包邮机器视觉基础(段清娟)

第1章 绪论 001
1.1 什么是机器视觉 001
1.2 机器视觉的起源 002
1.3 机器视觉的实际应用 003
1.3.1 在工业领域的应用 003
1.3.2 在医学领域的应用 004
1.3.3 在交通领域的作用 005
1.3.4 在生活领域的作用 006
1.4 机器视觉图像处理的基本步骤 007
1.5 机器视觉图像处理系统的组成 008

第2章 数字图像处理 012
2.1 视觉感知要素 012
2.1.1 人眼的结构 013
2.1.2 眼睛中图像的形成 013
2.2 图像感知和获取 014
2.2.1 使用单个传感器获取图像 015
2.2.2 使用条带传感器获取图像 016
2.2.3 简单的图像形成模型 017
2.3 图像取样和量化 018
2.3.1 取样和量化的基本概念 018
2.3.2 数字图像表示 020
2.3.3 空间和灰度分辨率 023
2.4 像素间的一些基本关系 025
2.4.1 相邻像素 025
2.4.2 邻接性、连通性、区域和边界 025
2.4.3 距离度量 027
2.5 数字图像处理中涉及的数学工具 028
2.5.1 阵列与矩阵操作 029
2.5.2 线性操作与非线性操作 029
2.5.3 算术操作 030
2.5.4 集合和逻辑操作 032

第3章 灰度变换与空间滤波 039
3.1 背景知识 040
3.1.1 灰度变换和空间滤波基础 040
3.1.2 关于本章中的例子 041
3.2 一些基本的灰度变换函数 042
3.2.1 图像反转 042
3.2.2 对数变换 042
3.3 直方图处理 044
3.3.1 直方图均衡 044
3.3.2 直方图匹配（规定化） 050
3.4 空间滤波基础 056
3.4.1 空间滤波机理 057
3.4.2 空间相关与卷积 057
3.4.3 线性滤波的向量表示 061
3.5 平滑空间滤波器 062
3.5.1 平滑线性滤波器 062
3.5.2 统计排序（非线性） 滤波器 064
3.6 锐化空间滤波器 065
3.6.1 基础知识 065
3.6.2 使用二阶微分进行图像锐化——拉普拉斯算子 067
3.6.3 使用一阶微分进行（非线性） 图像锐化——梯度 069

第4章 图像复原 076
4.1 图像退化/ 复原过程的模型 077
4.2 噪声模型 077
4.2.1 噪声的空间和频率特性 078
4.2.2 噪声概率密度函数 078
4.2.3 周期噪声 082
4.3 只存在噪声的复原——空间滤波 082
4.3.1 均值滤波器 083
4.3.2 统计排序滤波器 084
4.3.3 自适应滤波器 087
4.4 周期噪声频域滤波 089
4.4.1 带阻滤波器 090
4.4.2 带通滤波器 090
4.4.3 陷波滤波器 091
4.4.4 *佳陷波滤波 091

第5章 彩色图像处理 099
5.1 彩色基础 100
5.2 彩色模型 105
5.2.1 RGB 彩色模型 105
5.2.2 CMY 和 CMYK 彩色模型 108
5.2.3 HSl 彩色模型 109
5.3 彩色变换 115
5.3.1 公式 115
5.3.2 补色 118
5.3.3 彩色分层 119
5.3.4 直方图处理 120
5.4 平滑和锐化 122
5.4.1 彩色图像平滑 122
5.4.2 彩色图像锐化 124
5.5 基于彩色的图像分割 124
5.5.1 HSI 彩色空间的分割 125
5.5.2 RGB 向量空间中的分割 125
5.5.3 彩色边缘检测 127
5.6 彩色图像中的噪声 129

第6章 形态学图像处理 135
6.1 预备知识 135
6.2 腐蚀和膨胀 138
6.2.1 腐蚀 138
6.2.2 膨胀 140
6.3 开操作与闭操作 141
6.4 基本形态学算法 145
6.4.1 边界提取 145
6.4.2 孔洞填充 146
6.4.3 连通分量的提取 148
6.4.4 凸壳 150
6.4.5 细化 151
6.4.6 粗化 152
6.4.7 骨架 153
6.4.8 裁剪 154
6.4.9 形态学重建 157
6.4.10 二值图像形态学操作小结 162
6.5 灰度级形态学 164
6.5.1 腐蚀和膨胀 165
6.5.2 开操作和闭操作 167
6.5.3 灰度级形态学算法 169
6.5.4 灰度级形态学重建 175

第7章 图像分割 180
7.1 基础知识 181
7.2 点、线和边缘检测 182
7.2.1 背景知识 183
7.2.2 孤立点的检测 185
7.2.3 线检测 187
7.2.4 边缘模型 189
7.2.5 基本边缘检测 193
7.2.6 边缘连接和边界检测 199
7.3 阈值处理 210
7.3.1 基础知识 210
7.3.2 基本的全局阈值处理 213
7.3.3 使用Otsu 方法的*佳全局阈值处理 214
7.3.4 使用图像平滑改善全局阈值处理 219
7.3.5 利用边缘改进全局阈值处理 220
7.3.6 多阈值处理 222
7.4 基于区域的分割 224
7.4.1 区域生长 224
7.4.2 边界提取 227
7.5 分割中运动的应用 229
7.5.1 空间域技术 229
7.5.2 频率域技术 231

第8章 目标识别 239
8.1 模式和模式类 239
8.2 基于决策理论方法的识别 242
8.2.1 匹配 243
8.2.2 *佳统计分类器 248
8.2.3 神经网络 255
8.3 结构方法 271
8.3.1 匹配形状数 271
8.3.2 串匹配 272

参考文献 278