包邮数字图像处理(基于OPENCV的C++与PYTHON实现:从基础到实战)(周卫斌)

第1章 概论 1.1 数字图像处理的分类和发展 001 1.1.1 图像分类 001 1.1.2 数字图像发展历史 003 1.2 数字图像处理系统 004 1.2.1 经典的数字图像处理系统 005 1.2.2 实际的数字图像处理系统 005 1.3 数字图像处理的内容及特点 007 1.3.1 数字图像处理的内容 007 1.3.2 数字图像处理的特点 008 1.4 数字图像处理的应用 009 1.5 数字图像处理的内容以及与其他相关学科的关系 011 1.6 习题 012第2章 数字图像处理开发环境 2.1 OpenCV简介 013 2.2 OpenCV基础及开发环境配置 014 2.2.1 安装OpenCV库 014 2.2.2 C++集成开发环境配置 016 2.2.3 OpenCV代码实例 018 2.3 Python简介 020 2.4 Python基本语法和编程 021 2.5 Python环境配置及开发 026 2.5.1 Python开发环境配置 026 2.5.2 **个Python程序 031 2.6 习题 032第3章 数字图像处理基础 3.1 图像获取 033 3.1.1 图像采集过程 033 3.1.2 模拟图像描述 034 3.2 图像类型及常用格式 034 3.2.1 图像的基本类型 034 3.2.2 图像常用格式 037 3.3 图像数字化 038 3.3.1 图像的数字化表示 039 3.3.2 图像的数字化过程 039 3.4 图像色度模型 042 3.4.1 色度学基础 042 3.4.2 颜色模型 043 3.5 图像运算 045 3.5.1 代数运算 046 3.5.2 逻辑运算 050 3.5.3 灰度直方图及其应用 052 3.6 习题 054第4章 图像正交变换 4.1 图像变换概述 055 4.2 傅里叶变换 056 4.2.1 连续傅里叶变换 056 4.2.2 离散傅里叶变换 057 4.2.3 傅里叶变换在图像处理中的应用 061 4.3 离散余弦变换 064 4.3.1 一维离散余弦变换 064 4.3.2 二维离散余弦变换 065 4.4 离散沃尔什-哈达玛变换 067 4.4.1 沃尔什变换 067 4.4.2 哈达玛变换 070 4.5 小波变换 071 4.5.1 小波变换的概念和特性 071 4.5.2 图像的小波变换 072 4.6 习题 077第5章 图像预处理 5.1 图像增强 078 5.1.1 灰度变化 078 5.1.2 几何变换 088 5.2 图像滤波 096 5.2.1 空域滤波 096 5.2.2 频域滤波 106 5.3 形态学处理 113 5.3.1 二值形态学的基本运算 113 5.3.2 二值图像的形态学处理 117 5.3.3 灰度形态学的基本运算 120 5.4 习题 125第6章 图像特征提取 6.1 图像的基本特征 126 6.1.1 幅度特征 126 6.1.2 几何特征 127 6.1.3 统计特征 129 6.2 角点特征的描述与提取 129 6.2.1 图像角点的概念 129 6.2.2 SUSAN角点检测算法 130 6.3 颜色特征的描述与提取 132 6.3.1 颜色直方图 132 6.3.2 颜色矩 134 6.4 纹理特征的描述与提取 134 6.4.1 统计分析法 135 6.4.2 频谱分析法 137 6.4.3 纹理的结构分析 141 6.5 形状特征的描述与提取 142 6.5.1 边界描述 143 6.5.2 区域描述 145 6.6 习题 150第7章 图像分割 7.1 图像分割概论 151 7.1.1 图像分割概念 151 7.1.2 图像分割分类 152 7.1.3 图像分割系统的构成 153 7.2 边缘检测 153 7.2.1 边缘检测概念 153 7.2.2 梯度算子 153 7.2.3 Roberts算子 155 7.2.4 Prewitt算子 156 7.2.5 Sobel算子 157 7.2.6 Kirsch算子 158 7.2.7 Laplace算子 159 7.2.8 Marr算子 160 7.2.9 Canny算子 162 7.3 边界跟踪 162 7.3.1 空域边界跟踪 163 7.3.2 霍夫（Hough）变换 163 7.4 阈值分割 165 7.4.1 阈值分割概念 165 7.4.2 全局阈值分割 167 7.4.3 局部阈值分割 169 7.4.4 动态阈值分割 172 7.5 区域分割 174 7.5.1 区域生长法 174 7.5.2 区域分裂合并法 176 7.6 习题 177第8章 图像匹配 8.1 图像匹配概述 178 8.1.1 图像匹配概念 178 8.1.2 模板匹配 180 8.1.3 模板匹配流程 180 8.2 基于灰度的匹配 181 8.2.1 基于灰度的匹配概念及步骤 181 8.2.2 匹配方法 181 8.3 基于特征的匹配 184 8.3.1 基于特征的匹配概念及步骤 184 8.3.2 匹配方法 185 8.4 习题 193第9章 图像识别 9.1 图像识别概述 194 9.2 传统图像识别方法 195 9.2.1 模式识别方法 195 9.2.2 支持向量机（SVM） 199 9.2.3 BP神经网络图像识别 201 9.2.4 聚类分析 204 9.2.5 K近邻算法（KNN） 207 9.2.6 贝叶斯分类器 208 9.2.7 几种传统方法对比分析 209 9.3 基于深度学习的图像识别方法 211 9.3.1 AlexNet：卷积网络的里程碑 211 9.3.2 GoogleNet：深度与宽度的平衡 213 9.3.3 ResNet：深度网络的残差学习 215 9.3.4 Swin Transformer：视觉Transformer新篇章 217 9.3.5 几种深度学习模型效果对比 219 9.4 习题 219第10章 目标检测 10.1 目标检测概述 221 10.2 传统目标检测方法 222 10.2.1 基于Haar特征的级联分类器 222 10.2.2 基于HOG特征和SVM的目标检测 228 10.2.3 滑动窗口法 231 10.2.4 DPM 233 10.2.5 传统方法小结 237 10.3 基于深度学习的目标检测 238 10.3.1 概述 238 10.3.2 二阶段目标检测算法 239 10.3.3 单阶段目标检测算法 241 10.4 习题 254第11章 数字图像处理综合实例 11.1 基于人脸视频的心率估计与表情识别 255 11.1.1 工作原理 255 11.1.2 实验设置 256 11.1.3 算法实现 257 11.2 一种基于几何形状特征的瞳孔定位方法 260 11.2.1 背景介绍 260 11.2.2 硬件系统设计 260 11.2.3 方案设计 262 11.2.4 实验结果 264 11.3 基于肤色分割的人脸检测 267 11.3.1 应用背景 267 11.3.2 方案设计 267 11.3.3 实验流程及结果 268 11.4 Mask R-CNN在目标检测和实例分割中的应用 271 11.4.1 背景简介 271 11.4.2 实验设置 271 11.4.3 实验结果及分析 272 11.5 基于DETR的热轧带钢表面缺陷检测 273 11.5.1 背景简介 273 11.5.2 实验设置 273 11.5.3 实验结果及分析 274 11.6 习题 275第12章 数字图像处理技术工程应用案例 12.1 金属工件缺陷检测 276 12.1.1 应用背景 276 12.1.2 方案设计 277 12.2 化成箔缺陷检测 287 12.2.1 工程背景分析 287 12.2.2 数据采集 288 12.2.3 实验方案设计 289 12.2.4 实验结果 290 12.3 变电站开关识别 292 12.3.1 工程背景分析 292 12.3.2 实验方案设计 292 12.3.3 实验结果 295 12.4 习题 296附录A OpenCV图像处理常用函数附录B 基于Python的图像处理常用函数惨老文献