数字图像处理

数字图像处理是计算机学科中一个热门的研究方向，它应用广泛，发展前景广阔。人工智能、深度学习技术的发展为数字图像处理注入了更多的活力，使其具有了更大的研究价值。数字图像处理结合人工智能、深度学习技术已经在多个领域得到了非常广泛的应用，正在极大地改变着人们的生活。

当前，数字图像处理所使用的编程工具也已经完成了更新换代，易学易用的Python已经成为数字图像处理的首选编程工具。本书顺应数字图像处理发展的趋势，内容不但涵盖了数字图像处理中的传统内容，而且引入了深度学习等新内容。本书采用Python、OpenCV作为编程工具，讲解了最流行的深度学习技术编程框架TensorFlow和PyTorch。

数字图像处理的学习门槛较高，原因是其理论性较强，读者需要具有一定的数学基础和模式识别、机器学习等专业知识。因此，本书对于读者可能遇到困难的地方尽可能先给出必要的理论知识，做好铺垫。同时本书将理论介绍与工程实践进行了有机结合。各章介绍理论之后，会使用编程语言Python将理论内容转换为工程代码，让读者结合代码进一步理解所学的理论知识。

本书第1章初步介绍了数字图像处理的基础知识，包括数字图像的概念、分类、表示、存储和与像素相关的知识。第2章介绍了编程工具Python和OpenCV，让读者在开始学习本书内容之前先具备一定的动手能力。第3章到第10章为本书的主要内容，详细介绍了数字图像处理的各种具体方法和技术。

感谢吉林大学的于哲舟教授对本书提出的宝贵意见，这些意见保证了本书的权威性和严谨性。感谢我的研究生宋晓楠、赵博、邵红瑶、许春磊、李敬阳参与本书的撰写和代码的调试。

由于作者水平和经验有限，书中内容难免有疏漏及错误之处，恳请广大读者批评指正。

作者
2023年8月

本书涵盖了数字图像处理的多方面，主要内容包括： Python和OpenCV基础、图像的直方图表示与变换、图像的几何变换、空间域图像增强、图像的形态学运算、图像的分割、彩色图像处理、图像的特征提取、深度学习与图像处理。本书将理论介绍与工程实践进行有机结合，各章的理论介绍深入浅出，并使用比较流行的编程语言Python将理论内容转换为工程代码。本书不仅介绍了图像的几何变换和形态学变换等数字图像处理领域中的传统内容，还介绍了深度学习等数字图像处理领域的新内容。 本书共10章。第1章介绍了数字图像处理的基本知识。第2章介绍了本书的编程工具： Python和OpenCV。第3章至第10章详细介绍了数字图像处理的各种具体方法和技术。 本书适合作为“数字图像处理”课程的教材，也适合具有一定数学基础的计算机类、电子信息类专业的本科生、研究生以及从事数字图像处理工作的专业人员阅读。

第1章绪论

1.1数字图像的定义

1.2数字图像的分类

1.2.1矢量图

1.2.2位图

1.3数字图像的表示与存储

1.3.1数字图像的表示

1.3.2数字图像的存储格式

1.4数字图像分辨率

1.4.1图像的空间分辨率

1.4.2灰度级分辨率

1.5像素间基本关系

1.5.1像素的邻域与邻接

1.5.2像素的连通性、区域和边界

1.6距离度量

1.6.1〓几类常见距离度量
第2章Python和OpenCV基础

2.1Python基础知识

2.1.1Python简介

2.1.2配置开发环境

2.2Python基本语法

2.2.1数据类型与变量

2.2.2字符串与类型转换

2.2.3列表

2.2.4循环

2.2.5判断

2.2.6字典

2.2.7函数

2.2.8使用库

2.2.9类

2.2.10文件

2.3OpenCV基础知识

2.3.1OpenCV简介

2.3.2安装OpenCV

2.3.3图像文件基本操作

第3章图像的直方图表示与变换

3.1灰度直方图

3.1.1灰度直方图原理

3.1.2灰度直方图的OpenCV和Python实现

3.2直方图均衡化

3.2.1直方图均衡化原理

3.2.2直方图均衡化的OpenCV和Python实现

3.3直方图规定化

3.3.1直方图规定化原理

3.3.2直方图规定化的OpenCV和Python实现

3.4线性变换

3.4.1线性变换原理

3.4.2线性变换的OpenCV和Python实现

3.5对数变换

3.5.1对数变换原理

3.5.2对数变换的OpenCV和Python实现

3.6伽马变换

3.6.1伽马变换原理

3.6.2伽马变换的OpenCV和Python实现

3.7阈值变换

3.7.1阈值变换原理

3.7.2阈值变换的OpenCV和Python实现

第4章图像的几何变换

4.1图像的平移

4.1.1图像平移的基本原理

4.1.2图像平移的Python和OpenCV实现

4.2图像的旋转

4.2.1图像旋转的基本原理

4.2.2图像旋转的Python和OpenCV实现

4.3图像的缩放

4.3.1图像缩放的基本原理

4.3.2图像缩放的Python和OpenCV实现

4.4图像的转置

4.4.1图像转置的基本原理

4.4.2图像转置的Python和OpenCV实现

4.5图像的翻转

4.5.1图像翻转的基本原理

4.5.2图像翻转的Python和OpenCV实现

4.6图像的插值

4.6.1图像插值的基本原理

4.6.2最近邻插值法

4.6.3双线性插值法

4.6.4双三次插值法

4.6.5图像插值的Python和OpenCV实现

4.7图像的配准

4.7.1图像配准的基本原理

4.7.2提取特征点

4.7.3基于特征的配准方法

4.7.4图像配准的Python和OpenCV实现

第5章空间域图像增强

5.1图像增强

5.1.1图像增强的分类

5.1.2图像增强的应用

5.2空间域滤波

5.2.1空间域滤波和邻域处理

5.2.2边界处理

5.3图像平滑

5.3.1均值滤波

5.3.2方框滤波

5.3.3高斯滤波

5.3.4中值滤波

5.3.5双边滤波

5.4图片锐化

第6章图像的形态学运算

6.1腐蚀

6.1.1腐蚀理论基础

6.1.2腐蚀的Python和OpenCV实现

6.2膨胀

6.2.1膨胀理论基础

6.2.2膨胀的Python和OpenCV实现

6.3开操作

6.3.1开操作理论基础

6.3.2开操作的Python和OpenCV实现

6.4闭操作

6.4.1闭操作理论基础

6.4.2闭操作的Python和OpenCV实现

6.5形态学梯度运算

6.5.1形态学梯度运算理论基础

6.5.2形态学梯度运算的Python和OpenCV实现

6.6孔洞填充

6.6.1孔洞填充理论基础

6.6.2孔洞填充的Python和OpenCV实现

6.7细化算法

6.7.1细化算法理论基础

6.7.2细化算法的Python和OpenCV实现

第7章图像的分割

7.1图像分割概述

7.2边缘检测

7.2.1边缘检测算法

7.2.2Canny边缘检测的Python OpenCV实现

7.3霍夫变换

7.3.1直线检测

7.3.2曲线检测

7.3.3霍夫变换的Python OpenCV实现

7.4阈值分割

7.4.1简单的阈值分割

7.4.2自适应阈值分割

7.5区域生长

第8章彩色图像处理

8.1彩色简介

8.1.1彩色属性

8.1.2色彩的三要素

8.1.3三原色

8.1.4计算机中颜色的表示

8.2彩色模型

8.2.1RGB模型

8.2.2HSI模型

8.2.3HSV模型

第9章图像的特征提取

9.1图像特征概述

9.2梯度方向直方图

9.2.1梯度方向直方图的计算

9.2.2梯度方向直方图的Python OpenCV实现

9.3角点特征

9.3.1Harris角点检测

9.3.2基于Harris角点的人脸检测

9.3.3ShiTomasi角点检测

9.3.4FAST角点检测

9.4SIFT算法

9.4.1SIFT算法的特点与步骤

9.4.2图像SIFT特征点的检测

9.5局部二进制模式

9.5.1基本LBP

9.5.2圆形邻域的LBPpr算子

9.5.3统一化LBP算子——Uniform LBP及其Python实现

9.6基于Gabor滤波器的图像纹理特征提取

9.6.1二维Gabor滤波器函数的数学表达

9.6.2利用Gabor滤波器提取纹理特征的原理

9.6.3Python OpenCV实现Gabor函数

9.7数据降维算法

9.7.1PCA算法流程

9.7.2使用PCA算法进行数据降维

9.7.3使用PCA算法对图片进行降维

9.8基于LBP特征的人脸识别

9.8.1图像识别

9.8.2基于局部二值模式的人脸识别

9.8.3人脸识别代码实现

第10章深度学习与图像处理

10.1人工神经网络基本结构

10.1.1感知机与人工神经网络

10.1.2激活函数

10.1.3输出函数

10.2神经网络的学习

10.2.1训练数据与测试数据

10.2.2损失函数

10.2.3梯度下降法

10.2.4正则化

10.3卷积神经网络

10.3.1卷积

10.3.2填充

10.3.3池化

10.3.4三维卷积

10.4深度学习框架

10.4.1使用GPU加速

10.4.2TensorFlow简介

10.4.3安装TensorFlow

10.4.4TensorFlow基本语法

10.4.5使用Keras构建神经网络

10.4.6PyTorch简介

10.4.7安装PyTorch

10.4.8PyTorch基本语法

10.4.9使用nn构建神经网络

10.5手写字符识别

10.5.1MNIST数据集

10.5.2用于手写字符识别的神经网络结构

10.5.3使用TensorFlow完成手写字符识别

10.5.4使用PyTorch完成手写字符识别

本书涵盖了数字图像处理的多方面，主要内容包括： Python和OpenCV基础、图像的直方图表示与变换、图像的几何变换、空间域图像增强、图像的形态学运算、图像的分割、彩色图像处理、图像的特征提取、深度学习与图像处理。本书将理论介绍与工程实践进行有机结合，各章的理论介绍深入浅出，并使用比较流行的编程语言Python将理论内容转换为工程代码。本书不仅介绍了图像的几何变换和形态学变换等数字图像处理领域中的传统内容，还介绍了深度学习等数字图像处理领域的新内容。 本书共10章。第1章介绍了数字图像处理的基本知识。第2章介绍了本书的编程工具： Python和OpenCV。第3章至第10章详细介绍了数字图像处理的各种具体方法和技术。 本书适合作为“数字图像处理”课程的教材，也适合具有一定数学基础的计算机类、电子信息类专业的本科生、研究生以及从事数字图像处理工作的专业人员阅读。

本书将理论介绍与工程实践进行了有机结合