數(shù)字圖像處理（基于Python）

第1章圖像處理概述 \n
1.1數(shù)字圖像 \n
1.2數(shù)字圖像處理 \n
1.2.1什么是數(shù)字圖像處理 \n
1.2.2數(shù)字圖像處理的基本特點(diǎn) \n
1.2.3相關(guān)學(xué)科與領(lǐng)域 \n
1.3數(shù)字圖像處理的研究內(nèi)容 \n
1.3.1數(shù)字圖像處理的三個層次 \n
1.3.2數(shù)字圖像處理課程的主要 \n
研究內(nèi)容 \n
1.3.3數(shù)字圖像處理中的幾種 \n
運(yùn)算處理 \n
1.4數(shù)字圖像處理的經(jīng)典應(yīng)用 \n
1.4.1天文方面的應(yīng)用 \n
1.4.2遙感圖像應(yīng)用 \n
1.4.3醫(yī)學(xué)圖像應(yīng)用 \n
1.4.4工業(yè)檢測方面的應(yīng)用 \n
1.4.5公安執(zhí)法方面的應(yīng)用 \n
1.4.6智能監(jiān)控方面的應(yīng)用 \n
1.4.7文體藝術(shù)圖像應(yīng)用 \n
1.4.8圖像檢索 \n
1.4.9辦公室自動化圖像應(yīng)用 \n
1.5數(shù)字圖像處理的發(fā)展趨勢 \n
練習(xí) \n
第2章圖像處理基礎(chǔ)知識 \n
2.1圖像的數(shù)字化 \n
2.1.1圖像采樣 \n
2.1.2圖像量化 \n
2.1.3非均勻采樣與量化 \n
2.2數(shù)字圖像的表示 \n
2.2.1圖像的數(shù)學(xué)表示 \n
2.2.2在計算機(jī)中的矩陣表示 \n
2.2.3坐標(biāo)約定 \n
2.3圖像模式及彩色模型 \n
2.3.1圖像模式 \n
2.3.2RGB彩色模型 \n
2.3.3HSI彩色模型 \n
2.3.4彩色模型之間的相互轉(zhuǎn)換 \n
2.4圖像的灰度分布——直方圖 \n
2.5像素點(diǎn)之間的基本關(guān)系 \n
2.5.1像素與鄰域 \n
2.5.2鄰接性、連通性、區(qū)域和邊界 \n
2.5.3距離度量 \n
2.6圖像質(zhì)量評價 \n
2.6.1主觀評價 \n
2.6.2客觀評價 \n
2.6.3常用的評價指標(biāo) \n
2.7Python的圖像處理編程 \n
2.7.1Python圖像處理工具包 \n
2.7.2可視化工具包 \n
練習(xí) \n
第3章空域圖像增強(qiáng) \n
3.1圖像增強(qiáng)方法 \n
3.2灰度變換 \n
3.2.1線性灰度變換 \n
3.2.2非線性灰度變換 \n
3.3基于直方圖的灰度變換 \n
3.3.1直方圖均衡化 \n
3.3.2直方圖規(guī)定化 \n
3.4空域?yàn)V波與鄰域運(yùn)算 \n
3.5空域平滑濾波 \n
3.5.1均值濾波 \n
3.5.2高斯濾波 \n
3.5.3閾值鄰域平滑濾波 \n
3.5.4中值濾波 \n
3.6空域銳化濾波 \n
3.6.1一階微分算子 \n
3.6.2二階微分算子 \n
3.6.3梯度的各向同性 \n
3.7空域?yàn)V波與卷積運(yùn)算 \n
3.7.1空域低通濾波與高通濾波 \n
3.7.2圖像濾波邊界處理 \n
3.7.3相關(guān)運(yùn)算與卷積運(yùn)算 \n
練習(xí) \n
第4章頻域圖像增強(qiáng) \n
4.1傅里葉變換原理 \n
4.2離散傅里葉變換 \n
4.2.1一維離散傅里葉變換 \n
4.2.2離散傅里葉變換的矩陣向量 \n
表示形式 \n
4.2.3一維離散卷積 \n
4.2.4二維離散傅里葉變換 \n
4.3數(shù)字圖像的傅里葉變換性質(zhì) \n
4.3.1可分離性 \n
4.3.2共軛對稱性 \n
4.3.3周期性 \n
4.3.4平移性 \n
4.3.5旋轉(zhuǎn)不變性 \n
4.3.6卷積定理 \n
4.4頻域圖像平滑 \n
4.4.1理想低通濾波器 \n
4.4.2巴特沃斯低通濾波器 \n
4.4.3高斯低通濾波器 \n
4.5頻域圖像銳化 \n
4.5.1理想高通濾波器 \n
4.5.2巴特沃斯高通濾波器 \n
4.5.3高斯高通濾波器 \n
4.6空域?yàn)V波與頻域?yàn)V波的關(guān)系 \n
練習(xí) \n
第5章圖像復(fù)原 \n
5.1圖像復(fù)原與圖像增強(qiáng)的關(guān)系 \n
5.2噪聲模型及去噪方法 \n
5.2.1噪聲模型 \n
5.2.2噪聲仿真 \n
5.2.3空域?yàn)V波去噪方法 \n
5.2.4頻域?yàn)V波去噪方法 \n
5.3圖像退化模型 \n
5.3.1線性移不變退化模型 \n
5.3.2退化函數(shù)的估計 \n
5.3.3平面運(yùn)動模糊退化模型 \n
5.4圖像復(fù)原算法 \n
5.4.1無約束的圖像復(fù)原 \n
5.4.2有約束的圖像復(fù)原 \n
5.5補(bǔ)充數(shù)學(xué)知識 \n
5.5.1卷積的矩陣向量表示 \n
5.5.2循環(huán)矩陣的對角形式 \n
練習(xí) \n
第6章圖像的幾何變換與 \n
幾何校正 \n
6.1基本的坐標(biāo)變換 \n
6.1.1圖像平移 \n
6.1.2鏡像變換 \n
6.1.3圖像旋轉(zhuǎn) \n
6.1.4圖像縮放 \n
6.2灰度插值運(yùn)算 \n
6.2.1最近鄰插值 \n
6.2.2雙線性插值 \n
6.2.3雙三次插值 \n
6.3圖像幾何變換類別 \n
6.3.1剛體變換 \n
6.3.2仿射變換 \n
6.3.3投影變換 \n
6.3.4非線性變換 \n
6.4圖像的幾何校正 \n
6.4.1圖像的幾何畸變描述 \n
6.4.2圖像幾何校正方法 \n
練習(xí) \n
第7章形態(tài)學(xué)圖像處理 \n
7.1形態(tài)學(xué)基礎(chǔ) \n
7.1.1集合運(yùn)算 \n
7.1.2結(jié)構(gòu)元素與形態(tài)學(xué)運(yùn)算 \n
7.2基本的形態(tài)學(xué)運(yùn)算 \n
7.2.1腐蝕運(yùn)算 \n
7.2.2膨脹運(yùn)算 \n
7.2.3開運(yùn)算 \n
7.2.4閉運(yùn)算 \n
7.3形態(tài)學(xué)算法 \n
7.3.1邊界提取 \n
7.3.2區(qū)域填充 \n
7.3.3連通分量提取 \n
7.3.4骨架提取 \n
練習(xí) \n
第8章圖像分割 \n
8.1圖像分割技術(shù)簡介 \n
8.2閾值分割 \n
8.2.1直方圖閾值法 \n
8.2.2基本全局閾值法 \n
8.2.3最大類間方差法 \n
8.2.4移動平均變閾值法 \n
8.2.5自適應(yīng)閾值法 \n
8.3邊緣檢測與連接 \n
8.3.1邊緣檢測 \n
8.3.2邊界連接 \n
8.4區(qū)域分割法 \n
8.4.1區(qū)域生長法 \n
8.4.2分裂合并法 \n
8.4.3圖像水域分割 \n
練習(xí) \n
第9章圖像描述與特征提取 \n
9.1灰度描述 \n
9.1.1幅度特征 \n
9.1.2變換系數(shù)特征 \n
9.1.3直方圖特征 \n
9.2邊界描述 \n
9.2.1鏈碼描述 \n
9.2.2傅里葉描述 \n
9.3區(qū)域描述 \n
9.3.1幾何特征 \n
9.3.2矩 \n
9.4紋理描述 \n
9.4.1矩分析法 \n
9.4.2灰度差分統(tǒng)計法 \n
9.4.3灰度共生矩陣法 \n
9.5常用的特征提取算法 \n
9.6MNIST手寫數(shù)字識別系統(tǒng) \n
練習(xí) \n
第10章車牌識別系統(tǒng) \n
10.1車牌識別系統(tǒng)的主要組成和 \n
工作流程 \n
10.2車牌檢測與定位模塊 \n
10.2.1邊緣檢測和數(shù)學(xué)形態(tài)學(xué)處理 \n
10.2.2大小形狀特征 \n
10.2.3仿射校正 \n
10.2.4顏色特征 \n
10.3車牌字符分割模塊 \n
10.3.1字符分割前的預(yù)處理 \n
10.3.2水平投影去除上下邊界 \n
10.3.3垂直投影字符分割法 \n
10.4車牌識別模塊 \n
10.4.1準(zhǔn)備數(shù)據(jù)樣本 \n
10.4.2訓(xùn)練模型階段 \n
10.4.3識別字符階段 \n
練習(xí) \n
附錄圖像處理實(shí)驗(yàn)指導(dǎo) \n
（Python版） \n
實(shí)驗(yàn)一Python圖像處理編程基礎(chǔ) \n
實(shí)驗(yàn)二空域圖像增強(qiáng) \n
實(shí)驗(yàn)三頻域圖像增強(qiáng) \n
實(shí)驗(yàn)四圖像復(fù)原 \n
實(shí)驗(yàn)五圖像分割 \n
參考文獻(xiàn) \n