本书主要介绍图像理解的基本原理和主要应用技术，共11章。第1章为图像理解基础，以后各章分别讨论了小波变换、图像融合、图像识别、神经网络、遗传算法、图像水印、视频处理、光谱成像、遥感图像处理、Matlab和VC++接口技术的基本知识，从第2章开始每章都包含可自由调用的Matlab和VC++源程序。该书在出版社网站上包含有配套的VC++源程序。

前 言 感谢您选择本书，为了帮助您更好地学习本书的知识，请仔细阅读下面的内容。 读者对象 本书适用于大专院校的教学和科研人员，以及采用视觉信息学进行研究或产品开发的人员。编者所提出的视觉信息学集成了多学科的综合知识。通过本书不仅可以系统全面地学习这门综合性科学和技术，也可以掌握用Matlab和VC++等常用编程语言编制视觉信息学程序的基本技能，加深对本门学科的理解。 知识背景 20世纪60年代，数字图像处理的一些算法只能在大型计算机上运行；在70年代，也只能在小型计算机上运行；而到了80年代，已能在普通的个人计算机上运行了。个人计算机的普及，使得数字图像处理技术的应用获得了爆炸式的增长，引起了来自工业、农业、军事、医学、交通、航天等不同领域的研究人员的关注。因此学习和掌握这门科学显得格外重要。我国主要高等院校已经把数字图像处理这门课程作为信息与信号处理、通信与电子系统、模式识别、机器人视觉、机电一体化、电子工程、信息工程、计算机科学与技术、遥感与军事侦察、农业工程和生物医学工程等专业和领域的本科生或者研究生课程。为了对各种与视觉信息、图像及其交叉科学相关的技术进行综合研究和集成应用，我们有必要构建一个新的统一框架——视觉信息学，它是一门与信息技术相结合，系统地研究各种图像科学的理论、技术和应用的新兴交叉学科。 本书特色 视觉信息学是一门实践性很强的科学，只有将理论与编程实践有机结合起来才能收到良好效果。但是以往的著作往往极力采用数学公式以突出理论性，过于注重概念和原理而忽略了实践环节，使得读者因不擅长公式推导等导致半途而废的情况并不少见。本书针对以往模式进行了改革，使读者在学习理论的同时，通过编程实践演练，可以透彻直观地理解和掌握数字图像处理与分析技术，既实用易懂、深入浅出，又系统全面，并凸显了该领域的最新成果等特色。例如，用图文并茂的形式和应用实例代替烦琐的数学推导过程，提供各种算法的Matlab及VC++程序示例，并对每条语句都加以注释，使读者能通过上机实践加深对数字图像理解与智能技术方面算法的学习和掌握，而且对提供的程序稍加改动就可以组成自己的处理软件。因此本书既有学术价值，又有实用价值。理论和实践的有机结合是本书的一大特色，可使本课程的学习变得生动有趣。另外，本书对所出现的关键词语都加上了英文对照，为读者阅读图像处理相关的英文资料提供帮助。 教师在向学生传授理论的同时，可用本书中所提供的Matlab和VC++程序讲解处理算法程序，示范处理结果，使学生在实践中透彻理解图像理解的算法，一改传统的单一理论灌输的教学模式。科研人员在项目开发中可以复制和改写上述程序，达到自己的处理目标。 读者在阅读本书之前，需要了解数字图像处理与分析的相关内容。对于这部分内容，请读者参见编者所编著的《数字图像处理与分析基础——Matlab和VC++实现》。 本书主编孙明博士有着日本留学经历和多年的教学与科研经验，具有广泛的国际联系，能够跟踪图像理解与智能技术及其应用的国际学术前沿，在国内外学术期刊上发表了许多相关方面的学术论文。 全书内容共10章，其中第1、6章由孙明博士编写，第3、5、7章由位耀光博士编写，第4章由安冬博士编写，第10章由刘春红博士编写，第8章由李振波博士编写，第2、9章由孙红博士编写，附录由李嘉伟硕士编写。全书由孙明博士和孙红博士统编。 本书的编著得到了许多人士的大力支持和帮助。首先要感谢中国农业大学信息与电气工程学院的领导和电子工程系的教授们，感谢他们所给予的热忱帮助。还要感谢中国农业大学工学院教授陈兵旗博士。主编孙明博士曾与陈兵旗博士一起于2004年3月在清华大学出版社合作出版了《Visual C++实用图像处理》一书，并分别作为主编和副主编于2008年2月在中国农业大学出版社和清华大学出版社出版了“十一五”国家级规划教材《实用图像处理与分析》，于2004年2月在中国农业大学出版社出版了农业部“十二五”规划教材《实用图像处理与分析（第2版）》，本书参照和借鉴了上述书籍的部分内容。本书在编写过程中，还参阅了许多学术论文和著作。 本书大部分章节后都附有完整的相关Matlab和VC++程序，如有需要，请到华信教育资源网（www.hxedu.com.cn）下载。 本书得到了北京市共建项目专项资助，在此表示诚挚的感谢。 编者热切希望各位读者对本书提出宝贵意见。 编 者 2014年10月于中国农业大学 sunming@cau.edu.cn

目 录 第1章 数字图像理解与智能技术引论 1 1.1 数字图像理解概述 1 1.2 图像理解的特点 4 1.3 图像理解的研究内容 4 1.3.1 目标识别 5 1.3.2 场景理解 6 1.4 图像理解的发展及其在农业中的应用 7 1.4.1 图像理解的发展 7 1.4.2 图像理解在农业中的应用 8 1.5 图像理解与智能技术的系统构成 11 1.5.1 采像 12 1.5.2 分析 26 1.5.3 理解 39 参考文献 46 第2章 小波变换 47 2.1 小波变换概述 47 2.2 小波与小波变换 48 2.3 离散小波变换 50 2.4 小波族 53 2.5 图像处理中的小波变换 57 2.5.1 基于小波变换的图像分解与重构 57 2.5.2 基于小波变换的图像增强 59 2.5.3 基于小波变换的图像平滑 61 2.5.4 基于小波变换的图像压缩 62 2.5.5 基于小波变换的图像合成 64 参考文献 66 第3章 图像融合 67 3.1 图像融合概述 67 3.1.1 图像融合的应用 68 3.1.2 图像融合的方法 69 3.2 图像融合的关键技术 70 3.3 典型图像融合算法 71 3.4 塔式分解法 76 3.4.1 非采样Contourlet算法的特点 77 3.4.2 非采样Contourlet变换原理 78 3.4.3 图像融合规则 81 3.5 基于视觉特性的图像融合 86 3.5.1 人眼视觉特性的相关概念 86 3.5.2 基于视觉识别特性的图像融合算法原理 88 3.5.3 多聚焦图像融合算法 89 3.6 图像融合性能评价 92 3.6.1 图像融合方法的基本要求 93 3.6.2 图像融合效果评定方法 93 3.7 应用研究实例 95 参考文献 96 第4章 图像识别 97 4.1 图像识别概述 97 4.2 模板匹配方法 99 4.3 统计模式识别 100 4.4 支持向量机 103 4.5 仿生模式识别 106 4.5.1 仿生模式识别理论 106 4.5.2 高维空间几何理论 107 4.5.3 基于仿生模式识别的人脸识别 109 4.6 应用研究实例 114 参考文献 114 第5章 神经网络 115 5.1 神经网络概述 115 5.2 生物学基础 116 5.3 人工神经元 117 5.4 神经网络的特点 119 5.5 BP神经网络 120 5.5.1 BP神经网络概述 120 5.5.2 BP神经网络的训练学习 121 5.5.3 BP神经网络的Matlab示例 124 5.6 应用研究实例 126 参考文献 127 第6章 遗传算法 128 6.1 遗传算法概述 128 6.2 生物学基础 130 6.3 简单遗传算法 131 6.3.1 遗传表达 131 6.3.2 遗传算子 132 6.4 遗传参数 134 6.4.1 交叉概率Pc和变异概率Pm 134 6.4.2 其他参数 135 6.4.3 遗传参数的确定 135 6.5 适应度函数 135 6.5.1 目标函数映射为适应度函数 136 6.5.2 适应度函数的尺度变换 136 6.5.3 适应度函数设计对GA的影响 137 6.6 模式定理 138 6.6.1 模式的几何解释 140 6.6.2 GA的操作对模式的影响 141 6.7 遗传算法在模板匹配中的应用 143 6.7.1 问题的设定 143 6.7.2 GA的应用方法 145 6.7.3 简单GA的Matlab程序示例 146 6.7.4 程序执行过程 164 6.8 应用研究实例 166 参考文献 169 第7章 数字水印 170 7.1 数字水印概述 170 7.2 基于DCT域的鲁棒水印 172 7.3 基于空间域的脆弱水印 179 7.4 基于DWT域的脆弱水印 185 7.5 应用研究实例 192 参考文献 193 第8章 视频处理 194 8.1 视频处理概述 194 8.2 视频生成与成像模型 194 8.2.1 视频生成简介 194 8.2.2 视频成像模型 195 8.3 视频编码 199 8.3.1 视频编码概述 199 8.3.2 视频编码标准 199 8.4 运动目标跟踪 202 8.4.1 运动目标检测算法 203 8.4.2 运动目标跟踪算法 204 8.5 应用研究实例 213 8.5.1 视频跟踪在昆虫运动分析和行为识别中的应用 213 8.5.2 机器视觉在草地蝗虫识别中的应用 215 8.5.3 远程农作物视频采集系统 216 参考文献 217 第9章 光谱成像 218 9.1 光谱成像概述 218 9.1.1 光谱成像原理 218 9.1.2 光谱成像方式 220 9.1.3 光谱成像数据及描述模型 224 9.1.4 光谱成像检测技术的发展趋势 228 9.2 光谱图像处理 230 9.2.1 光谱图像预处理 230 9.2.2 光谱图像特征的选取与分类方法 232 9.2.3 光谱图像分类中的模式识别方法 234 9.3 应用研究实例 244 9.3.1 利用多时相Landsat高光谱图像监测冬小麦和苜蓿种植面积 244 9.3.2 基于光谱图像的作物长势监测 247 参考文献 249 第10章 遥感图像处理基础 250 10.1 遥感图像处理概述 250 10.2 遥感图像目视解译与判读 251 10.2.1 判读要素 251 10.2.2 判读标志 252 10.2.3 判读方法 252 10.2.4 遥感判读的基本技术 253 10.3 遥感图像的数字表达 254 10.4 遥感图像的存储 254 10.4.1 HDF 255 10.4.2 BSQ 258 10.4.3 BIP 258 10.4.4 BIL 258 10.5 遥感图像特征的统计分析 258 10.5.1 遥感图像的特征 258 10.5.2 成像方式分类 259 10.6 常用遥感图像处理软件 260 10.6.1 ENVI 260 10.6.2 ERDAS IMAGINE 261 10.6.3 Titan Image 262 10.7 高光谱遥感 264 10.7.1 高光谱遥感的特点 265 10.7.2 高光谱遥感的优势 265 10.7.3 高光谱遥感的应用领域 265 10.8 应用研究实例 267 10.8.1 正交子空间投影目标探测法 267 10.8.2 实验结果与分析 270 参考文献 273 附录 Matlab和VC++接口技术 274 1. Matlab和VC++接口技术概述 274 2. Matlab和VC++常用接口技术比较 274 3. MATCOM C++数学库的使用 277 4. 程序编写过程示例 279