精通Matlab数字图像处理与识别

精通Matlab数字图像处理与识别读书笔记模板01思维导图读书笔记作者介绍内容摘要目录分析精彩摘录目录0305020406思维导图数字图像处理技术内容数字图像处理图像分类图像实现第章基础算法理论滤波区域简介方法综合案例特征关键字分析思维导图内容摘要内容摘要《精通Matlab数字图像处理与识别》将理论知识、科学研究和工程实践有机结合起来，内容涉及数字图像处理和识别技术的方方面面，包括图像的点运算、几何变换、空域和频域滤波、小波变换、图像复原、形态学处理、图像分割以及图像特征提取的相关内容；同时对于机器视觉进行了前导性的探究，重点介绍了两种目前在工程技术领域非常流行的分类技术——人工神经网络（ANN）和支持向量机（SVM），并在人脸识别这样的热点问题中结束本书。读书笔记读书笔记挺不错，逻辑还比较清晰。这本书网上可以找到源码，并且知识点讲解的很不错了，频域变换，小波呀，还是对新人很友好的。目录分析1.1数字图像1.3数字图像处理的预备知识1.2数字图像处理与识别第1章初识数字图像处理与识别1.1数字图像1.1.1什么是数字图像1.1.2数字图像的显示1.1.3数字图像的分类1.1.4数字图像的实质1.1.5数字图像的表示1.1.6图像的空间和灰度级分辨率1.2数字图像处理与识别1.2.1从图像处理到图像识别1.2.2数字图像处理与识别的应用实例1.2.3数字图像处理与识别的基本步骤1.3数字图像处理的预备知识1.3.1邻接性、连通性、区域和边界1.3.2距离度量的几种方法1.3.3基本的图像操作2.1MatlabR2011a简介2.3Matlab的图像转换2.2Matlab图像类型及其存储方式第2章Matlab数字图像处理基础2.5图像的显示2.4读取和写入图像文件第2章Matlab数字图像处理基础2.1MatlabR2011a简介2.1.1Matlab软件环境2.1.2文件操作2.1.3在线帮助的使用2.1.4变量的使用2.1.5矩阵的使用2.1.6细胞数组和结构体2.1.7关系运算与逻辑运算2.1.8常用图像处理数学函数2.1.9Matlab程序流程控制3.1灰度直方图3.2灰度的线性变换3.3灰度对数变换3.4伽玛变换3.5灰度阈值变换12345第3章图像的点运算3.6分段线性变换3.8直方图规定化3.7直方图均衡化第3章图像的点运算3.1灰度直方图3.1.1理论基础3.1.2Matlab实现3.2灰度的线性变换3.2.1理论基础3.2.2Matlab实现3.3灰度对数变换3.3.1理论基础3.3.2Matlab实现3.4伽玛变换3.4.1理论基础3.4.2Matlab实现3.5灰度阈值变换3.5.1理论基础3.5.2Matlab实现3.6分段线性变换3.6.1理论基础3.6.2Matlab实现3.7直方图均衡化3.7.1理论基础3.7.2Matlab实现3.8直方图规定化3.8.1理论基础3.8.2Matlab实现4.1解决几何变换的一般思路4.2图像平移4.3图像镜像4.4图像转置第4章图像的几何变换4.5图像缩放4.6图像旋转4.7插值算法4.8Matlab综合案例——人脸图像配准第4章图像的几何变换4.2图像平移4.2.1图像平移的变换公式4.2.2图像平移的Matlab实现4.3图像镜像4.3.1图像镜像的变换公式4.3.2图像镜像的Matlab实现4.4图像转置4.4.1图像转置的变换公式4.4.2图像转置的Matlab实现4.5图像缩放4.5.1图像缩放的变换公式4.5.2图像缩放的Matlab实现4.6图像旋转4.6.1以原点为中心的图像旋转4.6.2以任意点为中心的图像旋转4.6.3图像旋转的Matlab实现4.7插值算法4.7.1最近邻插值4.7.2双线性插值4.7.3高阶插值4.8Matlab综合案例——人脸图像配准4.8.1什么是图像配准4.8.2人脸图像配准的Matlab实现5.1图像增强基础5.3图像平滑5.2空间域滤波第5章空间域图像增强5.5图像锐化5.4中值滤波第5章空间域图像增强5.1图像增强基础5.1.1为什么要进行图像增强5.1.2图像增强的分类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5.2.3相关和卷积5.2.4滤波操作的Matlab实现5.3图像平滑5.3.1平均模板及其实现5.3.2高斯平滑及其实现5.3.3自适应平滑滤波5.4中值滤波5.4.1性能比较5.4.2一种改进的中值滤波策略5.4.3中值滤波的工作原理5.5图像锐化5.5.1理论基础5.5.2基于一阶导数的图像增强——梯度算子5.5.3基于二阶微分的图像增强——拉普拉斯算子5.5.4基于一阶与二阶导数的锐化算子的比较5.5.5高提升滤波及其实现5.5.6高斯-拉普拉斯变换（LaplacianofaGaussian,LoG）6.1频率域滤波——与空间域滤波殊途同归6.2傅立叶变换基础知识6.3快速傅立叶变换及实现6.4频域滤波基础6.5频域低通滤波器12345第6章频率域图像增强6.6频率域高通滤波器6.8频域滤波器与空域滤波器之间的内在联系6.7Matlab综合案例——利用频域滤波消除周期噪声第6章频率域图像增强6.2傅立叶变换基础知识6.2.1傅立叶级数6.2.2傅立叶变换6.2.3幅度谱、相位谱和功率谱6.2.4傅立叶变换的实质—基的转换6.3快速傅立叶变换及实现6.3.1FFT变换的必要性6.3.2常见的FFT算法6.3.3按时间抽取的基−2FFT算法6.3.4离散反傅立叶变换的快速算法6.3.5N维快速傅立叶变换6.3.6Matlab实现6.4频域滤波基础6.4.1频域滤波与空域滤波的关系6.4.2频域滤波的基本步骤6.4.3频域滤波的Matlab实现6.5频域低通滤波器6.5.1理想低通滤波器及其实现6.5.2高斯低通滤波器及其实现6.6频率域高通滤波器6.6.1高斯高通滤波器及其实现6.6.2频域拉普拉斯滤波器及其实现6.7Matlab综合案例——利用频域滤波消除周期噪声6.7.1频域带阻滤波器6.7.2带阻滤波消除周期噪声7.1多分辨率分析7.2Gabor多分辨率分析7.3常见小波分析7.4高维小波第7章小波变换7.1多分辨率分析7.1.1多分辨率框架7.1.2分解与重构的实现7.1.3图像处理中分解与重构的实现7.3常见小波分析7.3.1Haar小波7.3.2Daubechies小波8.2实用图像复原技术8.1图像复原的一般理论第8章图像复原8.1图像复原的一般理论8.1.1图像复原的基本概念8.1.2图像复原的一般模型8.2实用图像复原技术8.2.1图像复原的数值计算方法8.2.2非线性复原9.1彩色基础9.3全彩色图像处理基础9.2彩色模型第9章彩色图像处理9.1彩色基础9.1.1什么是彩色9.1.2我们眼中的彩色9.1.3三原色9.1.4计算机中的颜色表示9.2彩色模型9.2.1RGB模型9.2.2CMY、CMYK模型9.2.3HSI模型9.2.4HSV模型9.2.5YUV模型9.2.6YIQ模型9.2.7Lab模型简介9.3全彩色图像处理基础9.3.1彩色补偿及其Matlab实现9.3.2彩色平衡及其Matlab实现10.1预备知识10.2二值图像中的基本形态学运算10.3二值图像中的形态学应用10.4灰度图像中的基本形态学运算10.5小结12345第10章形态学图像处理10.2二值图像中的基本形态学运算10.2.1腐蚀及其实现10.2.2膨胀及其实现10.2.3开运算及其实现10.2.4闭运算及其实现10.3二值图像中的形态学应用10.3.1击中与击不中变换及其实现10.3.2边界提取与跟踪及其实现10.3.3区域填充10.3.4连通分量提取及其实现10.3.5细化算法10.3.6像素化算法10.3.7凸壳10.3.8bwmorph函数10.4灰度图像中的基本形态学运算10.4.1灰度膨胀及其实现10.4.2灰度腐蚀及其实现10.4.3灰度开、闭运算及其实现10.4.4顶帽变换（top-hat）及其实现11.1图像分割概述11.2边缘检测11.3霍夫变换11.4阈值分割11.5区域分割11.6基于形态学分水岭算法的图像分割010302040506第11章图像分割11.8小结11.7Matlab综合案例——分水岭算法第11章图像分割11.2边缘检测11.2.1边缘检测概述11.2.2常用的边缘检测算子11.2.3Matlab实现11.3霍夫变换11.3.1直线检测11.3.2曲线检测11.3.3任意形状的检测11.3.4Hough变换直线检测的Matlab实现11.4阈值分割11.4.1阈值分割方法11.4.2Matlab实现11.5区域分割11.5.1区域生长及其实现11.5.2区域分裂与合并及其Matlab实现11.6基于形态学分水岭算法的图像分割11.6.1形态学分水岭算法11.6.2Matlab实现12.1图像特征概述12.2基本统计特征12.3特征降维12.4综合案例——基于PCA的人脸特征抽取12.5局部二进制模式12345第12章特征提取12.1图像特征概述12.1.1什么是图像特征12.1.2图像特征的分类12.1.3特征向量及其几何解释12.1.4特征提取的一般原则12.1.5特征的评价标准12.2基本统计特征12.2.1简单的区域描绘子及其Matlab实现12.2.2直方图及其统计特征12.2.3灰度共现矩阵12.3特征降维12.3.1维度灾难12.3.2特征选择简介12.3.3主成分分析12.3.4快速PCA及其实现12.4综合案例——基于PCA的人脸特征抽取12.4.1数据集简介12.4.2生成样本矩阵12.4.3主成分分析12.4.4主成分脸可视化分析12.4.5基于主分量的人脸重建12.5局部二进制模式12.5.1基本LBP12.5.2圆形邻域的LBPP,R算子12.5.3统一化LBP算子──UniformLBP及其Matlab实现12.5.4MB-LBP及其Matlab实现12.5.5图像分区及其Matlab实现13.1模式识别概述13.3最小距离分类器和模板匹配13.2模式识别方法分类第13章图像识别初步13.1模式识别概述13.1.1模式与模式识别13.1.2图像识别13.1.3关键概念13.1.4识别问题的一般描述13.1.5过度拟合13.1.6模式识别系统结构13.1.7训练/学习方法分类13.2模式识别方法分类13.2.1统计模式识别13.2.2句法模式识别13.2.3小结13.3最小距离分类器和模板匹配13.3.1最小距离分类器及其Matlab实现13.3.2基于相关的模板匹配13.3.3相关匹配的计算效率14.1人工神经网络简介14.2人工神经网络的理论基础14.3神经网络算法的可视化实现14.4Matlab神经网络工具箱第14章人工神经网络14.1人工神经网络简介14.1.1仿生学动机14.1.2人工神经网络的应用实例14.2人工神经网络的理论基础14.2.1训练线性单元的梯度下降算法14.2.2多层人工神经网络14.2.3sigmoid单元14.2.4反向传播（BP，backpropogation）算法14.2.5训练中的问题14.3神经网络算法的可视化实现14.3.1NNTool的主要功能及应用14.3.2神经网络的仿真测试14.4Matlab神经网络工具箱14.4.1网络的创建14.4.2网络初始化14.4.3网络训练14.4.4网络仿真测试14.4.5网络性能分析15.1支持向量机的分类思想15.2支持向量机的理论基础15.3SVM的Matlab实现15.4综合案例——基于PCA和SVM的人脸识别系统15.5SVM在线资源12345第15章支持向量机15.1支持向量机的分类思想15.1.1分类模型的选择15.1.2模型参数的选择15.2支持向量机的理论基础15.2.1线性可分情况下的SVM15.2.2非线性可分情况下的C-SVM15.2.3需要核函数映射情况下的SVM15.2.4推广到多类问题15.3SVM的Matlab实现15.3.1训练──svmtrain15.3.2分类──svmclassif