 |
-- 會員 / 註冊 --
|
 |
|
|
|
精通Matlab數字圖像處理與識別 ( 簡體 字) |
| 作者：張錚 | 類別：1. -> 工程繪圖與工程計算 -> Matlab |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 35065
詢問書籍請說出此書號！【缺書】
【不接受訂購】 |
| 出版日：4/1/2013 |
| 頁數：401 |
| 光碟數：1 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
【不接受訂購】 | | ISBN：9787115304636 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：《精通Matlab數字圖像處理與識別》將理論知識、科學研究和工程實踐有機結合起來，內容涉及數字圖像處理和識別技術的方方面面，包括圖像的點運算、幾何變換、空域和頻域濾波、小波變換、圖像復原、形態學處理、圖像分割以及圖像特征提取的相關內容；同時對于機器視覺進行了前導性的探究，重點介紹了兩種目前在工程技術領域非常流行的分類技術——人工神經網絡(ANN)和支持向量機(SVM)，并在人臉識別這樣的熱點問題中結束本書。
《精通Matlab數字圖像處理與識別》結構緊湊，內容深入淺出，講解圖文并茂，適合計算機、通信和自動化等相關專業的本科生、研究生，以及工作在圖像處理和識別領域一線的廣大工程技術人員參考使用。 |
目錄：第1章 初識數字圖像處理與識別 1
1.1 數字圖像 1
1.1.1 什么是數字圖像 1
1.1.2 數字圖像的顯示 1
1.1.3 數字圖像的分類 2
1.1.4 數字圖像的實質 3
1.1.5 數字圖像的表示 4
1.1.6 圖像的空間和灰度級分辨率 5
1.2 數字圖像處理與識別 6
1.2.1 從圖像處理到圖像識別 6
1.2.2 數字圖像處理與識別的應用實例 7
1.2.3 數字圖像處理與識別的基本步驟 9
1.3 數字圖像處理的預備知識 10
1.3.1 鄰接性、連通性、區域和邊界 10
1.3.2 距離度量的幾種方法 11
1.3.3 基本的圖像操作 12
第2章 Matlab數字圖像處理基礎 13
2.1 Matlab R2011a簡介 13
2.1.1 Matlab軟件環境 13
2.1.2 文件操作 14
2.1.3 在線幫助的使用 15
2.1.4 變量的使用 18
2.1.5 矩陣的使用 20
2.1.6 細胞數組和結構體 23
2.1.7 關系運算與邏輯運算 24
2.1.8 常用圖像處理數學函數 25
2.1.9 Matlab程序流程控制 26
2.1.10 M文件編寫 29
2.1.11 Matlab函數編寫 30
2.2 Matlab圖像類型及其存儲方式 32
2.3 Matlab的圖像轉換 35
2.4 讀取和寫入圖像文件 37
2.5 圖像的顯示 39
第3章 圖像的點運算 42
3.1 灰度直方圖 42
3.1.1 理論基礎 42
3.1.2 Matlab實現 43
3.2 灰度的線性變換 46
3.2.1 理論基礎 46
3.2.2 Matlab實現 46
3.3 灰度對數變換 49
3.3.1 理論基礎 49
3.3.2 Matlab實現 50
3.4 伽瑪變換 51
3.4.1 理論基礎 51
3.4.2 Matlab實現 51
3.5 灰度閾值變換 53
3.5.1 理論基礎 53
3.5.2 Matlab實現 54
3.6 分段線性變換 55
3.6.1 理論基礎 55
3.6.2 Matlab實現 56
3.7 直方圖均衡化 60
3.7.1 理論基礎 60
3.7.2 Matlab實現 61
3.8 直方圖規定化 63
3.8.1 理論基礎 63
3.8.2 Matlab實現 64
第4章 圖像的幾何變換 66
4.1 解決幾何變換的一般思路 66
4.2 圖像平移 67
4.2.1 圖像平移的變換公式 68
4.2.2 圖像平移的Matlab實現 68
4.3 圖像鏡像 70
4.3.1 圖像鏡像的變換公式 70
4.3.2 圖像鏡像的Matlab實現 71
4.4 圖像轉置 72
4.4.1 圖像轉置的變換公式 72
4.4.2 圖像轉置的Matlab實現 72
4.5 圖像縮放 73
4.5.1 圖像縮放的變換公式 73
4.5.2 圖像縮放的Matlab實現 74
4.6 圖像旋轉 75
4.6.1 以原點為中心的圖像旋轉 75
4.6.2 以任意點為中心的圖像旋轉 75
4.6.3 圖像旋轉的Matlab實現 77
4.7 插值算法 77
4.7.1 最近鄰插值 78
4.7.2 雙線性插值 78
4.7.3 高階插值 79
4.8 Matlab綜合案例——人臉圖像配準 81
4.8.1 什么是圖像配準 81
4.8.2 人臉圖像配準的Matlab實現 81
第5章 空間域圖像增強 85
5.1 圖像增強基礎 85
5.1.1 為什么要進行圖像增強 85
5.1.2 圖像增強的分類 85
5.2 空間域濾波 86
5.2.1 空間域濾波和鄰域處理 86
5.2.2 邊界處理 87
5.2.3 相關和卷積 88
5.2.4 濾波操作的Matlab實現 88
5.3 圖像平滑 90
5.3.1 平均模板及其實現 90
5.3.2 高斯平滑及其實現 92
5.3.3 自適應平滑濾波 95
5.4 中值濾波 95
5.4.1 性能比較 95
5.4.2 一種改進的中值濾波策略 98
5.4.3 中值濾波的工作原理 98
5.5 圖像銳化 98
5.5.1 理論基礎 98
5.5.2 基于一階導數的圖像增強——梯度算子 98
5.5.3 基于二階微分的圖像增強——拉普拉斯算子 101
5.5.4 基于一階與二階導數的銳化算子的比較 104
5.5.5 高提升濾波及其實現 105
5.5.6 高斯-拉普拉斯變換(Laplacian of a Gaussian, LoG) 106
第6章 頻率域圖像增強 109
6.1 頻率域濾波——與空間域濾波殊途同歸 109
6.2 傅立葉變換基礎知識 109
6.2.1 傅立葉級數 110
6.2.2 傅立葉變換 111
6.2.3 幅度譜、相位譜和功率譜 114
6.2.4 傅立葉變換的實質—基的轉換 115
6.3 快速傅立葉變換及實現 116
6.3.1 FFT變換的必要性 117
6.3.2 常見的FFT算法 117
6.3.3 按時間抽取的基-2 FFT算法 118
6.3.4 離散反傅立葉變換的快速算法 121
6.3.5 N維快速傅立葉變換 121
6.3.6 Matlab實現 122
6.4 頻域濾波基礎 126
6.4.1 頻域濾波與空域濾波的關系 126
6.4.2 頻域濾波的基本步驟 126
6.4.3 頻域濾波的Matlab實現 127
6.5 頻域低通濾波器 128
6.5.1 理想低通濾波器及其實現 128
6.5.2 高斯低通濾波器及其實現 131
6.6 頻率域高通濾波器 135
6.6.1 高斯高通濾波器及其實現 135
6.6.2 頻域拉普拉斯濾波器及其實現 137
6.7 Matlab綜合案例——利用頻域濾波消除周期噪聲 139
6.7.1 頻域帶阻濾波器 139
6.7.2 帶阻濾波消除周期噪聲 141
6.8 頻域濾波器與空域濾波器之間的內在聯系 143
第7章 小波變換 146
7.1 多分辨率分析 146
7.1.1 多分辨率框架 146
7.1.2 分解與重構的實現 153
7.1.3 圖像處理中分解與重構的實現 155
7.2 Gabor多分辨率分析 160
7.3 常見小波分析 163
7.3.1 Haar小波 164
7.3.2 Daubechies小波 166
7.4 高維小波 168
第8章 圖像復原 171
8.1 圖像復原的一般理論 171
8.1.1 圖像復原的基本概念 171
8.1.2 圖像復原的一般模型 172
8.2 實用圖像復原技術 190
8.2.1 圖像復原的數值計算方法 190
8.2.2 非線性復原 193
第9章 彩色圖像處理 197
9.1 彩色基礎 197
9.1.1 什么是彩色 198
9.1.2 我們眼中的彩色 198
9.1.3 三原色 198
9.1.4 計算機中的顏色表示 199
9.2 彩色模型 200
9.2.1 RGB模型 200
9.2.2 CMY、CMYK模型 202
9.2.3 HSI模型 203
9.2.4 HSV模型 207
9.2.5 YUV模型 210
9.2.6 YIQ模型 213
9.2.7 Lab模型簡介 214
9.3 全彩色圖像處理基礎 215
9.3.1 彩色補償及其Matlab實現 215
9.3.2 彩色平衡及其Matlab實現 217
第10章 形態學圖像處理 220
10.1 預備知識 220
10.2 二值圖像中的基本形態學運算 222
10.2.1 腐蝕及其實現 222
10.2.2 膨脹及其實現 227
10.2.3 開運算及其實現 229
10.2.4 閉運算及其實現 231
10.3 二值圖像中的形態學應用 232
10.3.1 擊中與擊不中變換及其實現 232
10.3.2 邊界提取與跟蹤及其實現 234
10.3.3 區域填充 235
10.3.4 連通分量提取及其實現 237
10.3.5 細化算法 240
10.3.6 像素化算法 242
10.3.7 凸殼 243
10.3.8 bwmorph函數 243
10.4 灰度圖像中的基本形態學運算 244
10.4.1 灰度膨脹及其實現 244
10.4.2 灰度腐蝕及其實現 247
10.4.3 灰度開、閉運算及其實現 248
10.4.4 頂帽變換(top-hat)及其實現 250
10.5 小結 252
第11章 圖像分割 253
11.1 圖像分割概述 253
11.2 邊緣檢測 254
11.2.1 邊緣檢測概述 254
11.2.2 常用的邊緣檢測算子 255
11.2.3 Matlab實現 258
11.3 霍夫變換 261
11.3.1 直線檢測 261
11.3.2 曲線檢測 264
11.3.3 任意形狀的檢測 264
11.3.4 Hough變換直線檢測的Matlab實現 265
11.4 閾值分割 268
11.4.1 閾值分割方法 268
11.4.2 Matlab實現 272
11.5 區域分割 273
11.5.1 區域生長及其實現 273
11.5.2 區域分裂與合并及其Matlab實現 275
11.6 基于形態學分水嶺算法的圖像分割 280
11.6.1 形態學分水嶺算法 280
11.6.2 Matlab實現 283
11.7 Matlab綜合案例——分水嶺算法 284
11.8 小結 289
第12章 特征提取 290
12.1 圖像特征概述 290
12.1.1 什么是圖像特征 290
12.1.2 圖像特征的分類 290
12.1.3 特征向量及其幾何解釋 291
12.1.4 特征提取的一般原則 291
12.1.5 特征的評價標準 291
12.2 基本統計特征 292
12.2.1 簡單的區域描繪子及其Matlab實現 292
12.2.2 直方圖及其統計特征 293
12.2.3 灰度共現矩陣 295
12.3 特征降維 299
12.3.1 維度災難 299
12.3.2 特征選擇簡介 299
12.3.3 主成分分析 300
12.3.4 快速PCA及其實現 307
12.4 綜合案例——基于PCA的人臉特征抽取 309
12.4.1 數據集簡介 309
12.4.2 生成樣本矩陣 309
12.4.3 主成分分析 310
12.4.4 主成分臉可視化分析 311
12.4.5 基于主分量的人臉重建 313
12.5 局部二進制模式 315
12.5.1 基本LBP 315
12.5.2 圓形鄰域的LBPP,R算子 315
12.5.3 統一化LBP算子——Uniform LBP及其Matlab實現 316
12.5.4 MB-LBP及其Matlab實現 319
12.5.5 圖像分區及其Matlab實現 324
第13章 圖像識別初步 328
13.1 模式識別概述 328
13.1.1 模式與模式識別 328
13.1.2 圖像識別 329
13.1.3 關鍵概念 329
13.1.4 識別問題的一般描述 330
13.1.5 過度擬合 331
13.1.6 模式識別系統結構 332
13.1.7 訓練/學習方法分類 332
13.2 模式識別方法分類 332
13.2.1 統計模式識別 333
13.2.2 句法模式識別 333
13.2.3 小結 334
13.3 最小距離分類器和模板匹配 334
13.3.1 最小距離分類器及其Matlab實現 334
13.3.2 基于相關的模板匹配 336
13.3.3 相關匹配的計算效率 339
第14章 人工神經網絡 341
14.1 人工神經網絡簡介 341
14.1.1 仿生學動機 341
14.1.2 人工神經網絡的應用實例 343
14.2 人工神經網絡的理論基礎 344
14.2.1 訓練線性單元的梯度下降算法 344
14.2.2 多層人工神經網絡 350
14.2.3 sigmoid單元 351
14.2.4 反向傳播(BP，back propogation)算法 352
14.2.5 訓練中的問題 356
14.3 神經網絡算法的可視化實現 357
14.3.1 NNTool的主要功能及應用 357
14.3.2 神經網絡的仿真測試 361
14.4 Matlab神經網絡工具箱 365
14.4.1 網絡的創建 365
14.4.2 網絡初始化 365
14.4.3 網絡訓練 366
14.4.4 網絡仿真測試 366
14.4.5 網絡性能分析 367
第15章 支持向量機 368
15.1 支持向量機的分類思想 368
15.1.1 分類模型的選擇 368
15.1.2 模型參數的選擇 369
15.2 支持向量機的理論基礎 369
15.2.1 線性可分情況下的SVM 369
15.2.2 非線性可分情況下的C-SVM 373
15.2.3 需要核函數映射情況下的SVM 375
15.2.4 推廣到多類問題 378
15.3 SVM的Matlab實現 380
15.3.1 訓練——svmtrain 380
15.3.2 分類——svmclassify 382
15.3.3 應用實例 382
15.4 綜合案例——基于PCA和SVM的人臉識別系統 383
15.4.1 人臉識別簡介 383
15.4.2 前期處理 383
15.4.3 數據規格化 384
15.4.4 核函數的選擇 387
15.4.5 參數選擇 388
15.4.6 構建多類SVM分類器 390
15.4.7 實驗結果 392
15.5 SVM在線資源 399
15.5.1 Matlab的SVM工具箱 399
15.5.2 LIBSVM的簡介 399
參考文獻 401 |
| 序： |
|
