2.4 伽瑪噪聲
4.2.5 指數(shù)噪聲
4.2.6 均勻噪聲
4.3 基本去噪方法
4.3.1 均值濾波
4.3.2 高斯濾波
4.3.3 中值濾波
4.3.4 非局部均值濾波
4.3.5 小波收縮去噪
4.4 常見模糊退化模型
4.4.1 運動模糊
4.4.2 散焦模糊
4.4.3 大氣擾動
4.5 基本去模糊化方法
4.5.1 逆濾波
4.5.2 維納濾波
4.5.3 約束最小二乘濾波
4.5.4 幾何均值濾波
4.6 幾何校正
4.6.1 空間變換
4.6.2 灰度插值
4.7 本章小結(jié)
第5章 圖像分割
5.1 基本概念
5.2 基于閾值的圖像分割方法
5.2.1 基本原理
5.2.2 基于直方圖的圖像閾值分割
5.2.3 基于迭代的圖像閾值分割
5.2.4 基于最大類間方差的閾值分割
5.3 基于邊緣的分割
5.3.1 邊緣檢測
5.3.2 邊緣局部處理
5.3.3 邊界跟蹤
5.3.4 Hough變換
5.4 基于區(qū)域的分割
5.4.1 區(qū)域生長
5.4.2 區(qū)域分裂與合并
5.5 分水嶺方法
5.6 本章小結(jié)
第6章 基于偏微分方程的圖像處理
6.1 基本概念
6.1.1 偏微分方程
6.1.2 變分法和梯度下降流
6.1.3 數(shù)值計算方法
6.2 圖像去噪與增強
6.2.1 各向同性擴(kuò)散
6.2.2 各向異性擴(kuò)散
6.2.3 方向擴(kuò)散
6.2.4 TV去噪模型
6.2.5 高階偏微分方程
6.3 圖像去模糊
6.3.1 TV去模糊模型
6.3.2 改進(jìn)的TV方法
6.3.3 盲反卷積
6.4 圖像分割
6.4.1 測地活動輪廓模型
6.4.2 無邊緣活動輪廓模型
6.5 圖像修補
6.5.1 TV修補模型
6.5.2 曲率擴(kuò)散方法
6.5.3 BSCB模型
6.6 本章小節(jié)
第7章 圖像特征
7.1 基本特征
7.1.1 幅度特征
7.1.2 統(tǒng)計特征
7.1.3 幾何特征
7.2 紋理特征
7.2.1 基于統(tǒng)計的紋理特征
7.2.2 基于幾何的紋理特征
7.2.3 基于模型的紋理特征
7.2.4 基于信號處理的紋理特征
7.3 特征子空間
7.3.1 奇異值分解
7.3.2 主元分析
7.3.3 獨立成分分析
7.4 基于角點的特征
7.4.1 SIFT特征
7.4.2 改進(jìn)型SIFT特征
7.5 圖像稀疏表示
7.5.1 稀疏性度量
7.5.2 圖像稀疏表示
7.5.3 圖像調(diào)和分析表示
7.6 應(yīng)用實例：FMI巖石圖像特征提取與分類
7.6.1 巖石圖像特征表示
7.6.2 巖石圖像分類
7.7 本章小結(jié)
第8章 圖像描述
8.1 圖像標(biāo)識
8.2 基于輪廓的形狀描述
8.2.1 鏈碼表示
8.2.2 簡單幾何邊界表示
8.2.3 片段序列邊界表示
8.2.4 B樣條表示
8.2.5 其他方法
8.3 基于區(qū)域的形狀描述
8.3.1 簡單標(biāo)量區(qū)域表示
8.3.2 矩表示
8.3.3 凸包表示
8.3.4 骨架圖表示
8.3.5 區(qū)域分解
8.3.6 區(qū)域近鄰圖
8.4 本章小結(jié)
第9章 圖像識別
9.1 貝葉斯分類
9.1.1 貝葉斯分類器
9.1.2 貝葉斯最優(yōu)分類器
9.1.3 樸素貝葉斯分類器
9.1.4 貝葉斯網(wǎng)絡(luò)
9.2 近鄰法及模板匹配
9.2.1 近鄰法
9.2.2 模板匹配
9.3 人工神經(jīng)網(wǎng)絡(luò)
9.3.1 BP網(wǎng)絡(luò)
9.3.2 RBF網(wǎng)絡(luò)
9.4 核方法
9.4.1 支持向量機(jī)
9.4.2 核Fisher判別分析
9.5 集成學(xué)習(xí)
9.5.1 Bagging
9.5.2 Adaboost
9.5.3 應(yīng)用于特征集成的Boosting變體算法
9.6 應(yīng)用實例：基于Adaboost的特征集成及文字識別
9.6.1 簡單分類問題
9.6.2 手寫體數(shù)字識別
9.7 本章小結(jié)
第10章 圖像理解
10.1 圖像理解基本概念
10.1.1 研究內(nèi)容
10.1.2 研究方法
10.2 圖像分析模型
10.2.1 平面圖結(jié)構(gòu)模型
10.2.2 點分布模型
10.2.3 活動輪廓模型
10.2.4 隱馬爾克夫模型
10.3 場景中目標(biāo)檢測與識別
10.3.1 目標(biāo)檢測
10.3.2 目標(biāo)識別
10.4 場景描述與理解
10.4.1 圖像理解控制策略
10.4.2 場景分類
10.4.3 目標(biāo)之間關(guān)系
10.4.4 場景標(biāo)注和約束傳播
10.5 語義分割與理解
10.5.1 語義描述圖結(jié)構(gòu)
10.5.2 語義區(qū)域增長
10.5.3 遺傳圖像解釋
10.6 本章小結(jié)
參考文獻(xiàn)