本書系統(tǒng)介紹數(shù)字圖像處理和分析的基本原理、經(jīng)典內(nèi)容及近年來的重要進展和實例，加強現(xiàn)代數(shù)學方法與數(shù)字圖像處理的融合，把深度學習方法作為數(shù)字圖像處理的一種重要方法貫穿于相應內(nèi)容中。全書共12章，內(nèi)容包括圖像增強、圖像壓縮、圖像復原、數(shù)學形態(tài)學、圖像分割的傳統(tǒng)方法、圖像分割的現(xiàn)代方法、圖像分割的深度學習方法及先驗知識引導、圖像配準傳統(tǒng)方法、深度學習圖像配準與傳統(tǒng)圖像配準的相互促進等。本書包括一些例題講解，每章都有小結(jié)、參考文獻和分級的復習思考題，其中一些復習思考題專注于學生綜合能力的培養(yǎng)。
更多科學出版社服務，請掃碼獲取。
目錄
序
前言
第1章 緒論 1
1.1 數(shù)字圖像處理的概念 1
1.2 數(shù)字圖像處理的歷史 2
1.3 數(shù)字圖像處理的應用實例 3
1.4 數(shù)字圖像處理的一些工具 10
1.5 數(shù)字圖像處理的一些動態(tài) 11
1.6 本書的內(nèi)容及特色 12
1.7 本書的結(jié)構 13
總結(jié)和復習思考 14
小結(jié) 14
復習思考題 14
參考文獻 15
第2章 數(shù)字圖像處理基礎 16
2.1 人眼視覺基礎 16
2.2 數(shù)字圖像的數(shù)學表征 18
2.3 數(shù)字圖像紋理 22
2.4 數(shù)字圖像插值 24
2.5 深度學習發(fā)展歷史 27
2.6 深度學習圖像處理基本單元 29
總結(jié)和復習思考 42
小結(jié) 42
復習思考題 42
參考文獻 44
第3章 數(shù)字圖像增強 47
3.1 數(shù)字圖像的空域增強 47
3.1.1 灰度映射 48
3.1.2 直方圖修正 49
3.1.3 空域濾波 52
3.2 數(shù)字圖像的頻域增強 64
3.3 其他變換域的數(shù)字圖像增強 70
3.4 基于低秩矩陣稀疏分解的圖像去噪 84
3.5 混合域圖像增強 88
3.6 深度學習圖像增強 91
總結(jié)和復習思考 94
小結(jié) 94
復習思考題 95
參考文獻 96
第4章 數(shù)字圖像壓縮 98
4.1 數(shù)字圖像壓縮基礎 98
4.2 圖像壓縮模型 101
4.2.1 信源編碼器和信源解碼器 101
4.2.2 信道編碼器和信道解碼器 102
4.3 無損圖像壓縮 103
4.3.1 霍夫曼編碼 103
4.3.2 算術編碼 104
4.3.3 位平面編碼 105
4.3.4 LZW編碼 106
4.3.5 無損預測編碼 107
4.4 有損圖像壓縮 108
4.4.1 有損預測編碼 109
4.4.2 變換編碼 111
4.4.3 模型編碼 114
4.5 數(shù)字圖像壓縮標準 114
4.6 深度學習圖像壓縮 116
總結(jié)和復習思考 119
小結(jié) 119
復習思考題 120
參考文獻 121
第5章 數(shù)字圖像復原 123
5.1 常見圖像退化及一般建模 124
5.2 常見圖像噪聲 125
5.3 空域噪聲濾波器 129
5.4 圖像的無約束復原 135
5.5 圖像的有約束復原 137
5.6 深度學習圖像復原 142
總結(jié)和復習思考 148
小結(jié) 148
復習思考題 148
參考文獻 149
第6章 數(shù)學形態(tài)學圖像處理 150
6.1 數(shù)學形態(tài)學的背景知識 150
6.2 二值圖像數(shù)學形態(tài)學 151
6.3 灰度圖像數(shù)學形態(tài)學 155
6.4 灰度圖像數(shù)學形態(tài)學應用 158
總結(jié)和復習思考 162
小結(jié) 162
復習思考題 162
參考文獻 163
第7章 數(shù)字圖像分割的傳統(tǒng)方法 164
7.1 數(shù)字圖像分割的歷史回顧 165
7.2 灰度閾值計算 166
7.2.1 基于類間方差最大化的灰度閾值計算 166
7.2.2 基于最小分類誤差的灰度閾值計算 168
7.2.3 基于一維熵最大化的灰度閾值計算 170
7.2.4 基于模糊熵最大化的灰度閾值計算 172
7.2.5 基于圖像過渡區(qū)域的灰度閾值計算 175
7.2.6 結(jié)合先驗知識的有監(jiān)督灰度閾值計算 176
7.2.7 局部灰度閾值計算 183
7.3 圖像邊緣計算 185
7.3.1 基于一階偏導數(shù)的邊緣檢測 185
7.3.2 基于二階偏導數(shù)的邊緣檢測 187
7.3.3 坎尼邊緣算子 188
7.3.4 基于多項式逼近的邊緣檢測 190
7.4 基于區(qū)域的圖像分割 191
7.4.1 區(qū)域生長與分裂合并 191
7.4.2 聚類算法 192
7.5 分水嶺分割及分割的精細化 194
7.6 區(qū)域分割及邊緣分割的融合 200
總結(jié)和復習思考 203
小結(jié) 203
復習思考題 204
參考文獻 205
第8章 數(shù)字圖像分割的現(xiàn)代方法 208
8.1 最大后驗概率分割 208
8.2 馬爾可夫隨機場最大后驗概率分割 211
8.3 主動輪廓模型分割 214
8.4 圖切割分割 219
8.5 條件隨機場分割及先驗知識融合 226
8.6 現(xiàn)代分割方法的先驗知識 230
8.6.1 現(xiàn)代分割方法的形狀先驗知識 230
8.6.2 現(xiàn)代分割方法的其他先驗知識 238
8.6.3 現(xiàn)代分割方法先驗知識的綜合應用 239
總結(jié)和復習思考 243
小結(jié) 243
復習思考題 245
參考文獻 245
第9章 數(shù)字圖像配準 248
9.1 數(shù)字圖像配準技術概述 248
9.2 數(shù)字圖像配準的空間變換 250
9.3 數(shù)字圖像配準的相似性測度 254
9.4 數(shù)字圖像配準的優(yōu)化策略 257
9.5 常見數(shù)字圖像配準方法 265
9.6 常見數(shù)字圖像配準工具 279
總結(jié)和復習思考 282
小結(jié) 282
復習思考題 283
參考文獻 284
第10章 彩色圖像處理 286
10.1 彩色基礎 286
10.2 彩色空間 289
10.3 偽彩色圖像處理 292
10.4 彩色圖像各分量的灰度變換 295
10.5 彩色圖像的增強 297
10.6 彩色圖像的邊緣提取 299
10.7 彩色圖像的分割 301
10.8 基于四元數(shù)表征的彩色圖像處理 303
10.8.1 基于四元數(shù)表征的彩色圖像去噪 310
10.8.2 基于四元數(shù)表征的彩色圖像邊緣提取 316
10.9 深度學習彩色圖像識別 317
總結(jié)和復習思考 326
小結(jié) 326
復習思考題 327
參考文獻 328
第11章 深度學習圖像分割 330
11.1 深度學習圖像識別 330
11.2 深度學習圖像檢測 335
11.3 深度學習圖像邊緣檢測 338
11.4 深度學習圖像語義分割 342
11.4.1 U-Net圖像分割 342
11.4.2 基于GAN的圖像語義分割 346
11.5 深度學習語義分割的先驗引導 348
11.5.1 深度學習圖像語義分割的隱空間引導 349
11.5.2 深度學習圖像語義分割的深度圖譜引導 352
11.5.3 深度學習圖像語義分割的多目標物聯(lián)合引導 356
11.5.4 深度學習圖像語義分割的高質(zhì)量數(shù)據(jù)引導 360
總結(jié)和復習思考 367
小結(jié) 367
復習思考題 368
參考文獻 369
第12章 深度學習圖像配準 372
12.1 無監(jiān)督的深度學習圖像配準 372
12.2 監(jiān)督學習配準測度 377
12.3 弱監(jiān)督引導的圖像配準 381
12.4 深度學習引導傳統(tǒng)圖像配準 386
12.5 生成對抗網(wǎng)絡增強圖像配準 389
12.6 可逆大形變深度學習圖像配準 393
總結(jié)和復習思考 399
小結(jié) 399
復習思考題 400
參考文獻 401
書單推薦
