数字图像处理（基于Python）

第1章图像处理概述 \n
1.1数字图像 \n
1.2数字图像处理 \n
1.2.1什么是数字图像处理 \n
1.2.2数字图像处理的基本特点 \n
1.2.3相关学科与领域 \n
1.3数字图像处理的研究内容 \n
1.3.1数字图像处理的三个层次 \n
1.3.2数字图像处理课程的主要 \n
研究内容 \n
1.3.3数字图像处理中的几种 \n
运算处理 \n
1.4数字图像处理的经典应用 \n
1.4.1天文方面的应用 \n
1.4.2遥感图像应用 \n
1.4.3医学图像应用 \n
1.4.4工业检测方面的应用 \n
1.4.5公安执法方面的应用 \n
1.4.6智能监控方面的应用 \n
1.4.7文体艺术图像应用 \n
1.4.8图像检索 \n
1.4.9办公室自动化图像应用 \n
1.5数字图像处理的发展趋势 \n
练习 \n
第2章图像处理基础知识 \n
2.1图像的数字化 \n
2.1.1图像采样 \n
2.1.2图像量化 \n
2.1.3非均匀采样与量化 \n
2.2数字图像的表示 \n
2.2.1图像的数学表示 \n
2.2.2在计算机中的矩阵表示 \n
2.2.3坐标约定 \n
2.3图像模式及彩色模型 \n
2.3.1图像模式 \n
2.3.2RGB彩色模型 \n
2.3.3HSI彩色模型 \n
2.3.4彩色模型之间的相互转换 \n
2.4图像的灰度分布——直方图 \n
2.5像素点之间的基本关系 \n
2.5.1像素与邻域 \n
2.5.2邻接性、连通性、区域和边界 \n
2.5.3距离度量 \n
2.6图像质量评价 \n
2.6.1主观评价 \n
2.6.2客观评价 \n
2.6.3常用的评价指标 \n
2.7Python的图像处理编程 \n
2.7.1Python图像处理工具包 \n
2.7.2可视化工具包 \n
练习 \n
第3章空域图像增强 \n
3.1图像增强方法 \n
3.2灰度变换 \n
3.2.1线性灰度变换 \n
3.2.2非线性灰度变换 \n
3.3基于直方图的灰度变换 \n
3.3.1直方图均衡化 \n
3.3.2直方图规定化 \n
3.4空域滤波与邻域运算 \n
3.5空域平滑滤波 \n
3.5.1均值滤波 \n
3.5.2高斯滤波 \n
3.5.3阈值邻域平滑滤波 \n
3.5.4中值滤波 \n
3.6空域锐化滤波 \n
3.6.1一阶微分算子 \n
3.6.2二阶微分算子 \n
3.6.3梯度的各向同性 \n
3.7空域滤波与卷积运算 \n
3.7.1空域低通滤波与高通滤波 \n
3.7.2图像滤波边界处理 \n
3.7.3相关运算与卷积运算 \n
练习 \n
第4章频域图像增强 \n
4.1傅里叶变换原理 \n
4.2离散傅里叶变换 \n
4.2.1一维离散傅里叶变换 \n
4.2.2离散傅里叶变换的矩阵向量 \n
表示形式 \n
4.2.3一维离散卷积 \n
4.2.4二维离散傅里叶变换 \n
4.3数字图像的傅里叶变换性质 \n
4.3.1可分离性 \n
4.3.2共轭对称性 \n
4.3.3周期性 \n
4.3.4平移性 \n
4.3.5旋转不变性 \n
4.3.6卷积定理 \n
4.4频域图像平滑 \n
4.4.1理想低通滤波器 \n
4.4.2巴特沃斯低通滤波器 \n
4.4.3高斯低通滤波器 \n
4.5频域图像锐化 \n
4.5.1理想高通滤波器 \n
4.5.2巴特沃斯高通滤波器 \n
4.5.3高斯高通滤波器 \n
4.6空域滤波与频域滤波的关系 \n
练习 \n
第5章图像复原 \n
5.1图像复原与图像增强的关系 \n
5.2噪声模型及去噪方法 \n
5.2.1噪声模型 \n
5.2.2噪声仿真 \n
5.2.3空域滤波去噪方法 \n
5.2.4频域滤波去噪方法 \n
5.3图像退化模型 \n
5.3.1线性移不变退化模型 \n
5.3.2退化函数的估计 \n
5.3.3平面运动模糊退化模型 \n
5.4图像复原算法 \n
5.4.1无约束的图像复原 \n
5.4.2有约束的图像复原 \n
5.5补充数学知识 \n
5.5.1卷积的矩阵向量表示 \n
5.5.2循环矩阵的对角形式 \n
练习 \n
第6章图像的几何变换与 \n
几何校正 \n
6.1基本的坐标变换 \n
6.1.1图像平移 \n
6.1.2镜像变换 \n
6.1.3图像旋转 \n
6.1.4图像缩放 \n
6.2灰度插值运算 \n
6.2.1最近邻插值 \n
6.2.2双线性插值 \n
6.2.3双三次插值 \n
6.3图像几何变换类别 \n
6.3.1刚体变换 \n
6.3.2仿射变换 \n
6.3.3投影变换 \n
6.3.4非线性变换 \n
6.4图像的几何校正 \n
6.4.1图像的几何畸变描述 \n
6.4.2图像几何校正方法 \n
练习 \n
第7章形态学图像处理 \n
7.1形态学基础 \n
7.1.1集合运算 \n
7.1.2结构元素与形态学运算 \n
7.2基本的形态学运算 \n
7.2.1腐蚀运算 \n
7.2.2膨胀运算 \n
7.2.3开运算 \n
7.2.4闭运算 \n
7.3形态学算法 \n
7.3.1边界提取 \n
7.3.2区域填充 \n
7.3.3连通分量提取 \n
7.3.4骨架提取 \n
练习 \n
第8章图像分割 \n
8.1图像分割技术简介 \n
8.2阈值分割 \n
8.2.1直方图阈值法 \n
8.2.2基本全局阈值法 \n
8.2.3最大类间方差法 \n
8.2.4移动平均变阈值法 \n
8.2.5自适应阈值法 \n
8.3边缘检测与连接 \n
8.3.1边缘检测 \n
8.3.2边界连接 \n
8.4区域分割法 \n
8.4.1区域生长法 \n
8.4.2分裂合并法 \n
8.4.3图像水域分割 \n
练习 \n
第9章图像描述与特征提取 \n
9.1灰度描述 \n
9.1.1幅度特征 \n
9.1.2变换系数特征 \n
9.1.3直方图特征 \n
9.2边界描述 \n
9.2.1链码描述 \n
9.2.2傅里叶描述 \n
9.3区域描述 \n
9.3.1几何特征 \n
9.3.2矩 \n
9.4纹理描述 \n
9.4.1矩分析法 \n
9.4.2灰度差分统计法 \n
9.4.3灰度共生矩阵法 \n
9.5常用的特征提取算法 \n
9.6MNIST手写数字识别系统 \n
练习 \n
第10章车牌识别系统 \n
10.1车牌识别系统的主要组成和 \n
工作流程 \n
10.2车牌检测与定位模块 \n
10.2.1边缘检测和数学形态学处理 \n
10.2.2大小形状特征 \n
10.2.3仿射校正 \n
10.2.4颜色特征 \n
10.3车牌字符分割模块 \n
10.3.1字符分割前的预处理 \n
10.3.2水平投影去除上下边界 \n
10.3.3垂直投影字符分割法 \n
10.4车牌识别模块 \n
10.4.1准备数据样本 \n
10.4.2训练模型阶段 \n
10.4.3识别字符阶段 \n
练习 \n
附录图像处理实验指导 \n
（Python版） \n
实验一Python图像处理编程基础 \n
实验二空域图像增强 \n
实验三频域图像增强 \n
实验四图像复原 \n
实验五图像分割 \n
参考文献 \n