掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
圖像處理與機器視覺 版權信息
- ISBN：9787111767756
- 條形碼：9787111767756 ; 978-7-111-76775-6
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
圖像處理與機器視覺 本書特色
本書遵循教指委相關指導文件和高等院校學生學習規律編寫而成。踐行四新理念，融入思政元素，注重理論與實踐相結合。
圖像處理與機器視覺 內容簡介
圖像處理與機器視覺主要研究如何從圖像中進行視覺感知、分析和理解。大數據時代的到來、人工智能算法的進步、硬件技術的發展以及前沿應用的牽引，正推動著圖像處理與機器視覺技術的飛速發展。本書從底層視覺中的數字圖像處理方法、中層視覺中的圖像特征提取與匹配、高層視覺中的立體視覺與圖像理解等角度出發，以二維圖像分析和三維場景感知為主要目標，闡述了圖像處理與機器視覺領域的經典方法與前沿應用。本書共12章，主要內容為：緒論，數字圖像處理基礎，空域圖像處理及應用，頻域圖像處理及應用，形態學圖像處理及應用，彩色圖像處理及應用，圖像特征檢測，圖像特征提取與描述，圖像特征匹配，視覺系統構建，立體視覺與三維重建，圖像分類、檢測與分割。本書配有以下教學資源：電子課件、習題參考答案、教學大綱等。同時，為了增強圖像處理方法理論與實踐的黏合度，本書還引入關于經典算法與典型應用的程序案例。 本書可作為普通高等院校人工智能、智能科學與技術、電子信息、計算機、自動化、物聯網、機電一體化、生物工程等專業的本科教材和研究生入門教材，也可供廣大從事圖像處理與機器視覺工作的工程技術人員參考。 本書配有電子課件等教學資源，歡迎選用本書作教材的教師登錄www.cmpedu.com注冊后下載，或發郵件至jinacmp@163.com索取。
圖像處理與機器視覺圖像處理與機器視覺 前言
當今社會正逐漸向信息化、數字化與智能化轉型，尤其是智能化發展已成為國家戰略制高點。圖像處理與機器視覺作為人工智能的核心技術取得了長足發展，廣泛應用于工業、農業、軍事、醫療等多個領域。而大數據時代的到來、人工智能算法的進步、硬件技術的發展以及前沿應用的牽引，正推動著圖像處理與機器視覺技術逐漸走向巔峰。
首先，大數據時代的到來為圖像處理與機器視覺技術的發展提供了必要的支撐，圖像數據量呈指數級增長，數據來源涵蓋網絡社交媒體、醫學影像、衛星遙感等不同環境和不同場景；同時，大規模開源圖像數據集中包含了大量高質量的人工標簽，從這些數據中可以學習到更準確的特征和模式，構建更高效、魯棒的視覺大模型。大數據時代的數據分析與挖掘技術也可以幫助發現隱藏在海量圖像數據中的規律、趨勢和特征，從而進行高級的圖像理解、目標檢測、圖像搜索等，為圖像處理與機器視覺技術提供更加智能化的支持。
圖像處理與機器視覺 目錄
第1章 緒論—圖像處理與機器視覺的前世今生 1
引言 1
1.1 技術的起源與發展 1
1.2 背后的理論體系 4
1.3 光譜家族及其應用領域 7
1.3.1 γ射線成像 7
1.3.2 X射線成像 8
1.3.3 紫外線成像 9
1.3.4 可見光成像 10
1.3.5 紅外線成像 11
1.3.6 微波成像 11
1.3.7 無線電波成像 12
1.3.8 其他成像方式 13
1.4 狹義的數字圖像處理—從圖像到圖像 13
1.4.1 圖像增強 13
1.4.2 圖像復原 14
1.4.3 圖像去噪 15
1.5 廣義的數字圖像處理—從圖像到理解 16
1.5.1 圖像分類 16
1.5.2 目標檢測 18
1.5.3 圖像分割 20
本章小結 21
參考文獻 22
第1篇 底層視覺：數字圖像處理方法
第2章 數字圖像處理基礎—人工智能的敲門磚 24
引言 24
2.1 圖像的定義 24
2.2 圖像的獲取 25
2.3 圖像的數字化 26
2.3.1 圖像的采樣 26
2.3.2 圖像的量化 28
2.4 數字圖像的表示與屬性 29
2.4.1 圖像的表示 29
2.4.2 圖像的數據類型 31
2.4.3 圖像的類型 31
2.5 數字圖像中像素的表示與分析 33
2.5.1 相鄰像素 33
2.5.2 鄰接性、連通性、區域和邊界 34
本章小結 35
思考題與習題 35
參考文獻 36
第3章 空域圖像處理及應用—圖像質量的提升 37
引言 37
3.1 基于灰度變換的圖像增強 37
3.1.1 線性變換 37
3.1.2 分段線性變換 39
3.1.3 非線性變換 40
3.2 基于直方圖處理的圖像增強 43
3.2.1 直方圖基本概念 43
3.2.2 直方圖均衡化 46
3.2.3 直方圖規定化 51
3.3 基于空域濾波的圖像增強與圖像去噪 54
3.3.1 噪聲模型 54
3.3.2 相關和卷積 59
3.3.3 線性空間濾波 62
3.3.4 非線性統計排序濾波器 73
3.4 空域圖像處理的典型應用 75
3.4.1 基于直方圖處理的圖像增強 75
3.4.2 基于空域濾波處理的圖像平滑與去噪 77
3.4.3 圖像去霧 78
3.4.4 圖像超分辨率重建 80
本章小結 81
思考題與習題 81
參考文獻 83
第4章 頻域圖像處理及應用—圖像增強與圖像復原 84
引言 84
4.1 基礎知識 84
4.1.1 傅里葉級數與傅里葉變換 84
4.1.2 卷積與卷積定理 87
4.1.3 單位離散沖激信號與沖激序列 87
4.1.4 取樣及取樣函數的傅里葉變換 88
4.1.5 一維變量的離散傅里葉變換 91
4.1.6 二維變量的離散傅里葉變換 93
4.1.7 二維DFT的性質 95
4.2 基于頻域濾波的數字圖像處理基本框架 99
4.2.1 頻域濾波基礎 100
4.2.2 頻域濾波步驟 103
4.2.3 空域與頻域濾波間的對應關系 103
4.3 低通濾波器 105
4.3.1 理想低通濾波器 106
4.3.2 巴特沃思低通濾波器 108
4.3.3 高斯低通濾波器 110
4.4 高通濾波器 112
4.4.1 理想高通濾波器 112
4.4.2 巴特沃思高通濾波器 113
4.4.3 高斯高通濾波器 114
4.5 帶通濾波器與帶阻濾波器 116
4.5.1 帶通和帶阻濾波器 116
4.5.2 陷波濾波器 117
4.6 同態濾波 119
4.7 基于退化函數估計的圖像復原 120
4.7.1 線性、位置不變的退化 121
4.7.2 估計退化函數 121
4.7.3 逆濾波 124
4.7.4 維納濾波 125
4.8 頻域圖像處理的典型應用 127
4.8.1 基于頻域濾波器的圖像去噪 127
4.8.2 基于頻域濾波的背景抑制與目標檢測 129
4.8.3 圖像去模糊 131
本章小結 132
思考題與習題 132
參考文獻 133
第5章 形態學圖像處理及應用—圖像目標形狀分析的便捷工具 134
引言 134
5.1 預備知識 134
5.1.1 元素和集合 134
5.1.2 反射和平移 136
5.1.3 結構元 136
5.2 腐蝕和膨脹 137
5.2.1 腐蝕操作 138
5.2.2 膨脹操作 139
5.3 開操作與閉操作 141
5.3.1 開操作 141
5.3.2 閉操作 142
5.4 擊中變換和擊不中變換 143
5.5 灰度級形態學處理 144
5.5.1 灰值腐蝕 145
5.5.2 灰值膨脹 145
5.5.3 灰值開、閉運算 146
5.5.4 頂帽變換與底帽變換 146
5.6 形態學圖像處理的典型應用 147
5.6.1 孔洞填充 147
5.6.2 細化 149
5.6.3 骨架提取 149
5.6.4 基于形態學處理的花生計數 150
5.6.5 基于形態學處理的車牌識別 154
本章小結 158
思考題與習題 158
參考文獻 159
第6章 彩色圖像處理及應用—更加豐富多彩的圖像世界 160
引言 160
6.1 彩色圖像模型 160
6.1.1 RGB彩色模型 160
6.1.2 HSI彩色模型 162
6.1.3 CMY和CMYK彩色模型 163
6.1.4 彩色模型之間的轉換 163
6.2?偽彩色圖像處理 165
6.2.1 灰度分層技術 165
6.2.2 灰度到彩色的映射 166
6.3 全彩色圖像處理 168
6.3.1 全彩色圖像處理基礎 168
6.3.2 彩色圖像增強 169
6.3.3 彩色圖像分割 178
6.4 彩色圖像處理的典型應用 181
6.4.1 彩色圖像的直方圖調整 181
6.4.2 彩色圖像的平滑與銳化操作 181
6.4.3 人臉檢測 184
6.4.4 交通燈識別 185
本章小結 187
思考題與習題 187
參考文獻 188
第２篇 中層視覺：圖像特征分析
第７章 圖像特征檢測—挖掘圖像中的重要信息 190
引言 190
7.1 基于閾值處理的像素點檢測 190
7.1.1 基礎知識 190
7.1.2 基本的全局化閾值處理 192
7.1.3 Otsu閾值化處理 193
7.1.4 局部閾值處理 196
7.2 角點檢測 199
7.2.1 孤立點檢測 199
7.2.2 Harris角點檢測 200
7.3 邊緣檢測 203
7.3.1 一階邊緣檢測模型 203
7.3.2 二階邊緣檢測模型 207
7.3.3 基于Hough變換的邊緣檢測 209
7.4 尺度檢測 212
7.4.1 Blob特征檢測 212
7.4.2 SIFT特征檢測 215
7.5 特征檢測的典型應用 217
7.5.1 Harris角點檢測示例 217
7.5.2 基于Hough變換的車道線檢測 219
本章小結 221
思考題與習題 222
參考文獻 222
第8章 圖像特征提取與描述—區分圖像或目標的關鍵 223
引言 223
8.1 顏色特征提取 223
8.1.1 顏色直方圖 223
8.1.2 顏色集 224
8.1.3 顏色相關圖 225
8.1.4 顏色矩 227
8.2 形狀特征提取 228
8.2.1 簡單形狀特征 229
8.2.2 傅里葉描述符 230
8.2.3 形狀無關矩 232
8.3 紋理特征提取 233
8.3.1 LBP特征描述子 233
8.3.2 SIFT特征描述子 236
8.3.3 HOG特征描述子 238
8.3.4 SURF特征描述子 240
本章小結 241
思考題與習題 241
參考文獻 242
第9章 圖像特征匹配—圖像間細節信息的關聯 243
引言 243
9.1 基礎匹配 243
9.1.1 特征匹配的策略 244
9.1.2 特征匹配的評價標準 246
9.1.3 暴力匹配 247
9.1.4 KD-樹匹配 248
9.2 RANSAC算法 249
9.2.1 RANSAC算法的基本原理 249
9.2.2 RANSAC算法的優點和局限性 251
9.3 典型應用及相關程序 251
9.3.1 暴力匹配示例 251
9.3.2 KD-樹匹配示例 252
9.3.3 基于RANSAC算法的匹配示例 253
本章小結 254
思考題與習題 254
參考文獻 255
第3篇 高層視覺：立體視覺與圖像理解
第10章 視覺系統構建—三維場景與二維圖像的聯系 257
引言 257
10.1 視覺成像模型 257
10.1.1 針孔模型 258
10.1.2 薄透鏡模型 259
10.1.3 透視投影模型 260
10.2 視覺系統硬件選型 265
10.2.1 視覺系統的硬件構成 266
10.2.2 視覺系統的選型過程 273
10.3 視覺系統標定 275
10.3.1 常用的標定方法 276
10.3.2 張正友標定方法 277
本章小結 281
思考題與習題 281
參考文獻 281
第11章 立體視覺與三維重建—將二維圖像映射到三維空間 282
引言 282
11.1 立體視覺系統 282
11.1.1 平視雙目視覺系統 282
11.1.2 一般立體視覺系統 285
11.1.3 立體視覺系統標定 286
11.2 極線幾何與立體匹配 287
11.2.1 極線幾何理論 287
11.2.2 立體匹配過程 290
11.3 點云處理基礎 297
11.3.1 點云數據表示與結構 297
11.3.2 點云數據預處理 299
11.3.3 點云配準與坐標變換 300
11.4?平視雙目視覺系統典型應用 304
本章小結 307
思考題與習題 308
參考文獻 308
第12章 圖像分類、檢測與分割—對真實世界的認知與理解 309
引言 309
12.1 圖像分類 309
12.1.1 卷積神經網絡 310
12.1.2 深度卷積神經網絡（AlexNet） 312
12.1.3 殘差網絡（ResNet） 314
12.1.4 圖像分類算法應用場景舉例 316
12.2 目標檢測 318
12.2.1 兩階段目標檢測算法 318
12.2.2 單階段目標檢測算法 321
12.2.3 目標檢測算法應用場景舉例 322
12.3 圖像分割 326
12.3.1 U-Net模型 329
12.3.2 U-Net++模型 329
12.3.3 圖像分割算法應用場景舉例 330
本章小結 334
參考文獻 335
引言 1
1.1 技術的起源與發展 1
1.2 背后的理論體系 4
1.3 光譜家族及其應用領域 7
1.3.1 γ射線成像 7
1.3.2 X射線成像 8
1.3.3 紫外線成像 9
1.3.4 可見光成像 10
1.3.5 紅外線成像 11
1.3.6 微波成像 11
1.3.7 無線電波成像 12
1.3.8 其他成像方式 13
1.4 狹義的數字圖像處理—從圖像到圖像 13
1.4.1 圖像增強 13
1.4.2 圖像復原 14
1.4.3 圖像去噪 15
1.5 廣義的數字圖像處理—從圖像到理解 16
1.5.1 圖像分類 16
1.5.2 目標檢測 18
1.5.3 圖像分割 20
本章小結 21
參考文獻 22
第1篇 底層視覺：數字圖像處理方法
第2章 數字圖像處理基礎—人工智能的敲門磚 24
引言 24
2.1 圖像的定義 24
2.2 圖像的獲取 25
2.3 圖像的數字化 26
2.3.1 圖像的采樣 26
2.3.2 圖像的量化 28
2.4 數字圖像的表示與屬性 29
2.4.1 圖像的表示 29
2.4.2 圖像的數據類型 31
2.4.3 圖像的類型 31
2.5 數字圖像中像素的表示與分析 33
2.5.1 相鄰像素 33
2.5.2 鄰接性、連通性、區域和邊界 34
本章小結 35
思考題與習題 35
參考文獻 36
第3章 空域圖像處理及應用—圖像質量的提升 37
引言 37
3.1 基于灰度變換的圖像增強 37
3.1.1 線性變換 37
3.1.2 分段線性變換 39
3.1.3 非線性變換 40
3.2 基于直方圖處理的圖像增強 43
3.2.1 直方圖基本概念 43
3.2.2 直方圖均衡化 46
3.2.3 直方圖規定化 51
3.3 基于空域濾波的圖像增強與圖像去噪 54
3.3.1 噪聲模型 54
3.3.2 相關和卷積 59
3.3.3 線性空間濾波 62
3.3.4 非線性統計排序濾波器 73
3.4 空域圖像處理的典型應用 75
3.4.1 基于直方圖處理的圖像增強 75
3.4.2 基于空域濾波處理的圖像平滑與去噪 77
3.4.3 圖像去霧 78
3.4.4 圖像超分辨率重建 80
本章小結 81
思考題與習題 81
參考文獻 83
第4章 頻域圖像處理及應用—圖像增強與圖像復原 84
引言 84
4.1 基礎知識 84
4.1.1 傅里葉級數與傅里葉變換 84
4.1.2 卷積與卷積定理 87
4.1.3 單位離散沖激信號與沖激序列 87
4.1.4 取樣及取樣函數的傅里葉變換 88
4.1.5 一維變量的離散傅里葉變換 91
4.1.6 二維變量的離散傅里葉變換 93
4.1.7 二維DFT的性質 95
4.2 基于頻域濾波的數字圖像處理基本框架 99
4.2.1 頻域濾波基礎 100
4.2.2 頻域濾波步驟 103
4.2.3 空域與頻域濾波間的對應關系 103
4.3 低通濾波器 105
4.3.1 理想低通濾波器 106
4.3.2 巴特沃思低通濾波器 108
4.3.3 高斯低通濾波器 110
4.4 高通濾波器 112
4.4.1 理想高通濾波器 112
4.4.2 巴特沃思高通濾波器 113
4.4.3 高斯高通濾波器 114
4.5 帶通濾波器與帶阻濾波器 116
4.5.1 帶通和帶阻濾波器 116
4.5.2 陷波濾波器 117
4.6 同態濾波 119
4.7 基于退化函數估計的圖像復原 120
4.7.1 線性、位置不變的退化 121
4.7.2 估計退化函數 121
4.7.3 逆濾波 124
4.7.4 維納濾波 125
4.8 頻域圖像處理的典型應用 127
4.8.1 基于頻域濾波器的圖像去噪 127
4.8.2 基于頻域濾波的背景抑制與目標檢測 129
4.8.3 圖像去模糊 131
本章小結 132
思考題與習題 132
參考文獻 133
第5章 形態學圖像處理及應用—圖像目標形狀分析的便捷工具 134
引言 134
5.1 預備知識 134
5.1.1 元素和集合 134
5.1.2 反射和平移 136
5.1.3 結構元 136
5.2 腐蝕和膨脹 137
5.2.1 腐蝕操作 138
5.2.2 膨脹操作 139
5.3 開操作與閉操作 141
5.3.1 開操作 141
5.3.2 閉操作 142
5.4 擊中變換和擊不中變換 143
5.5 灰度級形態學處理 144
5.5.1 灰值腐蝕 145
5.5.2 灰值膨脹 145
5.5.3 灰值開、閉運算 146
5.5.4 頂帽變換與底帽變換 146
5.6 形態學圖像處理的典型應用 147
5.6.1 孔洞填充 147
5.6.2 細化 149
5.6.3 骨架提取 149
5.6.4 基于形態學處理的花生計數 150
5.6.5 基于形態學處理的車牌識別 154
本章小結 158
思考題與習題 158
參考文獻 159
第6章 彩色圖像處理及應用—更加豐富多彩的圖像世界 160
引言 160
6.1 彩色圖像模型 160
6.1.1 RGB彩色模型 160
6.1.2 HSI彩色模型 162
6.1.3 CMY和CMYK彩色模型 163
6.1.4 彩色模型之間的轉換 163
6.2?偽彩色圖像處理 165
6.2.1 灰度分層技術 165
6.2.2 灰度到彩色的映射 166
6.3 全彩色圖像處理 168
6.3.1 全彩色圖像處理基礎 168
6.3.2 彩色圖像增強 169
6.3.3 彩色圖像分割 178
6.4 彩色圖像處理的典型應用 181
6.4.1 彩色圖像的直方圖調整 181
6.4.2 彩色圖像的平滑與銳化操作 181
6.4.3 人臉檢測 184
6.4.4 交通燈識別 185
本章小結 187
思考題與習題 187
參考文獻 188
第２篇 中層視覺：圖像特征分析
第７章 圖像特征檢測—挖掘圖像中的重要信息 190
引言 190
7.1 基于閾值處理的像素點檢測 190
7.1.1 基礎知識 190
7.1.2 基本的全局化閾值處理 192
7.1.3 Otsu閾值化處理 193
7.1.4 局部閾值處理 196
7.2 角點檢測 199
7.2.1 孤立點檢測 199
7.2.2 Harris角點檢測 200
7.3 邊緣檢測 203
7.3.1 一階邊緣檢測模型 203
7.3.2 二階邊緣檢測模型 207
7.3.3 基于Hough變換的邊緣檢測 209
7.4 尺度檢測 212
7.4.1 Blob特征檢測 212
7.4.2 SIFT特征檢測 215
7.5 特征檢測的典型應用 217
7.5.1 Harris角點檢測示例 217
7.5.2 基于Hough變換的車道線檢測 219
本章小結 221
思考題與習題 222
參考文獻 222
第8章 圖像特征提取與描述—區分圖像或目標的關鍵 223
引言 223
8.1 顏色特征提取 223
8.1.1 顏色直方圖 223
8.1.2 顏色集 224
8.1.3 顏色相關圖 225
8.1.4 顏色矩 227
8.2 形狀特征提取 228
8.2.1 簡單形狀特征 229
8.2.2 傅里葉描述符 230
8.2.3 形狀無關矩 232
8.3 紋理特征提取 233
8.3.1 LBP特征描述子 233
8.3.2 SIFT特征描述子 236
8.3.3 HOG特征描述子 238
8.3.4 SURF特征描述子 240
本章小結 241
思考題與習題 241
參考文獻 242
第9章 圖像特征匹配—圖像間細節信息的關聯 243
引言 243
9.1 基礎匹配 243
9.1.1 特征匹配的策略 244
9.1.2 特征匹配的評價標準 246
9.1.3 暴力匹配 247
9.1.4 KD-樹匹配 248
9.2 RANSAC算法 249
9.2.1 RANSAC算法的基本原理 249
9.2.2 RANSAC算法的優點和局限性 251
9.3 典型應用及相關程序 251
9.3.1 暴力匹配示例 251
9.3.2 KD-樹匹配示例 252
9.3.3 基于RANSAC算法的匹配示例 253
本章小結 254
思考題與習題 254
參考文獻 255
第3篇 高層視覺：立體視覺與圖像理解
第10章 視覺系統構建—三維場景與二維圖像的聯系 257
引言 257
10.1 視覺成像模型 257
10.1.1 針孔模型 258
10.1.2 薄透鏡模型 259
10.1.3 透視投影模型 260
10.2 視覺系統硬件選型 265
10.2.1 視覺系統的硬件構成 266
10.2.2 視覺系統的選型過程 273
10.3 視覺系統標定 275
10.3.1 常用的標定方法 276
10.3.2 張正友標定方法 277
本章小結 281
思考題與習題 281
參考文獻 281
第11章 立體視覺與三維重建—將二維圖像映射到三維空間 282
引言 282
11.1 立體視覺系統 282
11.1.1 平視雙目視覺系統 282
11.1.2 一般立體視覺系統 285
11.1.3 立體視覺系統標定 286
11.2 極線幾何與立體匹配 287
11.2.1 極線幾何理論 287
11.2.2 立體匹配過程 290
11.3 點云處理基礎 297
11.3.1 點云數據表示與結構 297
11.3.2 點云數據預處理 299
11.3.3 點云配準與坐標變換 300
11.4?平視雙目視覺系統典型應用 304
本章小結 307
思考題與習題 308
參考文獻 308
第12章 圖像分類、檢測與分割—對真實世界的認知與理解 309
引言 309
12.1 圖像分類 309
12.1.1 卷積神經網絡 310
12.1.2 深度卷積神經網絡（AlexNet） 312
12.1.3 殘差網絡（ResNet） 314
12.1.4 圖像分類算法應用場景舉例 316
12.2 目標檢測 318
12.2.1 兩階段目標檢測算法 318
12.2.2 單階段目標檢測算法 321
12.2.3 目標檢測算法應用場景舉例 322
12.3 圖像分割 326
12.3.1 U-Net模型 329
12.3.2 U-Net++模型 329
12.3.3 圖像分割算法應用場景舉例 330
本章小結 334
參考文獻 335
展開全部
書友推薦
- >
莉莉和章魚
- >
龍榆生：詞曲概論/大家小書
- >
名家帶你讀魯迅:故事新編
- >
伊索寓言-世界文學名著典藏-全譯本
- >
上帝之肋:男人的真實旅程
- >
月亮虎
- >
推拿
- >
自卑與超越
本類暢銷
