matlab图像处理与识别,精通Matlab数字图像处理与识别

目 录

章 初识数字图像处理与识别 1

1.1 数字图像 1

1.1.1 什么是数字图像 1

1.1.2 数字图像的显示 1

1.1.3 数字图像的分类 2

1.1.4 数字图像的实质 3

1.1.5 数字图像的表示 4

1.1.6 图像的空间和灰度级分辨率 5

1.2 数字图像处理与识别 6

1.2.1 从图像处理到图像识别 6

1.2.2 数字图像处理与识别的应用实例 7

1.2.3 数字图像处理与识别的基本步骤 9

1.3 数字图像处理的预备知识 10

目  录

章  初识数字图像处理与识别  1

1.1  数字图像  1

1.1.1  什么是数字图像  1

1.1.2  数字图像的显示  1

1.1.3  数字图像的分类  2

1.1.4  数字图像的实质  3

1.1.5  数字图像的表示  4

1.1.6  图像的空间和灰度级分辨率  5

1.2  数字图像处理与识别  6

1.2.1  从图像处理到图像识别  6

1.2.2  数字图像处理与识别的应用实例  7

1.2.3  数字图像处理与识别的基本步骤  9

1.3  数字图像处理的预备知识  10

1.3.1  邻接性、连通性、区域和边界  10

1.3.2  距离度量的几种方法  11

1.3.3  基本的图像操作  12

第2章  Matlab数字图像处理基础  13

2.1  Matlab R2011a简介  13

2.1.1  Matlab软件环境  13

2.1.2  文件操作  14

2.1.3  在线帮助的使用  15

2.1.4  变量的使用  18

2.1.5  矩阵的使用  20

2.1.6  细胞数组和结构体  23

2.1.7  关系运算与逻辑运算  24

2.1.8  常用图像处理数学函数  25

2.1.9  Matlab程序流程控制  26

2.1.10  M文件编写  29

2.1.11  Matlab函数编写  30

2.2  Matlab图像类型及其存储方式  32

2.3  Matlab的图像转换  35

2.4  读取和写入图像文件  37

2.5  图像的显示  39

第3章  图像的点运算  42

3.1  灰度直方图  42

3.1.1  理论基础  42

3.1.2  Matlab实现  43

3.2  灰度的线性变换  46

3.2.1  理论基础  46

3.2.2  Matlab实现  46

3.3  灰度对数变换  49

3.3.1  理论基础  49

3.3.2  Matlab实现  50

3.4  伽玛变换  51

3.4.1  理论基础  51

3.4.2  Matlab实现  51

3.5  灰度阈值变换  53

3.5.1  理论基础  53

3.5.2  Matlab实现  54

3.6  分段线性变换  55

3.6.1  理论基础  55

3.6.2  Matlab实现  56

3.7  直方图均衡化  60

3.7.1  理论基础  60

3.7.2  Matlab实现  61

3.8  直方图规定化  63

3.8.1  理论基础  63

3.8.2  Matlab实现  64

第4章  图像的几何变换  66

4.1  解决几何变换的一般思路  66

4.2  图像平移  67

4.2.1  图像平移的变换公式  68

4.2.2  图像平移的Matlab实现  68

4.3  图像镜像  70

4.3.1  图像镜像的变换公式  70

4.3.2  图像镜像的Matlab实现  71

4.4  图像转置  72

4.4.1  图像转置的变换公式  72

4.4.2  图像转置的Matlab实现  72

4.5  图像缩放  73

4.5.1  图像缩放的变换公式  73

4.5.2  图像缩放的Matlab实现  74

4.6  图像旋转  75

4.6.1  以原点为中心的图像旋转  75

4.6.2  以任意点为中心的图像旋转  75

4.6.3  图像旋转的Matlab实现  77

4.7  插值算法  77

4.7.1  近邻插值  78

4.7.2  双线性插值  78

4.7.3  高阶插值  79

4.8  Matlab综合案例——人脸图像配准  81

4.8.1  什么是图像配准  81

4.8.2  人脸图像配准的Matlab实现  81

第5章  空间域图像增强  85

5.1  图像增强基础  85

5.1.1  为什么要进行图像增强  85

5.1.2  图像增强的分类  85

5.2  空间域滤波  86

5.2.1  空间域滤波和邻域处理  86

5.2.2  边界处理  87

5.2.3  相关和卷积  88

5.2.4  滤波操作的Matlab实现  88

5.3  图像平滑  90

5.3.1  平均模板及其实现  90

5.3.2  高斯平滑及其实现  92

5.3.3  自适应平滑滤波  95

5.4  中值滤波  95

5.4.1  性能比较  95

5.4.2  一种改进的中值滤波策略  98

5.4.3  中值滤波的工作原理  98

5.5  图像锐化  98

5.5.1  理论基础  98

5.5.2  基于一阶导数的图像增强——梯度算子  98

5.5.3  基于二阶微分的图像增强——拉普拉斯算子  101

5.5.4  基于一阶与二阶导数的锐化算子的比较  104

5.5.5  高提升滤波及其实现  105

5.5.6  高斯-拉普拉斯变换(Laplacian of a Gaussian, LoG)  106

第6章  频率域图像增强  109

6.1  频率域滤波——与空间域滤波殊途同归  109

6.2  傅立叶变换基础知识  109

6.2.1  傅立叶级数  110

6.2.2  傅立叶变换  111

6.2.3  幅度谱、相位谱和功率谱  114

6.2.4  傅立叶变换的实质—基的转换  115

6.3  快速傅立叶变换及实现  116

6.3.1  FFT变换的必要性  117

6.3.2  常见的FFT算法  117

6.3.3  按时间抽取的基-2 FFT算法  118

6.3.4  离散反傅立叶变换的快速算法  121

6.3.5  N维快速傅立叶变换  121

6.3.6  Matlab实现  122

6.4  频域滤波基础  126

6.4.1  频域滤波与空域滤波的关系  126

6.4.2  频域滤波的基本步骤  126

6.4.3  频域滤波的Matlab实现  127

6.5  频域低通滤波器  128

6.5.1  理想低通滤波器及其实现  128

6.5.2  高斯低通滤波器及其实现  131

6.6  频率域高通滤波器  135

6.6.1  高斯高通滤波器及其实现  135

6.6.2  频域拉普拉斯滤波器及其实现  137

6.7  Matlab综合案例——利用频域滤波消除周期噪声  139

6.7.1  频域带阻滤波器  139

6.7.2  带阻滤波消除周期噪声  141

6.8  频域滤波器与空域滤波器之间的内在联系  143

第7章  小波变换  146

7.1  多分辨率分析  146

7.1.1  多分辨率框架  146

7.1.2  分解与重构的实现  153

7.1.3  图像处理中分解与重构的实现  155

7.2  Gabor多分辨率分析  160

7.3  常见小波分析  163

7.3.1  Haar小波  164

7.3.2  Daubechies小波  166

7.4  高维小波  168

第8章  图像复原  171

8.1  图像复原的一般理论  171

8.1.1  图像复原的基本概念  171

8.1.2  图像复原的一般模型  172

8.2  实用图像复原技术  190

8.2.1  图像复原的数值计算方法  190

8.2.2  非线性复原  193

第9章  彩色图像处理  197

9.1  彩色基础  197

9.1.1  什么是彩色  198

9.1.2  我们眼中的彩色  198

9.1.3  三原色  198

9.1.4  计算机中的颜色表示  199

9.2  彩色模型  200

9.2.1  RGB模型  200

9.2.2  CMY、CMYK模型  202

9.2.3  HSI模型  203

9.2.4  HSV模型  207

9.2.5  YUV模型  210

9.2.6  YIQ模型  213

9.2.7  Lab模型简介  214

9.3  全彩色图像处理基础  215

9.3.1  彩色补偿及其Matlab实现  215

9.3.2  彩色平衡及其Matlab实现  217

0章  形态学图像处理  220

10.1  预备知识  220

10.2  二值图像中的基本形态学运算  222

10.2.1  腐蚀及其实现  222

10.2.2  膨胀及其实现  227

10.2.3  开运算及其实现  229

10.2.4  闭运算及其实现  231

10.3  二值图像中的形态学应用  232

10.3.1  击中与击不中变换及其实现  232

10.3.2  边界提取与跟踪及其实现  234

10.3.3  区域填充  235

10.3.4  连通分量提取及其实现  237

10.3.5  细化算法  240

10.3.6  像素化算法  242

10.3.7  凸壳  243

10.3.8  bwmorph函数  243

10.4  灰度图像中的基本形态学运算  244

10.4.1  灰度膨胀及其实现  244

10.4.2  灰度腐蚀及其实现  247

10.4.3  灰度开、闭运算及其实现  248

10.4.4  顶帽变换(top-hat)及其实现  250

10.5  小结  252

1章  图像分割  253

11.1  图像分割概述  253

11.2  边缘检测  254

11.2.1  边缘检测概述  254

11.2.2  常用的边缘检测算子  255

11.2.3  Matlab实现  258

11.3  霍夫变换  261

11.3.1  直线检测  261

11.3.2  曲线检测  264

11.3.3  任意形状的检测  264

11.3.4  Hough变换直线检测的Matlab实现  265

11.4  阈值分割  268

11.4.1  阈值分割方法  268

11.4.2  Matlab实现  272

11.5  区域分割  273

11.5.1  区域生长及其实现  273

11.5.2  区域分裂与合并及其Matlab实现  275

11.6  基于形态学分水岭算法的图像分割  280

11.6.1  形态学分水岭算法  280

11.6.2  Matlab实现  283

11.7  Matlab综合案例——分水岭算法  284

11.8  小结  289

2章  特征提取  290

12.1  图像特征概述  290

12.1.1  什么是图像特征  290

12.1.2  图像特征的分类  290

12.1.3  特征向量及其几何解释  291

12.1.4  特征提取的一般原则  291

12.1.5  特征的评价标准  291

12.2  基本统计特征  292

12.2.1  简单的区域描绘子及其Matlab实现  292

12.2.2  直方图及其统计特征  293

12.2.3  灰度共现矩阵  295

12.3  特征降维  299

12.3.1  维度灾难  299

12.3.2  特征选择简介  299

12.3.3  主成分分析  300

12.3.4  快速PCA及其实现  307

12.4  综合案例——基于PCA的人脸特征抽取  309

12.4.1  数据集简介  309

12.4.2  生成样本矩阵  309

12.4.3  主成分分析  310

12.4.4  主成分脸可视化分析  311

12.4.5  基于主分量的人脸重建  313

12.5  局部二进制模式  315

12.5.1  基本LBP  315

12.5.2  圆形邻域的LBPP,R算子  315

12.5.3  统一化LBP算子——Uniform LBP及其Matlab实现  316

12.5.4  MB-LBP及其Matlab实现  319

12.5.5  图像分区及其Matlab实现  324

3章  图像识别初步  328

13.1  模式识别概述  328

13.1.1  模式与模式识别  328

13.1.2  图像识别  329

13.1.3  关键概念  329

13.1.4  识别问题的一般描述  330

13.1.5  过度拟合  331

13.1.6  模式识别系统结构  332

13.1.7  训练/学习方法分类  332

13.2  模式识别方法分类  332

13.2.1  统计模式识别  333

13.2.2  句法模式识别  333

13.2.3  小结  334

13.3  小距离分类器和模板匹配  334

13.3.1  小距离分类器及其Matlab实现  334

13.3.2  基于相关的模板匹配  336

13.3.3  相关匹配的计算效率  339

4章  人工神经网络  341

14.1  人工神经网络简介  341

14.1.1  仿生学动机  341

14.1.2  人工神经网络的应用实例  343

14.2  人工神经网络的理论基础  344

14.2.1  训练线性单元的梯度下降算法  344

14.2.2  多层人工神经网络  350

14.2.3  sigmoid单元  351

14.2.4  反向传播(BP，back propogation)算法  352

14.2.5  训练中的问题  356

14.3  神经网络算法的可视化实现  357

14.3.1  NNTool的主要功能及应用  357

14.3.2  神经网络的仿真测试  361

14.4  Matlab神经网络工具箱  365

14.4.1  网络的创建  365

14.4.2  网络初始化  365

14.4.3  网络训练  366

14.4.4  网络仿真测试  366

14.4.5  网络性能分析  367

5章  支持向量机  368

15.1  支持向量机的分类思想  368

15.1.1  分类模型的选择  368

15.1.2  模型参数的选择  369

15.2  支持向量机的理论基础  369

15.2.1  线性可分情况下的SVM  369

15.2.2  非线性可分情况下的C-SVM  373

15.2.3  需要核函数映射情况下的SVM  375

15.2.4  推广到多类问题  378

15.3  SVM的Matlab实现  380

15.3.1  训练——svmtrain  380

15.3.2  分类——svmclassify  382

15.3.3  应用实例  382

15.4  综合案例——基于PCA和SVM的人脸识别系统  383

15.4.1  人脸识别简介  383

15.4.2  前期处理  383

15.4.3  数据规格化  384

15.4.4  核函数的选择  387

15.4.5  参数选择  388

15.4.6  构建多类SVM分类器  390

15.4.7  实验结果  392

15.5  SVM在线资源  399

15.5.1  Matlab的SVM工具箱  399

15.5.2  LIBSVM的简介  399

参考文献  401