數字圖像處理與機器視覺：Visual C++與Matlab實現（附CD-ROM光盤1張）

《數字圖像處理與機器視覺：Visual C++與Matlab實現》將理論知識、科學研究和工程實踐有機結合起來，介紹了數字圖像處理和識別技術的方方面面，內容包括圖像的點運算、幾何變換、空域和頻域濾波、圖像復原、形態學處理、圖像分割以及圖像特徵提取。《數字圖像處理與機器視覺：Visual C++與Matlab實現》還對於機器視覺進行了前導性的探究，重點介紹了兩種在工程技術領域非常流行的分類技術——人工神經網絡(ANN)和支持向量機(SVM)，並在配套給出的識別案例中直擊光學字符識別(OCR)和人臉識別兩大熱點問題。
　　全書結構緊湊，內容深入淺出，講解圖文並茂，適合於計算機、通信和自動化等相關專業的本科生、研究生以及工作在圖像處理和識別領域一線的廣大工程技術人員閱讀。

第0章　數字圖像處理概述　1
0.1　數字圖像　1
0.1.1　什麼是數字圖像　1
0.1.2　數字圖像的顯示　1
0.1.3　數字圖像的分類　2
0.1.4　數字圖像的實質　3
0.1.5　數字圖像的表示　4
0.1.6　圖像的空間和灰度級分辨率　5
0.2　數字圖像處理與識別　6
0.2.1　從圖像處理到圖像識別　6
0.2.2　什麼是機器視覺　8
0.2.3　數字圖像處理和識別的應用實例　8
0.3　數字圖像處理的預備知識　8
0.3.1　鄰接性、連通性、區域和邊界　8
0.3.2　距離度量的幾種方法　10
0.3.3　基本的圖像操作　10

第1章　MATLAB圖像處理編程基礎　12
1.1　Matlab操作簡介　12
1.1.1　Matlab軟件環境　12
1.1.2　文件操作　13
1.1.3　在線幫助的使用　14
1.1.4　變量的使用　16
1.1.5　矩陣的使用　18
1.1.6　細胞數組(Cell Array)和結構體(Structure)　21
1.1.7　關係運算與邏輯運算　22
1.1.8　常用圖像處理數學函數　22
1.1.9　Matlab程序流程控制　23
1.1.10　M文件編寫　27
1.1.11　Matlab函數編寫　28
1.2　Matlab圖像類型及其存儲方式　29
1.3　Matlab的圖像轉換　33
1.4　讀取和寫入圖像文件　35
1.5　圖像的顯示　37

第2章　Visual C++圖像處理編程基礎　39
2.1　位圖文件及其C++操作　39
2.1.1　設備無關位圖　39
2.1.2　BMP圖像文件數據結構　39
2.2　認識CImg類　42
2.2.1　主要成員函數列表　42
2.2.2　公有成員　43
2.3　CImg類基礎操作　44
2.3.1　加載和寫入圖像　44
2.3.2　獲得圖像基本信息　47
2.3.3　檢驗有效性　48
2.3.4　按像素操作　49
2.3.5　改變圖像大小　50
2.3.6　重載的運算符　51
2.3.7　在屏幕上繪製位圖圖像　51
2.3.8　新建圖像　52
2.3.9　圖像類型的判斷與轉化　54
2.4　DIPDemo工程　55
2.4.1　DIPDemo主界面　55
2.4.2　圖像操作和處理類——CImg和CImgProcess　56
2.4.3　文檔類——CDIPDemoDoc　57
2.4.4　視圖類——CDIPDemoView　58
2.5　CImg應用示例　58
2.5.1　打開圖像　58
2.5.2　清空圖像　60
2.5.3　像素初始化方法　61
2.5.4　保存圖像　61

第3章　圖像的點運算　63
3.1　灰度直方圖　63
3.1.1　理論基礎　63
3.1.2　Matlab實現　64
3.1.3　Visual C++實現　67
3.2　灰度的線性變換　69
3.2.1　理論基礎　69
3.2.2　Matlab實現　70
3.2.3　Visual C++實現　72
3.3　灰度對數變換　73
3.3.1　理論基礎　74
3.3.2　Matlab實現　74
3.3.3　Visual C++實現　75
3.4　伽瑪變換　76
3.4.1　理論基礎　76
3.4.2　Matlab實現　77
3.4.3　Visual C++實現　79
3.5　灰度閾值變換　80
3.5.1　理論基礎　80
3.5.2　Matlab實現　81
3.5.3　Visual C++實現　82
3.6　分段線性變換　83
3.6.1　理論基礎　83
3.6.2　Matlab實現　84
3.6.3　Visual C++實現　88
3.7　直方圖均衡化　90
3.7.1　理論基礎　90
3.7.2　Matlab實現　91
3.7.3　Visual C++實現　93
3.8　直方圖規定化(匹配)　94
3.8.1　理論基礎　95
3.8.2　Matlab實現　95
3.8.3　Visual C++實現　97

第4章　圖像的幾何變換　101
4.1　解決幾何變換的一般思路　101
4.2　圖像平移　103
4.2.1　圖像平移的變換公式　103
4.2.2　圖像平移的實現　104
4.3　圖像鏡像　106
4.3.1　圖像鏡像的變換公式　106
4.3.2　圖像鏡像的實現　106
4.4　圖像轉置　109
4.4.1　圖像轉置的變換公式　110
4.4.2　圖像轉置的實現　110
4.5　圖像縮放　111
4.5.1　圖像縮放的變換公式　112
4.5.2　圖像縮放的實現　112
4.6　圖像旋轉　114
4.6.1　以原點為中心的圖像旋轉　114
4.6.2　以任意點為中心的圖像旋轉　115
4.6.3　圖像旋轉的實現　116
4.7　插值算法　118
4.7.1　最近鄰插值　118
4.7.2　雙線性插值及其Visual C++實現　119
4.7.3　高階插值　121
4.8　圖像配准　124
4.8.1　什麼是圖像配准　124
4.8.2　人臉圖像配准的Matlab實現　124
4.9　Visual C++實用案例——汽車牌照的投影失真校正　128
4.9.1　系統分析與設計　129
4.9.2　系統實現　130
4.9.3　功能測試　136

第5章　空間域圖像增強　140
5.1　圖像增強基礎　140
5.1.1　為什麼要進行圖像增強　140
5.1.2　圖像增強的分類　140
5.2　空間域濾波　141
5.2.1　空間域濾波和鄰域處理　141
5.2.2　邊界處理　142
5.2.3　相關和卷積　143
5.2.4　濾波操作的Matlab實現　143
5.2.5　濾波操作的Visual C++實現　146
5.3　圖像平滑　148
5.3.1　平均模板及其實現　148
5.3.2　高斯平滑及其實現　151
5.3.3　通用平滑濾波的Visual C++實現　154
5.3.4　自適應平滑濾波　156
5.4　中值濾波　156
5.4.1　性能比較　156
5.4.2　一種改進的中值濾波策略　161
5.4.3　中值濾波的工作原理　162
5.5　圖像銳化　162
5.5.1　理論基礎　162
5.5.2　基於一階導數的圖像增強——梯度算子　163
5.5.3　基於二階微分的圖像增強——拉普拉斯算子　167
5.5.4　基於一階與二階導數的銳化算子的比較　169
5.5.5　高提升濾波及其實現　171
5.5.6　高斯-拉普拉斯變換(Laplacian of a Gaussian， LoG)　175

第6章　頻率域圖像增強　178
6.1　頻率域濾波——與空間域濾波殊途同歸　178
6.2　傅立葉變換基礎知識　178
6.2.1　傅立葉級數　179
6.2.2　傅立葉變換　181
6.2.3　幅度譜、相位譜和功率譜　183
6.2.4　傅立葉變換的實質——基的轉換　185
6.3　快速傅立葉變換(Fast Fourier Transform，FFT)及實現　187
6.3.1　FFT變換的必要性　187
6.3.2　常見的FFT算法　188
6.3.3　按時間抽取的基-2 FFT算法　188
6.3.4　離散反傅立葉變換的快速算法(IFFT)　192
6.3.5　N維快速傅里葉變換(FFTN)　192
6.3.6　Matlab實現　192
6.3.7　Visual C++實現　198
6.4　頻域濾波基礎　206
6.4.1　頻域濾波與空域濾波的關係　206
6.4.2　頻域濾波的基本步驟　206
6.4.3　頻域濾波的Matlab實現　207
6.4.4　頻域濾波的Visual C++實現　208
6.5　頻域低通濾波器　210
6.5.1　理想低通濾波器及其實現　210
6.5.2　高斯低通濾波器及其實現　215
6.6　頻率域高通濾波器　220
6.6.1　高斯高通濾波器及其實現　220
6.6.2　頻域拉普拉斯濾波器及其實現　224
6.7　Matlab綜合案例——利用頻域濾波消除週期噪聲　227
6.7.1　頻域帶阻濾波器　227
6.7.2　帶阻濾波消除週期噪聲　229
6.8　頻域濾波器與空域濾波器之間的內在聯繫　232

第7章　彩色圖像處理　233
7.1　彩色基礎　233
7.1.1　什麼是彩色　233
7.1.2　我們眼中的彩色　234
7.1.3　三原色　234
7.1.4　計算機中的顏色表示　235
7.2　彩色模型　236
7.2.1　RGB模型　236
7.2.2　CMY、CMYK模型　238
7.2.3　HSI模型　241
7.2.4　HSV模型　249
7.2.5　YUV模型　254
7.2.6　YIQ模型　260
7.2.7　Lab模型簡介　264
7.3　全彩色圖像處理基礎　264
7.3.1　彩色補償及其Matlab實現　265
7.3.2　彩色平衡及其Matlab實現　267

第8章　形態學圖像處理　270
8.1　預備知識　270
8.2　二值圖像中的基本形態學運算　272
8.2.1　腐蝕及其實現　273
8.2.2　膨脹及其實現　280
8.2.3　開運算及其實現　284
8.2.4　閉運算及其實現　287
8.3　二值圖像中的形態學應用　289
8.3.1　擊中與擊不中變換及其實現　289
8.3.2　邊界提取與跟蹤及其實現　291
8.3.3　區域填充及其Visual C++實現　296
8.3.4　連通份量提取及其實現　299
8.3.5　細化算法及其Visual C++實現　305
8.3.6　像素化算法及其Visual C++實現　310
8.3.7　凸殼及其Visual C++實現　316
8.3.8　bwmorph函數　319
8.4　灰度圖像中的基本形態學運算　320
8.4.1　灰度膨脹及其實現　320
8.4.2　灰度腐蝕及其實現　324
8.4.3　灰度開、閉運算及其實現　328
8.4.4　頂帽變換(top-hat)及其實現　331
8.5　小結　334

第9章　圖像分割　335
9.1　圖像分割概述　335
9.2　邊緣檢測　336
9.2.1　邊緣檢測概述　336
9.2.2　常用的邊緣檢測算子　337
9.2.3　Matlab實現　340
9.2.4　Visual C++實現　343
9.3　霍夫變換　350
9.3.1　直線檢測　350
9.3.2　曲線檢測　352
9.3.3　任意形狀的檢測　353
9.3.4　Hough變換直線檢測的Matlab實現　354
9.3.5　Hough變換直線檢測的Visual C++實現　357
9.4　閾值分割　361
9.4.1　閾值分割方法　361
9.4.2　Matlab實現　364
9.4.3　Visual C++實現　366
9.5　區域分割　368
9.5.1　區域生長及其實現　368
9.5.2　區域分裂與合併及其Matlab實現　373
9.6　小結　378

第10章　特徵提取　379
10.1　圖像特徵概述　379
10.1.1　什麼是圖像特徵　379
10.1.2　圖像特徵的分類　379
10.1.3　特徵向量及其幾何解釋　379
10.1.4　特徵提取的一般原則　380
10.1.5　特徵的評價標準　381
10.2　基本統計特徵　381
10.2.1　簡單的區域描繪子及其Matlab實現　381
10.2.2　直方圖及其統計特徵　383
10.2.3　灰度共現矩陣及其Visual C++實現　385
10.3　特徵降維　388
10.3.1　維度災難　388
10.3.2　特徵選擇簡介　389
10.3.3　主成份分析(Principal Component Analysis，PCA)　390
10.3.4　快速PCA及其實現　397
10.4　綜合案例——基於PCA的人臉特徵抽取　399
10.4.1　數據集簡介　399
10.4.2　生成樣本矩陣　400
10.4.3　主成份分析　401
10.4.4　主成份臉可視化分析　402
10.4.5　基於主份量的人臉重建　404
10.5　局部二進制模式　406
10.5.1　基本LBP　406
10.5.2　圓形鄰域的LBPP，R算子　407
10.5.3　統一化LBP算子——Uniform LBP及其Matlab實現　407
10.5.4　MB-LBP及其Matlab實現　411
10.5.5　圖像分區及其Matlab實現　417

第11章　圖像識別初步　421
11.1　模式識別概述　421
11.1.1　模式與模式識別　421
11.1.2　圖像識別　422
11.1.3　關鍵概念　422
11.1.4　識別問題的一般描述　423
11.1.5　過度擬合(Overfit)　424
11.1.6　模式識別系統結構　425
11.1.7　訓練/學習方法分類　425
11.2　模式識別方法分類　426
11.2.1　統計模式識別　426
11.2.2　句法模式識別　426
11.2.3　小結　427
11.3　最小距離分類器和模板匹配　428
11.3.1　最小距離分類器及其Matlab實現　428
11.3.2　基於相關的模板匹配　430
11.3.3　相關匹配的計算效率　436

第12章　人工神經網絡　438
12.1　人工神經網絡簡介　438
12.1.1　仿生學動機　438
12.1.2　人工神經網絡的應用實例　440
12.2　人工神經網絡的理論基礎　441
12.2.1　訓練線性單元的梯度下降算法　441
12.2.2　多層人工神經網絡　447
12.2.3　sigmoid單元　448
12.2.4　反向傳播(BP，Back Propogation)算法　450
12.2.5　訓練中的問題　453
12.3　基於ANN的數字字符識別系統DigitRec——分析與設計　454
12.3.1 任務描述　454
12.3.2　數據集簡介　455
12.3.3　設計要點　455
12.4　基於ANN的數字字符識別系統DigitRec——實現　457
12.4.1　構建神經元結構——SNeuron　457
12.4.2　構建神經網絡網絡層——SNeuronLayer　459
12.4.3　神經網絡信息頭——NEURALNET_HEADER　460
12.4.4　神經網絡類——CNeuralNet　460
12.4.5　神經網絡的訓練數據類——CNeural Data　473
12.4.6　誤差跟蹤類——CValueTrack　478
12.4.7　訓練對話框類——CTrainDlg　481
12.4.8　測試對話框類——CTestDlg　484
12.5　基於ANN的數字字符識別系統DigitRec——測試　487
12.5.1　訓練　488
12.5.2　測試　489
12.6　改進的DigitRec　490
12.6.1　數字字符圖像的預處理類——COCRImage Process　490
12.6.2　輸入圖像的預處理——實現　491
12.6.3　輸入圖像的預處理——測試　504
12.7　神經網絡參數對訓練和識別的影響　506
12.7.1　隱藏層單元數目的影響　506
12.7.2　學習率的影響　508
12.7.3　訓練時代數目的影響　508

第13章　支持向量機　511
13.1　支持向量機的分類思想　511
13.1.1　分類模型的選擇　511
13.1.2　模型參數的選擇　512
13.2　支持向量機的理論基礎　512
13.2.1　線性可分情況下的SVM　512
13.2.2　非線性可分情況下的C-SVM　516
13.2.3　需要核函數映射情況下的SVM　518
13.2.4　推廣到多類問題　521
13.3　SVM的Matlab實現　523
13.3.1　訓練——svmtrain　523
13.3.2　分類——svmclassify　525
13.3.3　應用實例　526
13.4　綜合案例——基於PCA和SVM的人臉識別系統　526
13.4.1　人臉識別簡介　527
13.4.2　前期處理　527
13.4.3　數據規格化(Scaling)　528
13.4.4　核函數的選擇　531
13.4.5　參數選擇　532
13.4.6　構建多類SVM分類器　535
13.4.7　實驗結果　537