出版說(shuō)明
前言
第1章 緒論
1.1 數(shù)字圖像處理
1.1.1 圖像的概念及分類
1.1.2 數(shù)字圖像處理的發(fā)展概況
1.1.3 數(shù)字圖像處理的研究范疇
1.1.4 數(shù)字圖像處理的基本特點(diǎn)
1.1.5 數(shù)字圖像處理與相關(guān)學(xué)科的關(guān)系
1.1.6 數(shù)字圖像處理的應(yīng)用
1.2 模式識(shí)別
1.2.1 模式和模式識(shí)別的概念
1.2.2 研究?jī)?nèi)容
1.2.3 系統(tǒng)組成
1.2.4 主要方法
1.2.5 應(yīng)用現(xiàn)狀
1.3 圖像識(shí)別
1.3.1 系統(tǒng)的基本構(gòu)成
1.3.2 研究現(xiàn)狀
1.3.3 應(yīng)用現(xiàn)狀
1.4 本章小結(jié)
第2章 圖像預(yù)處理技術(shù)
2.1 基本概念
2.1.1 鄰域、鄰接、區(qū)域和連通的概念
2.1.2 鄰域（模板）運(yùn)算
2.2 圖像增強(qiáng)
2.2.1 圖像增強(qiáng)的概念
2.2.2 基于點(diǎn)操作的圖像增強(qiáng)
2.2.3 基于鄰域操作的圖像增強(qiáng)
2.3 圖像復(fù)原
2.3.1 圖像的退化和復(fù)原概述
2.3.2 圖像退化的數(shù)學(xué)模型
2.3.3 幾種經(jīng)典的圖像復(fù)原方法
2.4 圖像變換
2.4.1 圖像變換概述
2.4.2 傅里葉變換
2.4.3 離散余弦變換
2.4.4 離散沃爾什-哈達(dá)瑪變換
2.4.5 離散K-L變換
2.4.6 離散小波變換
2.5 本章小結(jié)
第3章 圖像分割技術(shù)
3.1 圖像分割概述
3.2 并行邊界分割
3.2.1 邊緣的定義和種類
3.2.2 并行邊緣檢測(cè)方法
3.3 串行邊界分割
3.4 并行區(qū)域分割
3.4.1 閾值分割概述
3.4.2 典型的閾值選取方法
3.4.3 動(dòng)態(tài)閾值分割法
3.4.4 閾值插值法
3.4.5 分水嶺閾值分割方法
3.4.6 基于熵的閾值分割方法
3.4.7 多閾值分割方法
3.4.8 其他局部閾值分割方法
3.5 串行區(qū)域分割
3.5.1 區(qū)域生長(zhǎng)
3.5.2 區(qū)域分裂合并
3.6 其他灰度圖像分割方法
3.6.1 基于小波變換的圖像分割
3.6.2 基于馬爾可夫隨機(jī)場(chǎng)模型的圖像分割
3.6.3 基于遺傳算法的圖像分割
3.6.4 基于人工神經(jīng)網(wǎng)絡(luò)的圖像分割
3.6.5 基于聚類的圖像分割
3.6.6 基于圖論的圖像分割
3.6.7 基于能量泛函的圖像分割
3.6.8 基于NSCT的圖像分割
3.7 二值圖像的分割——數(shù)學(xué)形態(tài)學(xué)圖像處理
3.7.1 基本符號(hào)和關(guān)系
3.7.2 腐蝕運(yùn)算
3.7.3 膨脹運(yùn)算
3.7.4 開(kāi)運(yùn)算
3.7.5 閉運(yùn)算
3.7.6 細(xì)化
3.7.7 粗化
3.8 彩色圖像的分割
3.8.1 顏色基礎(chǔ)
3.8.2 彩色模型（彩色規(guī)范）
3.8.3 彩色分割策略
3.9 圖像分割的評(píng)價(jià)
3.10 本章小結(jié)
第4章 圖像特征提取與分類
4.1 圖像特征基礎(chǔ)
4.1.1 圖像特征的概念
4.1.2 特征形成和提取
4.1.3 特征選擇
4.2 顏色特征的表示與提取
4.2.1 顏色直方圖
4.2.2 顏色矩
4.2.3 顏色集
4.2.4 顏色聚合向量
4.2.5 顏色相關(guān)圖
4.2.6 顏色布局
4.3 紋理特征的表示與提取
4.3.1 紋理的概念和研究?jī)?nèi)容
4.3.2 灰度共生矩陣
4.3.3 Tamura紋理特征
4.3.4 局部二值模式
4.3.5 局部累積矩
4.3.6 自回歸紋理模型
4.3.7 分形分析
4.3.8 基于小波變換的紋理特征提取
4.3.9 Gabor濾波
4.4 形狀特征的表示與提取
4.4.1 基本概念
4.4.2 區(qū)域描述
4.4.3 邊界描述
4.4.4 Hough變換
4.4.5 其他形狀特征
4.5 空間關(guān)系特征
4.5.1 空間關(guān)系特征的特點(diǎn)
4.5.2 常用的空間特征提取方法
4.6 特征空間的降維
4.6.1 主成分分析
4.6.2 Fisher線性判別分析
4.6.3 PCA和FLDA的比較
4.6.4 多維尺度法
4.7 特征向量的分類方法
4.7.1 模式識(shí)別簡(jiǎn)介
4.7.2 Adaboost分類器
4.7.3 支持向量機(jī)
4.7.4 隨機(jī)森林分類器
4.7.5 分類器的評(píng)價(jià)與比較
4.8 綜合應(yīng)用實(shí)例——基于內(nèi)容的圖像檢索
4.8.1 研究背景
4.8.2 研究?jī)?nèi)容
4.8.3 研究現(xiàn)狀
4.8.4 發(fā)展方向
4.9 本章小結(jié)
第5章 基于模板匹配的圖像識(shí)別技術(shù)
5.1　模板匹配概述
5.1.1 研究現(xiàn)狀
5.1.2 一般流程
5.1.3 應(yīng)用現(xiàn)狀
5.2 基于圖像灰度的模板匹配
5.2.1 平方誤差度量
5.2.2 差的絕對(duì)值和相關(guān)法
5.2.3 互相關(guān)法
5.2.4 序貫相似性度量
5.2.5 最大互信息法
5.3 基于圖像特征的模板匹配
5.4 其他模板匹配方法
5.4.1 二階段模板匹配
5.4.2 投影模板匹配
5.4.3 自適應(yīng)模板匹配
5.4.4 模板匹配快速算法
5.5 本章小結(jié)
第6章 運(yùn)動(dòng)圖像序列分析
6.1 運(yùn)動(dòng)基礎(chǔ)知識(shí)
6.1.1 剛性運(yùn)動(dòng)
6.1.2 非剛性運(yùn)動(dòng)
6.2 基于光流場(chǎng)的運(yùn)動(dòng)圖像分析
6.2.1 光流和光流場(chǎng)
6.2.2 光流約束方程
6.2.3 孔徑問(wèn)題
6.2.4 梯度光流法
6.2.5 特征光流法
6.3 基于配準(zhǔn)的運(yùn)動(dòng)圖像分析
6.3.1 配準(zhǔn)方法
6.3.2 最優(yōu)匹配的搜索
6.3.3 結(jié)果舉例及討論
6.4 本章小結(jié)
第7章 變形模型技術(shù)
7.1 變形模型的數(shù)學(xué)基礎(chǔ)
7.1.1 能量最小化變形模型
7.1.2 動(dòng)態(tài)可變形模型
7.1.3 離散化和數(shù)字仿真
7.2 變形模型在醫(yī)學(xué)圖像處理中的應(yīng)用
7.2.1 采用可變形曲線的圖像分割
7.2.2 采用可變形曲面的體視圖像分割
7.2.3 先驗(yàn)知識(shí)
7.2.4 圖像的匹配
7.2.5 運(yùn)動(dòng)跟蹤和分析
7.3 參數(shù)活動(dòng)輪廓模型
7.3.1 模型原理
7.3.2 能量最小值的求解
7.4 改進(jìn)的snake模型
7.4.1 氣球模型
7.4.2 T-snake模型
7.4.3 強(qiáng)約束T-snake模型
7.4.4 Kalman snake模型
7.5 幾何活動(dòng)輪廓模型
7.5.1 常用的幾何活動(dòng)輪廓模型
7.5.2 數(shù)值化求解
7.6 基于超二次曲面的變形模型
7.6.1 超二次曲面的數(shù)學(xué)描述
7.6.2 超二次曲面的變形
7.6.3 擴(kuò)展超二次曲面
7.6.4 擬合ESQ曲面模型
7.7 本章小結(jié)
第8章 綜合應(yīng)用實(shí)例——血管內(nèi)超聲圖像的分割和斑塊的自動(dòng)識(shí)別
8.1 血管內(nèi)超聲成像簡(jiǎn)介
8.1.1 成像原理
8.1.2 圖像特點(diǎn)
8.2 血管內(nèi)超聲圖像的分割
8.2.1 方法分類
8.2.2 典型方法
8.2.3 展望
8.3 血管內(nèi)超聲圖像中斑塊的自動(dòng)識(shí)別
8.3.1 方法分類
8.3.2 血管內(nèi)超聲圖像紋理特征的提取和描述
8.3.3 血管內(nèi)超聲圖像紋理特征的分類
8.4 本章小結(jié)
第9章 綜合應(yīng)用實(shí)例——車輛牌照字符的自動(dòng)識(shí)別
9.1 汽車牌照?qǐng)D像的特點(diǎn)
9.1.1 中國(guó)汽車牌照分類
9.1.2 汽車牌照?qǐng)D像的特點(diǎn)
9.2 車輛牌照自動(dòng)識(shí)別系統(tǒng)概述
9.3 車牌字符自動(dòng)識(shí)別的研究現(xiàn)狀
9.3.1 主要方法
9.3.2 技術(shù)難點(diǎn)
9.4 車牌字符自動(dòng)識(shí)別方法舉例
9.4.1 車輛圖像的預(yù)處理
9.4.2 牌照定位
9.4.3 車牌字符識(shí)別及結(jié)果輸出
9.5 本章小結(jié)
第10章 綜合應(yīng)用實(shí)例——航拍絕緣子圖像的自動(dòng)分割和定位
10.1 航拍絕緣子圖像的特點(diǎn)
10.2 航拍絕緣子圖像的分割
10.2.1 建立基于NSCT分解的灰度-梯度共生矩陣
10.2.2 采用灰熵模型及BF-PSO算法計(jì)算閾值
10.3 絕緣子串的自動(dòng)定位
10.3.1 主要方法
10.3.2 基于形狀特征的絕緣子串的自動(dòng)定位
10.4 本章小結(jié)
參考文獻(xiàn)