第1章 概論
1.1 數(shù)字圖像處理的分類和發(fā)展 001
1.1.1 圖像分類 001
1.1.2 數(shù)字圖像發(fā)展歷史 003
1.2 數(shù)字圖像處理系統(tǒng) 004
1.2.1 經(jīng)典的數(shù)字圖像處理系統(tǒng) 005
1.2.2 實際的數(shù)字圖像處理系統(tǒng) 005
1.3 數(shù)字圖像處理的內(nèi)容及特點 007
1.3.1 數(shù)字圖像處理的內(nèi)容 007
1.3.2 數(shù)字圖像處理的特點 008
1.4 數(shù)字圖像處理的應用 009
1.5 數(shù)字圖像處理的內(nèi)容以及與其他相關(guān)學科的關(guān)系 011
1.6 習題 012

第2章 數(shù)字圖像處理開發(fā)環(huán)境
2.1 OpenCV簡介 013
2.2 OpenCV基礎(chǔ)及開發(fā)環(huán)境配置 014
2.2.1 安裝OpenCV庫 014
2.2.2 C++集成開發(fā)環(huán)境配置 016
2.2.3 OpenCV代碼實例 018
2.3 Python簡介 020
2.4 Python基本語法和編程 021
2.5 Python環(huán)境配置及開發(fā) 026
2.5.1 Python開發(fā)環(huán)境配置 026
2.5.2 第一個Python程序 031
2.6 習題 032

第3章 數(shù)字圖像處理基礎(chǔ)
3.1 圖像獲取 033
3.1.1 圖像采集過程 033
3.1.2 模擬圖像描述 034
3.2 圖像類型及常用格式 034
3.2.1 圖像的基本類型 034
3.2.2 圖像常用格式 037
3.3 圖像數(shù)字化 038
3.3.1 圖像的數(shù)字化表示 039
3.3.2 圖像的數(shù)字化過程 039
3.4 圖像色度模型 042
3.4.1 色度學基礎(chǔ) 042
3.4.2 顏色模型 043
3.5 圖像運算 045
3.5.1 代數(shù)運算 046
3.5.2 邏輯運算 050
3.5.3 灰度直方圖及其應用 052
3.6 習題 054

第4章 圖像正交變換
4.1 圖像變換概述 055
4.2 傅里葉變換 056
4.2.1 連續(xù)傅里葉變換 056
4.2.2 離散傅里葉變換 057
4.2.3 傅里葉變換在圖像處理中的應用 061
4.3 離散余弦變換 064
4.3.1 一維離散余弦變換 064
4.3.2 二維離散余弦變換 065
4.4 離散沃爾什-哈達瑪變換 067
4.4.1 沃爾什變換 067
4.4.2 哈達瑪變換 070
4.5 小波變換 071
4.5.1 小波變換的概念和特性 071
4.5.2 圖像的小波變換 072
4.6 習題 077

第5章 圖像預處理
5.1 圖像增強 078
5.1.1 灰度變化 078
5.1.2 幾何變換 088
5.2 圖像濾波 096
5.2.1 空域濾波 096
5.2.2 頻域濾波 106
5.3 形態(tài)學處理 113
5.3.1 二值形態(tài)學的基本運算 113
5.3.2 二值圖像的形態(tài)學處理 117
5.3.3 灰度形態(tài)學的基本運算 120
5.4 習題 125

第6章 圖像特征提取
6.1 圖像的基本特征 126
6.1.1 幅度特征 126
6.1.2 幾何特征 127
6.1.3 統(tǒng)計特征 129
6.2 角點特征的描述與提取 129
6.2.1 圖像角點的概念 129
6.2.2 SUSAN角點檢測算法 130
6.3 顏色特征的描述與提取 132
6.3.1 顏色直方圖 132
6.3.2 顏色矩 134
6.4 紋理特征的描述與提取 134
6.4.1 統(tǒng)計分析法 135
6.4.2 頻譜分析法 137
6.4.3 紋理的結(jié)構(gòu)分析 141
6.5 形狀特征的描述與提取 142
6.5.1 邊界描述 143
6.5.2 區(qū)域描述 145
6.6 習題 150

第7章 圖像分割
7.1 圖像分割概論 151
7.1.1 圖像分割概念 151
7.1.2 圖像分割分類 152
7.1.3 圖像分割系統(tǒng)的構(gòu)成 153
7.2 邊緣檢測 153
7.2.1 邊緣檢測概念 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 邊界跟蹤 162
7.3.1 空域邊界跟蹤 163
7.3.2 霍夫（Hough）變換 163
7.4 閾值分割 165
7.4.1 閾值分割概念 165
7.4.2 全局閾值分割 167
7.4.3 局部閾值分割 169
7.4.4 動態(tài)閾值分割 172
7.5 區(qū)域分割 174
7.5.1 區(qū)域生長法 174
7.5.2 區(qū)域分裂合并法 176
7.6 習題 177

第8章 圖像匹配
8.1 圖像匹配概述 178
8.1.1 圖像匹配概念 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驟 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驟 184
8.3.2 匹配方法 185
8.4 習題 193

第9章 圖像識別
9.1 圖像識別概述 194
9.2 傳統(tǒng)圖像識別方法 195
9.2.1 模式識別方法 195
9.2.2 支持向量機（SVM） 199
9.2.3 BP神經(jīng)網(wǎng)絡(luò)圖像識別 201
9.2.4 聚類分析 204
9.2.5 K近鄰算法（KNN） 207
9.2.6 貝葉斯分類器 208
9.2.7 幾種傳統(tǒng)方法對比分析 209
9.3 基于深度學習的圖像識別方法 211
9.3.1 AlexNet：卷積網(wǎng)絡(luò)的里程碑 211
9.3.2 GoogleNet：深度與寬度的平衡 213
9.3.3 ResNet：深度網(wǎng)絡(luò)的殘差學習 215
9.3.4 Swin Transformer：視覺Transformer新篇章 217
9.3.5 幾種深度學習模型效果對比 219
9.4 習題 219

第10章 目標檢測
10.1 目標檢測概述 221
10.2 傳統(tǒng)目標檢測方法 222
10.2.1 基于Haar特征的級聯(lián)分類器 222
10.2.2 基于HOG特征和SVM的目標檢測 228
10.2.3 滑動窗口法 231
10.2.4 DPM 233
10.2.5 傳統(tǒng)方法小結(jié) 237
10.3 基于深度學習的目標檢測 238
10.3.1 概述 238
10.3.2 二階段目標檢測算法 239
10.3.3 單階段目標檢測算法 241
10.4 習題 254

第11章 數(shù)字圖像處理綜合實例
11.1 基于人臉視頻的心率估計與表情識別 255
11.1.1 工作原理 255
11.1.2 實驗設(shè)置 256
11.1.3 算法實現(xiàn) 257
11.2 一種基于幾何形狀特征的瞳孔定位方法 260
11.2.1 背景介紹 260
11.2.2 硬件系統(tǒng)設(shè)計 260
11.2.3 方案設(shè)計 262
11.2.4 實驗結(jié)果 264
11.3 基于膚色分割的人臉檢測 267
11.3.1 應用背景 267
11.3.2 方案設(shè)計 267
11.3.3 實驗流程及結(jié)果 268
11.4 Mask R-CNN在目標檢測和實例分割中的應用 271
11.4.1 背景簡介 271
11.4.2 實驗設(shè)置 271
11.4.3 實驗結(jié)果及分析 272
11.5 基于DETR的熱軋帶鋼表面缺陷檢測 273
11.5.1 背景簡介 273
11.5.2 實驗設(shè)置 273
11.5.3 實驗結(jié)果及分析 274
11.6 習題 275

第12章 數(shù)字圖像處理技術(shù)工程應用案例
12.1 金屬工件缺陷檢測 276
12.1.1 應用背景 276
12.1.2 方案設(shè)計 277
12.2 化成箔缺陷檢測 287
12.2.1 工程背景分析 287
12.2.2 數(shù)據(jù)采集 288
12.2.3 實驗方案設(shè)計 289
12.2.4 實驗結(jié)果 290
12.3 變電站開關(guān)識別 292
12.3.1 工程背景分析 292
12.3.2 實驗方案設(shè)計 292
12.3.3 實驗結(jié)果 295
12.4 習題 296

附錄A OpenCV圖像處理常用函數(shù)

附錄B 基于Python的圖像處理常用函數(shù)

慘老文獻