目錄
第1章 緒論1
1.1 什么是數(shù)字圖像處理與分析1
1.1.1 數(shù)字圖像1
1.1.2 主要目的和任務2
1.1.3 與計算機視覺和模式識別的關(guān)系3
1.2 主要內(nèi)容3
1.3 數(shù)字圖像處理與分析系統(tǒng)組成6
1.4 農(nóng)業(yè)領(lǐng)域典型應用及特點7
1.4.1 作物生長特征檢測與識別8
1.4.2 畜禽生理生長信息感知與分析9
1.4.3 果蔬病蟲害識別診斷9
1.4.4 農(nóng)產(chǎn)品無損檢測10
1.4.5 農(nóng)業(yè)自然資源調(diào)查與評價10
1.4.6 智能農(nóng)機精準作業(yè)11
1.4.7 森林資源監(jiān)測與管理11
1.4.8 水利資源環(huán)境調(diào)查與監(jiān)控12
習題12
第2章 數(shù)字圖像基礎(chǔ)13
2.1 人眼成像與視覺感知13
2.1.1 光與電磁波13
2.1.2 人眼結(jié)構(gòu)14
2.1.3 人眼的成像過程14
2.2 彩色基礎(chǔ)與顏色模型15
2.2.1 視覺三原色原理15
2.2.2 CIE RGB/XYZ 三色空間15
2.2.3 顏色的屬性16
2.2.4 CIE 色度圖17
2.2.5 顏色模型18
2.3 圖像的數(shù)字化與圖像類型21
2.3.1 采樣和量化21
2.3.2 圖像的數(shù)字化表示22
2.3.3 農(nóng)業(yè)數(shù)字圖像類型23
2.3.4 圖像文件格式26
數(shù)字圖像處理與分析
2.4 像素間的基本關(guān)系27
2.4.1 像素的鄰域像素27
2.4.2 鄰接、連通、區(qū)域27
2.4.3 像素的距離度量28
2.5 數(shù)字圖像處理與分析實驗平臺29
2.5.1 Python 圖像處理與分析庫29
2.5.2 OpenCV 發(fā)展歷史29
2.5.3 Python-OpenCV 實驗平臺30
2.5.4 NumPy 包簡介30
2.5.5 Python-OpenCV 圖像處理應用舉例32
習題35
第3章 數(shù)學基礎(chǔ)37
3.1 圖像的向量和矩陣運算37
3.1.1 向量37
3.1.2 內(nèi)積和外積38
3.1.3 矩陣運算38
3.2 空域運算中的數(shù)學方法39
3.2.1 線性變換與非線性變換39
3.2.2 點處理40
3.2.3 區(qū)處理40
3.3 圖像的幾何變換41
3.3.1 齊次坐標41
3.3.2 仿射變換41
3.3.3 組合變換43
3.3.4 圖像配準43
3.4 圖像的梯度及差分近似44
3.4.1 梯度44
3.4.2 泰勒級數(shù)45
3.4.3 一階差分近似一階導數(shù)45
3.4.4 二階差分近似二階導數(shù)47
3.4.5 拉普拉斯算子47
3.4.6 邊界的微分性質(zhì)48
3.5 圖像的變換域處理49
3.5.1 復數(shù)基本概念49
3.5.2 三角級數(shù)及其正交性50
3.5.3 傅里葉級數(shù)的三角函數(shù)形式51
3.5.4 傅里葉級數(shù)的復數(shù)形式52
3.5.5 傅里葉變換53
3.5.6 一維信號變換53
3.5.7 二維圖像變換54
3.5.8 可分離對稱變換核55
3.6 圖像的統(tǒng)計性質(zhì)56
3.6.1 灰度值為隨機變量的概率密度函數(shù)56
3.6.2 空間坐標為隨機變量的圖像矩57
習題58
第4章 圖像的空域處理60
4.1 灰度變換60
4.1.1 灰度反轉(zhuǎn)60
4.1.2 對比度拉伸/壓縮60
4.1.3 非線性變換61
4.2 直方圖增強63
4.2.1 灰度直方圖63
4.2.2 直方圖均衡化64
4.2.3 直方圖規(guī)定化67
4.3 圖像幾何插值69
4.3.1 基本概念69
4.3.2 最近鄰插值70
4.3.3 雙線性插值70
4.3.4 超分辨率重建71
4.4 圖像平滑71
4.4.1 圖像噪聲72
4.4.2 模板卷積72
4.4.3 可分離卷積74
4.4.4 鄰域平滑74
4.4.5 中值濾波75
4.5 自適應濾波77
4.5.1 雙邊濾波77
4.5.2 導向濾波78
4.6 圖像銳化79
4.6.1 鈍化掩模和高提升濾波80
4.6.2 拉普拉斯圖像銳化法81
4.7 偽彩色增強82
4.7.1 灰度分層82
4.7.2 灰度到彩色的變換83
4.7.3 頻域偽彩色增強84
習題84
第5章 圖像的頻域處理87
5.1 一維傅里葉變換87
5.1.1 連續(xù)函數(shù)的傅里葉變換88
5.1.2 離散傅里葉變換89
5.1.3 一維離散傅里葉變換的性質(zhì)91
5.2 二維傅里葉變換93
5.2.1 連續(xù)二維函數(shù)的傅里葉變換93
5.2.2 二維離散函數(shù)的傅里葉變換93
5.2.3 二維離散傅里葉變換性質(zhì)93
5.3 傅里葉變換在圖像處理中的應用96
5.3.1 頻域圖像處理步驟97
5.3.2 頻域濾波97
5.4 離散余弦變換101
5.4.1 一維離散余弦變換101
5.4.2 二維離散余弦變換101
5.5 小波變換103
5.5.1 小波變換理論基礎(chǔ)103
5.5.2 二維小波變換105
5.5.3 小波變換在圖像處理中的應用107
習題108
第6章 圖像形態(tài)學109
6.1 數(shù)學形態(tài)學109
6.1.1 集合運算109
6.1.2 邏輯運算111
6.1.3 結(jié)構(gòu)元素與幾何變換111
6.2 二值形態(tài)學112
6.2.1 腐蝕113
6.2.2 膨脹114
6.2.3 開/閉運算115
6.2.4 對偶性117
6.2.5 擊中/擊不中變換118
6.3 灰值形態(tài)學119
6.3.1 灰值腐蝕120
6.3.2 灰值膨脹120
6.3.3 灰值開/閉運算121
6.4 形態(tài)學算法及應用123
6.4.1 形態(tài)學濾波123
6.4.2 邊界提取124
6.4.3 圖像分割124
6.4.4 骨架提取126
6.4.5 端點檢測127
6.4.6 陰影校正128
習題129
第7章 圖像分割131
7.1 基本概念131
7.2 邊界檢測132
7.2.1 梯度與邊界方向132
7.2.2 一階梯度邊界檢測133
7.2.3 方向梯度法135
7.2.4 二階導數(shù)邊界檢測136
7.2.5 Canny 邊界檢測算子138
7.2.6 邊界連接139
7.2.7 霍夫變換直線檢測139
7.3 閾值分割142
7.3.1 迭代閾值法142
7.3.2 Otsu 閾值法143
7.3.3 基于邊界的改進閾值分割144
7.3.4 動態(tài)閾值法144
7.4 基于區(qū)域的分割145
7.4.1 區(qū)域生長145
7.4.2 區(qū)域分裂與區(qū)域合并146
7.5 分水嶺分割147
7.5.1 基本術(shù)語147
7.5.2 淹沒法148
7.5.3 應用舉例——連接籽粒分割148
7.6 Mean Shift 分割149
7.6.1 Mean Shift 理論149
7.6.2 Mean Shift 圖像濾波和分割151
7.7 SLIC 超像素分割152
7.7.1 k 均值聚類圖像分割152
7.7.2 SLIC 超像素分割153
7.8 主動輪廓模型155
7.8.1 能量函數(shù)155
7.8.2 局限156
7.9 圖割157
7.9.1 硬約束和軟約束157
7.9.2 能量函數(shù)158
習題160
第8章 圖像特征提取與描述162
8.1 顏色特征162
8.1.1 顏色直方圖162
8.1.2 顏色矩164
8.1.3 顏色聚合向量165
8.1.4 植被顏色指數(shù)167
8.2 形狀特征169
8.2.1 邊界特征169
8.2.2 區(qū)域特征175
8.2.3 角點特征179
8.3 紋理特征181
8.3.1 灰度直方圖統(tǒng)計矩181
8.3.2 灰度共生矩陣183
8.3.3 Tamura 紋理185
8.3.4 局部二值模式186
8.3.5 傅里葉譜188
8.4 現(xiàn)代特征描述子190
8.4.1 尺度不變特征變換190
8.4.2 加速穩(wěn)健特征193
8.4.3 方向梯度直方圖特征195
習題197
第9章 圖像壓縮200
9.1 概述200
9.1.1 圖像數(shù)據(jù)冗余200
9.1.2 編碼冗余基礎(chǔ)201
9.1.3 圖像壓縮基本過程202
9.1.4 圖像壓縮質(zhì)量評價202
9.2 基本編碼定理203
9.2.1 信息量203
9.2.2 熵204
9.2.3 無損編碼術(shù)語204
9.3 無損壓縮編碼205
9.3.1 香農(nóng)-范諾編碼205
9.3.2 霍夫曼編碼207
9.3.3 算術(shù)編碼207
9.3.4 LZW 編碼209
9.4 JPEG 圖像壓縮標準簡介211
9.4.1 JPEG 212
9.4.2 JPEG 2000213
9.4.3 JPEG 2000 編碼實例213
9.5 視頻編碼214
9.5.1 幀間編碼214
9.5.2 運動補償編碼215
9.5.3 MPEG 215
習題216
第10章 機器學習基礎(chǔ)218
10.1 有監(jiān)督機器學習218
10.1.1 線性預測器218
10.1.2 損失函數(shù)及其最小化219
10.1.3 梯度下降算法220
10.1.4 邏輯回歸221
10.1.5 圖像的多分類問題222
10.1.6 模型性能評估222
10.1.7 模型選擇224
10.2 BP 神經(jīng)網(wǎng)絡224
10.2.1 特征與預測器的聯(lián)合學習225
10.2.2 BP 神經(jīng)網(wǎng)絡架構(gòu)226
10.2.3 反向傳播算法227
10.2.4 BP 神經(jīng)網(wǎng)絡的梯度下降算法229
10.3 卷積神經(jīng)網(wǎng)絡229
10.3.1 從全連接到卷積229
10.3.2 卷積與池化230
10.3.3 典型卷積神經(jīng)網(wǎng)絡架構(gòu)231
10.3.4 卷積神經(jīng)網(wǎng)絡的反向傳播算法232
10.4 卷積神經(jīng)網(wǎng)絡應用233
10.4.1 圖像目標檢測233
10.4.2 實例分割235
10.4.3 語義圖像分割236
10.4.4 視覺目標跟蹤238
10.4.5 視頻行為識別238
10.5 Transformer 及其應用239
10.5.1 Transformer 簡介239
10.5.2 Transformer 在視覺領(lǐng)域的應用241
習題242
參考文獻244
附錄 名詞術(shù)語246