数字图像处理技术——基于PYTHON的实现

第 1章  绪论 1 1.1 数字图像的基本概念 2 1.1.1  数字图像的概念 2 1.1.2  图像的特点 2 1.2 基本的图像处理系统 3 1.2.1  图像处理硬件系统 4 1.2.2  图像处理软件系统 5 1.3 数字图像处理技术的应用与发展 5 1.3.1  数字图像处理研究内容 5 1.3.2  数字图像处理技术分层 7 1.3.3  数字图像处理技术的发展 8 1.3.4  数字图像处理技术的应用 9 1.4 数字图像离散化及分类 12 1.4.1  数字图像离散化 12 1.4.2  数字图像分类 15 1.5 图像文件格式 16 1.6 图像质量的评价方法 20 1.6.1  图像质量评价方法概述 20 1.6.2  主观质量评价方法 21 1.6.3  客观质量评价方法 21 第 2章 Python图像处理编程基础 2.1 引言 28 2.2 Python开发环境配置 29 2.2.1 Anaconda安装和使用 29 2.2.2 PyCharm安装和使用 30 2.2.3 Python图像处理库安装 33 2.3 Python基础 35 2.3.1  基础语法 35 2.3.2  数据类型 37 2.3.3  运算符 48 2.3.4  程序流程控制 51 2.3.5  函数 54 第3章 图像的像素运算与几何变换 3.1 引言 59 3.2 图像点运算 59 3.2.1  图像点运算算法 59 3.2.2  图像点运算实现 60 3.3 图像代数运算 62 3.3.1  图像代数运算算法 62 3.3.2  图像代数运算实现 65 3.4 图像逻辑运算 68 3.4.1  图像逻辑运算算法 68 3.4.2  图像逻辑运算实现 69 3.5 图像的缩放 70 3.5.1  图像缩放变换算法 70 3.5.2  图像缩放实现 73 3.6 图像的旋转 74 3.6.1  图像旋转变换算法 74 3.6.2  图像旋转实现 76 3.7 图像的平移 77 3.7.1  图像平移变换算法 77 3.7.2  图像平移实现 78 3.8 图像的裁剪 79 3.8.1  图像裁剪算法 79 3.8.2  图像裁剪实现 79 3.9 图像的转置 80 3.9.1  图像转置算法 80 3.9.2  图像转置实现 80 3.10 图像的镜像变换 81 3.10.1  图像镜像变换算法 81 3.10.2  图像镜像变换实现 82 第4章  图像的空间域处理 4.1 引言 85 4.2 灰度增强 85 4.2.1  直方图修正法 86 4.2.2  灰度的线性变换 92 4.2.3  灰度的分段线性变换 94 4.2.4  灰度的非线性变换 94 4.3 图像平滑 97 4.3.1  图像噪声 98 4.3.2  邻域平均法 100 4.3.3  多幅图像平均法 103 4.3.4  中值滤波法 105 4.3.5  模板操作 108 4.4 图像锐化 110 4.4.1  一阶微分法 110 4.4.2  梯度算子 111 4.4.3  拉普拉斯算子 112 4.5 图像的伪彩色处理 114 4.5.1  色彩模型 114 4.5.2  密度分割法 118 4.5.3  灰度变换法 119 4.5.4  频率域滤波法 121 4.5.5  彩色图像灰度化 121 知识拓展（一）  CLAHE算法及其Python实现 123 知识拓展（二）  自适应中值滤波及其Python实现 126 第5章  图像的频率域处理 5.1 引言 132 5.2 傅里叶变换基础知识 132 5.2.1  连续傅里叶变换 132 5.2.2  离散傅里叶变换 133 5.2.3  幅度谱、相位谱、功率谱 135 5.2.4  二维离散傅里叶变换的性质 136 5.2.5  离散图像傅里叶变换的实现 137 5.3 频率域滤波基础 138 5.3.1  频率域滤波和空间域滤波的关系 138 5.3.2  数字图像的频谱图 138 5.3.3  频率域滤波的基本步骤 139 5.4 频率域低通滤波器 140 5.4.1  理想低通滤波器及其Python实现 140 5.4.2  高斯低通滤波器及其Python实现 143 5.4.3  巴特沃思低通滤波器及其Python实现 145 5.4.4  指数低通滤波器及其Python实现 147 5.5 频率域高通滤波器 147 5.5.1  常用的高通滤波器 148 5.5.2  同态滤波 152 知识拓展（一）  Retinex理论及其Python实现 155 知识拓展（二）  双边滤波器及其Python实现 164 第6章  图像复原 6.1 引言 168 6.2 图像退化原因与复原技术基础 169 6.2.1  图像降质的数学模型 169 6.2.2  离散图像退化的数学模型 171 6.3 逆滤波复原 173 6.3.1  逆滤波复原原理 173 6.3.2  病态性及其改进 175 6.4 维纳滤波复原 176 6.4.1  有约束的复原方法 176 6.4.2  维纳滤波 177 第7章  图像分割 7.1 引言 182 7.1.1  图像分割的定义 182 7.1.2  图像分割的分类 183 7.2 基于阈值的图像分割方法 184 7.2.1  阈值分割概述 184 7.2.2  峰-谷阈值选取法 185 7.2.3  微分阈值选取法 186 7.2.4  迭代阈值选取法 187 7.2.5  *优阈值法 189 7.2.6  *大类间方差法 190 7.3 基于区域的图像分割方法 194 7.3.1  区域生长算法 194 7.3.2  区域分裂与合并 197 7.3.3  四叉树数据结构 198 7.4 基于边缘的图像分割方法 200 7.4.1 Roberts算子 201 7.4.2 Sobel算子 203 7.4.3 Prewitt算子 205 7.4.4 LoG算子 206 7.4.5 Canny算子 207 7.4.6  分水岭算法 211 知识拓展（一）  DoG算法及其Python实现 215 知识拓展（二）  基于边缘/区域的图像分割及其     Python实现 218 知识拓展（三）  图像分割的无监督学习及其     Python实现 223 第8章  形态学图像处理 8.1 引言 228 8.1.1  数学形态学简介 228 8.1.2  图像位置关系 229 8.1.3  结构元素 229 8.1.4  形态学运算过程 230 8.2 集合论基础知识 231 8.2.1  元素和集合 231 8.2.2  集合的基本运算 231 8.3 基本形态学运算 232 8.3.1  腐蚀 233 8.3.2  膨胀 236 8.3.3  开运算和闭运算 239 8.3.4  击中/击不中 243 8.4 数学形态学应用 246 8.4.1  细化 246 8.4.2  厚化 247 8.4.3  形态滤波 248 8.4.4  平滑 248 8.4.5  边缘提取 249 8.4.6  区域填充 251 知识拓展  高级形态学处理及其Python实现 252