智能数字图像处理：原理与技术"
本书结合人工智能的发展，既包括传统数字图像处理的知识， 又介绍基于人工智能的数字图像处理技术。在传统的数字图像处理技术中， 涵盖了数字图像处理的概念基础、数字图像处理的基本运算、基于点运算的图像增强、 基于空域的图像增强、基于频域处理的图像增强、 彩色图像处理、 数学形态学的图像处理方法等。在智能图像处理方法的内容中涵盖了智能图像处理的基础知识、智能图像处理的发展及应用、基于智能技术的去噪技术、基于智能技术的暗光图像增强技术、基于智能技术的图像编码技术、基于智能技术的图像修复技术、基于智能技术生成技术等。
前言<br />第一篇 数字图像处理基础理论<br />第1章 概论2<br /><br /> 1.1 数字图像概述2<br /><br /> 1.1.1 图像与数字图像的概念2<br /><br /> 1.1.2 数字图像的表示与实例5<br /><br /> 1.1.3 像素及其邻域8<br /><br /> 1.2 数字图像处理技术的发展<br />及应用10<br /><br /> 1.3 数字图像处理方法概述11<br /><br /> 1.4 数字图像处理的主要技术与<br />系统构成12<br /><br /> 1.5 图像处理编程基础13<br /><br /> 1.5.1 Python编程基础13<br /><br /> 1.5.2 Matlab编程基础24<br /><br /> 习题28<br /><br />第2章 人类的感知与数字图像的质量30<br /><br /> 2.1 人眼结构与视觉特性30<br /><br /> 2.1.1 人眼结构30<br /><br /> 2.1.2 人眼的视觉特性31<br /><br /> 2.1.3 人类的视觉感知32<br /><br /> 2.1.4 视觉感知特征在图像<br />处理中的作用34<br /><br /> 2.2 影响数字图像质量的因素36<br /><br /> 2.2.1 空间分辨率36<br /><br /> 2.2.2 强度等级分辨率36<br /><br /> 2.2.3 对比度37<br /><br /> 2.2.4 清晰度37<br /><br /> 习题38<br /><br />第3章 图像的基本运算与变形处理40<br /><br /> 3.1 图像的基本运算40<br /><br /> 3.1.1 代数运算40<br /><br /> 3.1.2 逻辑运算44<br /><br /> 3.1.3 图像的几何运算47<br /><br /> 3.2 图像的重采样与插值运算55<br /><br /> 3.3 图像的变形处理57<br /><br /> 3.3.1 基于三角形区域变换的<br />图像变形57<br /><br /> 3.3.2 基于四边形区域变换的<br />图像变形59<br /><br /> 习题60<br /><br />第4章 图像增强处理63<br /><br /> 4.1 空域处理技术64<br /><br /> 4.1.1 点运算64<br /><br /> 4.1.2 直方图处理68<br /><br /> 4.1.3 伪彩色处理74<br /><br /> 4.2 滤波器79<br /><br /> 4.3 空域滤波处理80<br /><br /> 4.3.1 空域平滑技术80<br /><br /> 4.3.2 空域锐化技术85<br /><br /> 4.3.3 空域平滑与锐化相结合的<br />滤波实例93<br /><br /> 4.4 频域滤波处理94<br /><br /> 4.4.1 图像频域处理基础94<br /><br /> 4.4.2 利用傅里叶变换进行<br />图像处理100<br /><br /> 4.4.3 频域的平滑滤波102<br /><br /> 4.4.4 高通滤波锐化处理108<br /><br /> 习题113<br /><br />第5章 图像复原技术116<br /><br /> 5.1 图像复原基础116<br /><br /> 5.2 图像退化与数学模型116<br /><br /> 5.3 典型的图像复原方法117<br /><br /> 5.4 退化函数估计方法118<br /><br /> 5.4.1 图像观察估计法118<br /><br /> 5.4.2 试验估计法118<br /><br /> 5.4.3 模型估计法119<br /><br /> 5.5 逆滤波复原及其实现方法119<br /><br /> 5.5.1 逆滤波复原基础119<br /><br /> 5.5.2 逆滤波复原的实现方法120<br /><br /> 5.6 维纳滤波复原及其实现方法121<br /><br /> 5.6.1 维纳滤波复原基础121<br /><br /> 5.6.2 维纳滤波复原的实现方法122<br /><br /> 5.7 噪声模型124<br /><br /> 5.8 空域滤波复原125<br /><br /> 5.8.1 均值滤波器125<br /><br /> 5.8.2 统计滤波器126<br /><br /> 5.8.3 自适应滤波器127<br /><br /> 习题127<br /><br />第6章 彩色图像处理129<br /><br /> 6.1 人类视觉对色彩的感知与<br />色彩空间129<br /><br /> 6.2 RGB彩色图像的特效处理132<br /><br /> 6.3 彩色图像处理138<br /><br /> 6.3.1 彩色图像的平滑处理138<br /><br /> 6.3.2 彩色图像的锐化139<br /><br /> 6.3.3 彩色图像的分割140<br /><br /> 6.3.4 彩色图像的边缘提取141<br /><br /> 6.4 假彩色处理142<br /><br /> 习题143<br /><br />第7章 数学形态学方法146<br /><br /> 7.1 集合论基础知识146<br /><br /> 7.1.1 元素和集合146<br /><br /> 7.1.2 平移和反射147<br /><br /> 7.1.3 结构元147<br /><br /> 7.2 数学形态学的基本运算148<br /><br /> 7.2.1 腐蚀148<br /><br /> 7.2.2 膨胀150<br /><br /> 7.2.3 开运算152<br /><br /> 7.2.4 闭运算153<br /><br /> 7.3 利用数学形态学处理图像154<br /><br /> 习题159<br /><br />第8章 图像压缩与编码技术162<br /><br /> 8.1 图像压缩技术基础162<br /><br /> 8.1.1 编码与解码162<br /><br /> 8.1.2 图像压缩的必要性和<br />可能性162<br /><br /> 8.1.3 信源编码163<br /><br /> 8.1.4 图像压缩的性能指标163<br /><br /> 8.2 无损压缩编码164<br /><br /> 8.2.1 哈夫曼编码165<br /><br /> 8.2.2 香农-范诺编码167<br /><br /> 8.2.3 游程编码169<br /><br /> 8.2.4 预测编码169<br /><br /> 8.2.5 算术编码171<br /><br /> 习题171<br /><br />第9章 图像分割173<br /><br /> 9.1 图像分割基础173<br /><br /> 9.1.1 图像分割的概念173<br /><br /> 9.1.2 图像分割的基本方法173<br /><br /> 9.1.3 图像分割系统的构成174<br /><br /> 9.2 非连续性检测174<br /><br /> 9.2.1 孤立点的检测175<br /><br /> 9.2.2 线的检测176<br /><br /> 9.2.3 边缘检测177<br /><br /> 9.3 边缘连接179<br /><br /> 9.3.1 局部处理方法179<br /><br /> 9.3.2 霍夫变换及实现方法179<br /><br /> 9.4 阈值分割法181<br /><br /> 9.4.1 单阈值分割法与多阈值<br />分割法182<br /><br /> 9.4.2 均值迭代阈值分割法184<br /><br /> 9.4.3 最大类间方差分割法186<br /><br /> 9.4.4 常见的多阈值分割法187<br /><br /> 9.5 基于区域的分割方法189<br /><br /> 9.5.1 区域生长算法189<br /><br /> 9.5.2 区域分裂合并算法192<br /><br /> 9.6 基于能量的分割方法193<br /><br /> 9.6.1 主动轮廓方法193<br /><br /> 9.6.2 主动轮廓线演化的实例195<br /><br /> 9.6.3 水平集方法197<br /><br /> 习题199<br />第二篇 智能数字图像处理方法<br />第10章 人工智能基础知识202<br /><br /> 10.1 人工智能技术的发展背景202<br /><br /> 10.2 机器学习基础203<br /><br /> 10.2.1 机器学习的概念203<br /><br /> 10.2.2 机器学习算法的步骤205<br /><br /> 10.3 机器学习与深度学习208<br /><br /> 10.4 深度学习基础209<br /><br /> 10.4.1 深度学习技术的发展209<br /><br /> 10.4.2 神经元与人工神经网络210<br /><br /> 10.4.3 神经网络的结构212<br /><br /> 10.4.4 卷积神经网络214<br /><br /> 10.4.5 循环神经网络217<br /><br /> 10.5 深度学习编程框架218<br /><br /> 10.5.1 TensorFlow218<br /><br /> 10.5.2 PyTorch220<br /><br /> 习题222<br /><br />第11章 智能图像增强技术225<br /><br /> 11.1 智能图像增强技术的发展225<br /><br /> 11.2 常见的自动编码器225<br /><br /> 11.3 去噪自动编码器实例227<br /><br /> 11.4 栈式暗光自动编码器的<br />图像增强实例228<br /><br /> 11.5 基于CNN的暗光图像<br />增强实例229<br /><br /> 11.6 基于先验知识的图像<br />去噪方法231<br /><br /> 习题233<br /><br />第12章 智能图像语义分割技术234<br /><br /> 12.1 智能图像语义分割技术的<br />发展234<br /><br /> 12.2 基于AlexNet的图像分类技术235<br /><br /> 12.3 基于FCN的语义分割技术238<br /><br /> 12.4 其他分割策略240<br /><br /> 习题243<br /><br />第13章 智能图像彩色化处理技术246<br /><br /> 13.1 智能图像彩色化处理<br />技术的发展246<br /><br /> 13.2 基于深度神经网络的<br />彩色化方法247<br /><br /> 13.3 基于卷积神经网络的<br />彩色化方法248<br /><br /> 13.4 用户引导的实时彩色化方法249<br /><br /> 习题251<br /><br />第14章 智能图像风格化处理252<br /><br /> 14.1 智能图像风格化处理<br />技术的发展252<br /><br /> 14.2 基于卷积神经网络的<br />风格迁移技术253<br /><br /> 14.3 基于感知的实时风格<br />迁移方法255<br /><br /> 习题258<br /><br />第15章 智能图像的修复处理260<br /><br /> 15.1 智能图像修复技术的发展260<br /><br /> 15.2 基于上下文信息编码的<br />图像重绘修补算法261<br /><br /> 15.3 基于全局与局部一致性的<br />图像修补算法265<br /><br /> 习题267<br /><br />参考文献270
