數字圖像處理與分析（簡體書）

《重點大學計算機專業系列教材:數字圖像處理與分析》系統地介紹了數字圖像處理、圖像特征提取、圖像分析、圖像理解等方面的基礎知識，使讀者能夠在較短的時間內了解本領域研究的基本方法和經典算法。書中也引入了一些較新的、已得到本領域研究人員認可的先進算法，能夠使有志于從事本領域研究的專業人員快速了解這一學科的最新研究方向和進展。書中將經典算法和大量的應用實例相結合進行闡述，并給出一些綜合應用實例，便于讀者學習理解，并能很快將這些方法投入到實際應用中。
《重點大學計算機專業系列教材:數字圖像處理與分析》可作為高等院校相關專業大學生和研究生的教材，也可以作為專業研究人員的參考資料。

《重點大學計算機專業系列教材:數字圖像處理與分析》由清華大學出版社出版。

第1章 數字圖像基礎
1.1 數字圖像處理
1.2 圖像獲取
1.2.1 采樣
1.2.2 量化
1.3 像素基本關系
1.3.1 鄰接關系
1.3.2 鄰接性、連通性、區域和邊界
1.3.3 距離度量
1.4 圖像分析的數據結構
1.4.1 矩陣
1.4.2 鏈表
1.4.3 金字塔
1.5 顏色模型
1.5.1 RGB模型
1.5.2 CMY模型
1.5.3 HSI模型
1.6 圖像質量評價
1.6.1 均方誤差
1.6.2 信噪比與峰值信噪比
1.6.3 結構相似度
1.7 本章小結

第2章 圖像變換
2.1 傅里葉變換
2.1.1 一維傅里葉變換
2.1.2 二維傅里葉變換
2.1.3 二維離散傅里葉變換的性質
2.1.4 快速傅里葉變換
2.2 離散余弦變換
2.2.1 離散余弦變換的定義
2.2.2 離散余弦變換的計算
2.3 Harr變換
2.3.1 Harr函數的定義
2.3.2 Harr函數的性質
2.3.3 Harr變換的定義
2.4 小波變換
2.4.1 連續小波變換
2.4.2 離散小波變換
2.4.3 快速小波變換
2.5 脊波變換、曲波變換及輪廓波變換
2.5.1 脊波變換
2.5.2 曲波變換
2.5.3 輪廓波變換
2.6 本章小結

第3章 圖像增強
3.1 概述
3.2 基于點運算的圖像增強
3.2.1 灰度變換
3.2.2 直方圖處理
3.2.3 圖像算術/邏輯運算
3.3 空間域圖像增強
3.3.1 空間域濾波基礎
3.3.2 空間平滑濾波器
3.3.3 空間銳化濾波器
3.4 頻域圖像增強
3.4.1 頻域濾波基礎
3.4.2 頻域平滑濾波器
3.4.3 頻域銳化濾波器
3.5 本章小結

第4章 圖像復原
4.1 基本概念
4.2 常見噪聲模型
4.2.1 高斯噪聲
4.2.2 脈沖噪聲
4.2.3 瑞利噪聲
4.2.4 伽瑪噪聲
4.2.5 指數噪聲
4.2.6 均勻噪聲
4.3 基本去噪方法
4.3.1 均值濾波
4.3.2 高斯濾波
4.3.3 中值濾波
4.3.4 非局部均值濾波
4.3.5 小波收縮去噪
4.4 常見模糊退化模型
4.4.1 運動模糊
4.4.2 散焦模糊
4.4.3 大氣擾動
4.5 基本去模糊化方法
4.5.1 逆濾波
4.5.2 維納濾波
4.5.3 約束最小二乘濾波
4.5.4 幾何均值濾波
4.6 幾何校正
4.6.1 空間變換
4.6.2 灰度插值
4.7 本章小結

第5章 圖像分割
5.1 基本概念
5.2 基于閾值的圖像分割方法
5.2.1 基本原理
5.2.2 基于直方圖的圖像閾值分割
5.2.3 基于迭代的圖像閾值分割
5.2.4 基于最大類間方差的閾值分割
5.3 基于邊緣的分割
5.3.1 邊緣檢測
5.3.2 邊緣局部處理
5.3.3 邊界跟蹤
5.3.4 Hough變換
5.4 基于區域的分割
5.4.1 區域生長
5.4.2 區域分裂與合并
5.5 分水嶺方法
5.6 本章小結

第6章 基于偏微分方程的圖像處理
6.1 基本概念
6.1.1 偏微分方程
6.1.2 變分法和梯度下降流
6.1.3 數值計算方法
6.2 圖像去噪與增強
6.2.1 各向同性擴散
6.2.2 各向異性擴散
6.2.3 方向擴散
6.2.4 TV去噪模型
6.2.5 高階偏微分方程
6.3 圖像去模糊
6.3.1 TV去模糊模型
6.3.2 改進的TV方法
6.3.3 盲反卷積
6.4 圖像分割
6.4.1 測地活動輪廓模型
6.4.2 無邊緣活動輪廓模型
6.5 圖像修補
6.5.1 TV修補模型
6.5.2 曲率擴散方法
6.5.3 BSCB模型
6.6 本章小節

第7章 圖像特征
7.1 基本特征
7.1.1 幅度特征
7.1.2 統計特征
7.1.3 幾何特征
7.2 紋理特征
7.2.1 基于統計的紋理特征
7.2.2 基于幾何的紋理特征
7.2.3 基于模型的紋理特征
7.2.4 基于信號處理的紋理特征
7.3 特征子空間
7.3.1 奇異值分解
7.3.2 主元分析
7.3.3 獨立成分分析
7.4 基于角點的特征
7.4.1 SIFT特征
7.4.2 改進型SIFT特征
7.5 圖像稀疏表示
7.5.1 稀疏性度量
7.5.2 圖像稀疏表示
7.5.3 圖像調和分析表示
7.6 應用實例：FMI巖石圖像特征提取與分類
7.6.1 巖石圖像特征表示
7.6.2 巖石圖像分類
7.7 本章小結

第8章 圖像描述
8.1 圖像標識
8.2 基于輪廓的形狀描述
8.2.1 鏈碼表示
8.2.2 簡單幾何邊界表示
8.2.3 片段序列邊界表示
8.2.4 B樣條表示
8.2.5 其他方法
8.3 基于區域的形狀描述
8.3.1 簡單標量區域表示
8.3.2 矩表示
8.3.3 凸包表示
8.3.4 骨架圖表示
8.3.5 區域分解
8.3.6 區域近鄰圖
8.4 本章小結

第9章 圖像識別
9.1 貝葉斯分類
9.1.1 貝葉斯分類器
9.1.2 貝葉斯最優分類器
9.1.3 樸素貝葉斯分類器
9.1.4 貝葉斯網絡
9.2 近鄰法及模板匹配
9.2.1 近鄰法
9.2.2 模板匹配
9.3 人工神經網絡
9.3.1 BP網絡
9.3.2 RBF網絡
9.4 核方法
9.4.1 支持向量機
9.4.2 核Fisher判別分析
9.5 集成學習
9.5.1 Bagging
9.5.2 Adaboost
9.5.3 應用于特征集成的Boosting變體算法
9.6 應用實例：基于Adaboost的特征集成及文字識別
9.6.1 簡單分類問題
9.6.2 手寫體數字識別
9.7 本章小結

第10章 圖像理解
10.1 圖像理解基本概念
10.1.1 研究內容
10.1.2 研究方法
10.2 圖像分析模型
10.2.1 平面圖結構模型
10.2.2 點分布模型
10.2.3 活動輪廓模型
10.2.4 隱馬爾克夫模型
10.3 場景中目標檢測與識別
10.3.1 目標檢測
10.3.2 目標識別
10.4 場景描述與理解
10.4.1 圖像理解控制策略
10.4.2 場景分類
10.4.3 目標之間關系
10.4.4 場景標注和約束傳播
10.5 語義分割與理解
10.5.1 語義描述圖結構
10.5.2 語義區域增長
10.5.3 遺傳圖像解釋
10.6 本章小結
參考文獻

1.并行和串行處理控制
顧名思義，并行控制是指同時處理多個任務，而串行處理是指順序處理每個任務。比如，對于單個CPU的計算機，雖然我們看到計算機好像是在同時執行多個任務，但實際上CPU是在極短的時間內交替執行各個任務，只有多核CPU才能真正實現并行計算。
在圖像理解過程中，許多低層和中層算法是可以并行執行的，可以同時對每個像素或多個圖像區域進行處理。比如基于種子生長的圖像分割，可以由多個隨機種子點同時開始生長；再比如基于混合高斯模型的視頻中運動區域檢測，為每個像素建立一個混合高斯模型，可獨立進行變化檢測。但是，并行處理中多個處理器同步以及邊界處理都會帶來一些復雜的問題，如果處理不當，反而會造成效率低下。
有些算法只能串行處理，因為後續的處理依賴于前面的結果。如在人臉檢測時計算積分圖像，每一點的值依賴于所有它左上方的像素值。研究表明，在視覺高層抽象概念上的處理通常是串行的，人的視覺在某一時刻總是集中于單個主題。
2.分層控制
從底層的像素值到中間的特征，再到高層的目標和場景，圖像信息包含多個層次，常見的分層控制策略包括兩種，即自底向上的控制策略和自頂向下的控制策略。
1）由圖像數據控制（白底向上的控制）
它是從像素開始，經圖像預處理、圖像分割、區域描述、直到最終的識別.這種策略適用于預處理簡單有效、無歧義的情況，比如光照較好情況下的識別。如果數據情況復雜，則會導致中間的分割和區域描述失敗。