第1章 绪论 1
1.1 概述 1
1.2 什么是数字图像处理 1
1.3 数字图像处理研究内容 4
1.4 图像处理和其他相关学科的关系 6
1.5 图像处理的应用 7
1.5.1 在航天和航空技术方面的应用 7
1.5.2 在生物医学工程方面的应用 9
1.5.3 在工业和工程方面的应用 10
1.5.4 在军事公安方面的应用 12
1.5.5 在文化艺术方面的应用 12
1.5.6 在通信工程方面的应用 13
1.6 小结 13
习题 13
第2章 基础知识与数学模型 14
2.1 图像信息基础知识 14
2.1.1 δ函数 14
2.1.2 线性系统 14
2.2 图像质量评价 16
2.2.1 主观质量评价方法 17
2.2.2 客观质量评价方法 17
2.3 图像的数学描述 21
2.3.1 图像的函数表示 21
2.3.2 图像的统计表示 23
2.3.3 图像处理的统计模型 27
2.4 图像数字化 29
2.4.1 图像采样 30
2.4.2 图像量化 35
2.5 像素间的基本关系 41
2.5.1 邻域 41
2.5.2 连通性 41
2.5.3 距离 42
2.6 小结 43
习题 44
第3章 图像常用的基本操作 46
3.1 图像的点运算 46
3.1.1 灰度直方图 46
3.1.2 灰度的线性及对数变换 47
3.1.3 直方图均衡化 51
3.1.4 直方图规定化 54
3.2 图像的几何变换 56
3.2.1 简单的几何变换 56
3.2.2 插值算法 62
3.2.3 图像配准 66
3.3 空间域图像增强 68
3.3.1 空间域滤波 69
3.3.2 图像平滑 70
3.3.3 中值滤波 71
3.3.4 图像锐化 73
3.4 频率域图像增强 76
3.4.1 傅里叶变换基础知识 76
3.4.2 快速傅里叶变换 80
3.4.3 低通滤波器 86
3.4.4 高通滤波器 90
3.5 形态学图像处理 95
3.5.1 二值图像中的基本形态学运算 95
3.5.2 灰度图像中的基本形态学运算 99
3.6 小结 106
习题 107
第4章 图像复原 110
4.1 图像退化模型 110
4.1.1 连续函数退化模型 111
4.1.2 离散的退化模型 112
4.1.3 循环矩阵对角化 114
4.1.4 退化函数估计 115
4.2 常用图像复原法 118
4.2.1 逆滤波 118
4.2.2 维纳滤波 120
4.2.3 几何失真校正 123
4.2.4 从噪声中复原 127
4.3 一种变尺度参数的IRM去噪算法 131
4.3.1 IRM模型及其尺度参数 132
4.3.2 变尺度参数的IRM模型 133
4.3.3 实验结果与分析 135
4.4 基于逆尺度空间和Contourlet阈值的MRI重建方法 138
4.4.1 压缩感知理论框架 139
4.4.2 Contourlet变换的基本性质 143
4.4.3 基于逆尺度空间和Contourlet变换的MRI重建 145
4.4.4 实验结果与分析 146
4.5 小结 148
习题 148
第5章 图像分割 150
5.1 概述 150
5.2 相关算法理论基础 151
5.2.1 颜色空间 151
5.2.2 可变模型理论 156
5.2.3 水平集理论 157
5.2.4 Harris角点检测算法 158
5.3 人眼区域分割与定位 159
5.3.1 基于Adaboost人脸检测 160
5.3.2 人眼定位 163
5.3.3 基于椭圆拟合的眼睛轮廓提取 165
5.4 基于改进Level Set的中医舌体分割 168
5.4.1 去除舌区域淤点并初始化舌体轮廓线 169
5.4.2 增强舌体与皮肤之间的弱边界 171
5.4.3 GAC主动轮廓模型的水平集表示 171
5.4.4 改进的水平集方法 172
5.4.5 实验与讨论 173
5.5 小结 176
习题 176
第6章 特征提取 179
6.1 概述 179
6.2 图像特征提取方法 181
6.2.1 直方图 181
6.2.2 灰度共生矩阵 182
6.2.3 颜色特征 184
6.2.4 形状上下文特征 185
6.2.5 SIFT特征 186
6.2.6 HOG特征 188
6.2.7 LBP-TOP特征提取 191
6.2.8 Gabor变换 195
6.3 特征降维 200
6.3.1 奇异值分解 200
6.3.2 主成分分析 201
6.3.3 核主成分分析 202
6.3.4 线性鉴别方法 203
6.4 基于IKDA的并行特征融合人脸表情识别 204
6.4.1 特征融合策略 205
6.4.2 改进的核LDA 207
6.4.3 实验结果与分析 209
6.5 小结 214
习题 214
第7章 视频跟踪 215
7.1 概述 215
7.2 视频跟踪的应用 216
7.2.1 视频监控 216
7.2.2 视觉导航 216
7.2.3 三维重构 217
7.2.4 其他 218
7.3 视频跟踪的技术现状 218
7.3.1 视频跟踪方法的分类 218
7.3.2 视频跟踪算法 220
7.3.3 视频跟踪中的技术难点 221
7.4 视频跟踪的基础核心技术 221
7.4.1 目标表示方法及目标特征 221
7.4.2 目标的检测方法 224
7.4.3 目标的跟踪方法 227
7.4.4 目标跟踪算法的性能评估 229
7.5 基于改进Random Forest的行人检测方法 230
7.5.1 随机森林分类器设计 230
7.5.2 决策树构建 232
7.5.3 实验结果与分析 236
7.6 基于改进均值漂移的行人跟踪算法 238
7.6.1 基于均值漂移算法的目标跟踪 239
7.6.2 基于改进的Mean-Shift算法的行人跟踪 244
7.6.3 实验结果及分析 246
7.7 小结 250
习题 250
第8章 图像识别初步 251
8.1 模式与模式识别 251
8.2 图像识别 251
8.2.1 识别问题的一般描述 252
8.2.2 过度拟合 253
8.2.3 图像识别系统结构 254
8.2.4 训练／学习方法分类 256
8.3 图像识别方法分类 257
8.3.1 统计模式识别 257
8.3.2 句法模式识别 257
8.4 基于半监督LDA的中医五色识别 259
8.4.1 问题的提出 259
8.4.2 主题模型 260
8.4.3 颜色特征提取 262
8.4.4 基于sLDA的五色识别 263
8.5 基于胃炎患者舌象特征的识别研究 267
8.5.1 当前特征提取的热点方法 267
8.5.2 基于Gabor小波的局部特征提取 269
8.5.3 酉空间里的LDA 270
8.5.4 特征融合框架 271
8.5.5 实验结果与讨论 272
8.6 小结 274
习题 275
第9章 神经网络分类器 276
9.1 人工神经网络的基本原理 276
9.1.1 人工神经元 276
9.1.2 人工神经网络模型 279
9.1.3 神经网络的学习过程 280
9.1.4 人工神经网络在模式识别问题上的优势 280
9.2 BP神经网络 282
9.2.1 BP神经网络的基本概念 282
9.2.2 BP神经网络的分类器设计 288
9.3 径向基函数神经网络 291
9.3.1 RBF神经网络的基本概念 291
9.3.2 RBF神经网络训练 294
9.4 自组织竞争神经网络 296
9.4.1 自组织竞争神经网络学习规则 296
9.4.2 自组织神经网络的拓扑结构 297
9.4.3 自组织竞争网络训练 297
9.5 概率神经网络 298
9.5.1 概率神经网络的基本概念 298
9.5.2 概率神经网络分类器设计 299
9.6 对向传播神经网络 299
9.6.1 对向神经网络的基本概念 299
9.6.2 参数表达及计算方法 300
9.7 Hopfield网络 301
9.7.1 Hopfield神经网络 301
9.7.2 离散Hopfield网络拓扑结构 302
9.7.3 离散Hopfield网络结构的工作方式 302
9.7.4 离散Hopfield网络训练和分类识别方法 303
9.8 基于Gabor小波和ANN的人脸识别 304
9.8.1 人脸识别常用方法 305
9.8.2 Gabor特征提取算法与实现 306
9.8.3 多通道快速Gabor特征提取 308
9.8.4 特征降维及归一化处理 310
9.8.5 改进BP算法 310
9.8.6 实验结果与分析 311
9.9 小结 313
习题 313
第10章 支持向量机 314
10.1 SVM的分类思想 314
10.1.1 分类模型的选择 314
10.1.2 模型参数的选择 315
10.2 SVM的理论基础 315
10.2.1 线性可分情况下的SVM 315
10.2.2 非线性可分情况下的C-SVM 319
10.2.3 需要核函数映射情况下的SVM 321
10.3 基于半监督模糊拉普拉斯SVM的人脸表情识别 324
10.3.1 模糊拉普拉斯SVM 324
10.3.2 多类模糊拉普拉斯SVM 327
10.3.3 实验结果与分析 327
10.4 基于AdaBoost-GPC过程分类的人脸表情识别 330
10.4.1 高斯过程分类器 330
10.4.2 AdaBoost-Gaussian过程分类器 333
10.4.3 实验结果与分析 334
10.5 小结 336
习题 337
第11章 动态贝叶斯网络 338
11.1 贝叶斯网络理论 338
11.1.1 结构学习 340
11.1.2 参数学习 343
11.1.3 推理 346
11.1.4 几种常用贝叶斯网络分类器 348
11.2 隐马尔可夫模型 351
11.2.1 隐马尔可夫模型的基本概念 351
11.2.2 隐马尔可夫模型的基本问题 353
11.2.3 隐马尔可夫模型基本问题的解法 353
11.3 动态贝叶斯网络 357
11.3.1 基本概念 358
11.3.2 学习 359
11.3.3 推理 362
11.4 主动学习理论 362
11.4.1 主动学习与被动学习 362
11.4.2 选择策略 364
11.5 基于误差减少和EM的动态贝叶斯网络学习算法 368
11.5.1 算法原理 369
11.5.2 实验结果和分析 370
11.6 基于半监督主动学习DBNs的信用风险行为演化模型 371
11.6.1 算法流程 372
11.6.2 实验结果和分析 373
11.7 小结 374
习题 375
附录A 数字图像处理技术词汇表 376
附录B 数序基础 382
B1 线性代数 382
B1.1 向量和矩阵 382
B1.2 特征值和特征向量 384
B1.3 矩阵的奇异值分解 385
B1.4 方程组 386
B1.5 最小二乘法求解 387
B1.6 线性变换 388
B1.7 主分量分析 389
B2 集合论 391
B2.1 定义 391
B2.2 性质 392
参考文献 393