精通Matlab数字图像处理与识别

　　《精通Matlab数字图像处理与识别》将理论知识、科学研究和工程实践有机结合起来，内容涉及数字图像处理和识别技术的方方面面，包括图像的点运算、几何变换、空域和频域滤波、小波变换、图像复原、形态学处理、图像分割以及图像特征提取的相关内容；同时对于机器视觉进行了前导性的探究，重点介绍了两种目前在工程技术领域非常流行的分类技术——人工神经网络（ANN）和支持向量机（SVM），并在人脸识别这样的热点问题中结束本书。

　　《精通Matlab数字图像处理与识别》结构紧凑，内容深入浅出，讲解图文并茂，适合计算机、通信和自动化等相关专业的本科生、研究生，以及工作在图像处理和识别领域一线的广大工程技术人员参考使用。

张铮 大学教授，专攻图形和图像处理以及识别技术，承担了多项国家级项目，对Matlab有很深入的研究。

第1章初识数字图像处理与识别
1.1数字图像
1.1.1什么是数字图像
1.1.2数字图像的显示
1.1.3数字图像的分类
1.1.4数字图像的实质
1.1.5数字图像的表示
1.1.6图像的空间和灰度级分辨率
1.2数字图像处理与识别
1.2.1从图像处理到图像识别
1.2.2数字图像处理与识别的应用实例
1.2.3数字图像处理与识别的基本步骤
1.3数字图像处理的预备知识
1.3.1邻接性、连通性、区域和边界
1.3.2距离度量的几种方法
1.3.3基本的图像操作

第2章Matlab数字图像处理基础
2.1MatlabR2011a简介
2.1.1Matlab软件环境
2.1.2文件操作
2.1.3在线帮助的使用
2.1.4变量的使用
2.1.5矩阵的使用
2.1.6细胞数组和结构体
2.1.7关系运算与逻辑运算
2.1.8常用图像处理数学函数
2.1.9Matlab程序流程控制
2.1.10M文件编写
2.1.11Matlab函数编写
2.2Matlab图像类型及其存储方式
2.3Matlab的图像转换
2.4读取和写入图像文件
2.5图像的显示

第3章图像的点运算
3.1灰度直方图
3.1.1理论基础
3.1.2Matlab实现
3.2灰度的线性变换
3.2.1理论基础
3.2.2Matlab实现
3.3灰度对数变换
3.3.1理论基础
3.3.2Matlab实现
3.4伽玛变换
3.4.1理论基础
3.4.2Matlab实现
3.5灰度阈值变换
3.5.1理论基础
3.5.2Matlab实现
3.6分段线性变换
3.6.1理论基础
3.6.2Matlab实现
3.7直方图均衡化
3.7.1理论基础
3.7.2Matlab实现
3.8直方图规定化
3.8.1理论基础
3.8.2Matlab实现

第4章图像的几何变换
4.1解决几何变换的一般思路
4.2图像平移
4.2.1图像平移的变换公式
4.2.2图像平移的Matlab实现
4.3图像镜像
4.3.1图像镜像的变换公式
4.3.2图像镜像的Matlab实现
4.4图像转置
4.4.1图像转置的变换公式
4.4.2图像转置的Matlab实现
4.5图像缩放
4.5.1图像缩放的变换公式
4.5.2图像缩放的Matlab实现
4.6图像旋转
4.6.1以原点为中心的图像旋转
4.6.2以任意点为中心的图像旋转
4.6.3图像旋转的Matlab实现
4.7插值算法
4.7.1最近邻插值
4.7.2双线性插值
4.7.3高阶插值
4.8Matlab综合案例——人脸图像配准
4.8.1什么是图像配准
4.8.2人脸图像配准的Matlab实现

第5章空间域图像增强
5.1图像增强基础
5.1.1为什么要进行图像增强
5.1.2图像增强的分类
5.2空间域滤波
5.2.1空间域滤波和邻域处理
5.2.2边界处理
5.2.3相关和卷积
5.2.4滤波操作的Matlab实现
5.3图像平滑
5.3.1平均模板及其实现
5.3.2高斯平滑及其实现
5.3.3自适应平滑滤波
5.4中值滤波
5.4.1性能比较
5.4.2一种改进的中值滤波策略
5.4.3中值滤波的工作原理
5.5图像锐化
5.5.1理论基础
5.5.2基于一阶导数的图像增强——梯度算子
5.5.3基于二阶微分的图像增强——拉普拉斯算子
5.5.4基于一阶与二阶导数的锐化算子的比较
5.5.5高提升滤波及其实现
5.5.6高斯-拉普拉斯变换（LaplacianofaGaussian，LoG）

第6章频率域图像增强
6.1频率域滤波——与空间域滤波殊途同归
6.2傅立叶变换基础知识
6.2.1傅立叶级数
6.2.2傅立叶变换
6.2.3幅度谱、相位谱和功率谱
6.2.4傅立叶变换的实质-基的转换
6.3快速傅立叶变换及实现
6.3.1FFT变换的必要性
6.3.2常见的FFT算法
6.3.3按时间抽取的基-2FFT算法
6.3.4离散反傅立叶变换的快速算法
6.3.5N维快速傅立叶变换
6.3.6Matlab实现
6.4频域滤波基础
6.4.1频域滤波与空域滤波的关系
6.4.2频域滤波的基本步骤
6.4.3频域滤波的Matlab实现
6.5频域低通滤波器
6.5.1理想低通滤波器及其实现
6.5.2高斯低通滤波器及其实现
6.6频率域高通滤波器
6.6.1高斯高通滤波器及其实现
6.6.2频域拉普拉斯滤波器及其实现
6.7Matlab综合案例——利用频域滤波消除周期噪声
6.7.1频域带阻滤波器
6.7.2带阻滤波消除周期噪声
6.8频域滤波器与空域滤波器之间的内在联系

第7章小波变换
7.1多分辨率分析
7.1.1多分辨率框架
7.1.2分解与重构的实现
7.1.3图像处理中分解与重构的实现
7.2Gabor多分辨率分析
7.3常见小波分析
7.3.1Haar小波
7.3.2Daubechies小波
7.4高维小波

第8章图像复原
8.1图像复原的一般理论
8.1.1图像复原的基本概念
8.1.2图像复原的一般模型
8.2实用图像复原技术
8.2.1图像复原的数值计算方法
8.2.2非线性复原

第9章彩色图像处理
9.1彩色基础
9.1.1什么是彩色
9.1.2我们眼中的彩色
9.1.3三原色
9.1.4计算机中的颜色表示
9.2彩色模型
9.2.1RGB模型
9.2.2CMY、CMYK模型
9.2.3HSI模型
9.2.4HSV模型
9.2.5YUV模型
9.2.6YIQ模型
9.2.7Lab模型简介
9.3全彩色图像处理基础
9.3.1彩色补偿及其Matlab实现
9.3.2彩色平衡及其Matlab实现

第10章形态学图像处理
10.1预备知识
10.2二值图像中的基本形态学运算
10.2.1腐蚀及其实现
10.2.2膨胀及其实现
10.2.3开运算及其实现
10.2.4闭运算及其实现
10.3二值图像中的形态学应用
10.3.1击中与击不中变换及其实现
10.3.2边界提取与跟踪及其实现
10.3.3区域填充
10.3.4连通分量提取及其实现
10.3.5细化算法
10.3.6像素化算法
10.3.7凸壳
10.3.8bwmorph函数
10.4灰度图像中的基本形态学运算
10.4.1灰度膨胀及其实现
10.4.2灰度腐蚀及其实现
10.4.3灰度开、闭运算及其实现
10.4.4顶帽变换（top-hat）及其实现
10.5小结

第11章图像分割
11.1图像分割概述
11.2边缘检测
11.2.1边缘检测概述
11.2.2常用的边缘检测算子
11.2.3Matlab实现
11.3霍夫变换
11.3.1直线检测
11.3.2曲线检测
11.3.3任意形状的检测
11.3.4Hough变换直线检测的Matlab实现
11.4阈值分割
11.4.1阈值分割方法
11.4.2Matlab实现
11.5区域分割
11.5.1区域生长及其实现
11.5.2区域分裂与合并及其Matlab实现
11.6基于形态学分水岭算法的图像分割
11.6.1形态学分水岭算法
11.6.2Matlab实现
11.7Matlab综合案例——分水岭算法
11.8小结

第12章特征提取
12.1图像特征概述
12.1.1什么是图像特征
12.1.2图像特征的分类
12.1.3特征向量及其几何解释
12.1.4特征提取的一般原则
12.1.5特征的评价标准
12.2基本统计特征
12.2.1简单的区域描绘子及其Matlab实现
12.2.2直方图及其统计特征
12.2.3灰度共现矩阵
12.3特征降维
12.3.1维度灾难
12.3.2特征选择简介
12.3.3主成分分析
12.3.4快速PCA及其实现
12.4综合案例——基于PCA的人脸特征抽取
12.4.1数据集简介
12.4.2生成样本矩阵
12.4.3主成分分析
12.4.4主成分脸可视化分析
12.4.5基于主分量的人脸重建
12.5局部二进制模式
12.5.1基本LBP
12.5.2圆形邻域的LBPP，R算子
12.5.3统一化LBP算子——UniformLBP及其Matlab实现
12.5.4MB-LBP及其Matlab实现
12.5.5图像分区及其Matlab实现

第13章图像识别初步
13.1模式识别概述
13.1.1模式与模式识别
13.1.2图像识别
13.1.3关键概念
13.1.4识别问题的一般描述
13.1.5过度拟合
13.1.6模式识别系统结构
13.1.7训练/学习方法分类
13.2模式识别方法分类
13.2.1统计模式识别
13.2.2句法模式识别
13.2.3小结
13.3最小距离分类器和模板匹配
13.3.1最小距离分类器及其Matlab实现
13.3.2基于相关的模板匹配
13.3.3相关匹配的计算效率

第14章人工神经网络
14.1人工神经网络简介
14.1.1仿生学动机
14.1.2人工神经网络的应用实例
14.2人工神经网络的理论基础
14.2.1训练线性单元的梯度下降算法
14.2.2多层人工神经网络
14.2.3sigmoid单元
14.2.4反向传播（BP，backpropogation）算法
14.2.5训练中的问题
14.3神经网络算法的可视化实现
14.3.1NNTool的主要功能及应用
14.3.2神经网络的仿真测试
14.4Matlab神经网络工具箱
14.4.1网络的创建
14.4.2网络初始化
14.4.3网络训练
14.4.4网络仿真测试
14.4.5网络性能分析

第15章支持向量机
15.1支持向量机的分类思想
15.1.1分类模型的选择
15.1.2模型参数的选择
15.2支持向量机的理论基础
15.2.1线性可分情况下的SVM
15.2.2非线性可分情况下的C-SVM
15.2.3需要核函数映射情况下的SVM
15.2.4推广到多类问题
15.3SVM的Matlab实现
15.3.1训练——svmtrain
15.3.2分类——svmclassify
15.3.3应用实例
15.4综合案例——基于PCA和SVM的人脸识别系统
15.4.1人脸识别简介
15.4.2前期处理
15.4.3数据规格化
15.4.4核函数的选择
15.4.5参数选择
15.4.6构建多类SVM分类器
15.4.7实验结果
15.5SVM在线资源
15.5.1Matlab的SVM工具箱
15.5.2LIBSVM的简介
参考文献