扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
数字图像预处理技术及应用 版权信息
- ISBN：9787030687784
- 条形码：9787030687784 ; 978-7-03-068778-4
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>>
数字图像预处理技术及应用 本书特色
本书是作者在多年进行图像去噪、图像增强、图像融合和图像复原等数字图像预处理研究的基础上撰写而成的，系统地论述和分析图像去噪、图像增强、图像融合和图像复原的基础理论与相关技术。
数字图像预处理技术及应用 内容简介
本书是作者在多年进行图像去噪、图像增强、图像融合和图像复原等数字图像预处理研究的基础上撰写而成的，系统地论述和分析图像去噪、图像增强、图像融合和图像复原的基础理论与相关技术。全书共分12章，主要阐述若干种数字图像去噪、增强、融合与复原预处理算法，即基于小波域旋转奇异值分解的图像去噪算法、基于小波域奇异值差值的图像去噪算法、基于分块旋转奇异值分解的图像去噪算法、基于人工鱼群与粒子群优化的图像增强算法、基于突变粒子群优化的图像增强算法、基于亮度小波变换和颜色改善的图像增强算法、基于小波变换方向区域特征的图像融合算法、基于刃边函数和维纳滤波的模糊图像复原算法、基于分块奇异值的图像复原去噪算法、数字图像预处理技术相关应用等。
数字图像预处理技术及应用 目录
目 录
前言
第 1 章 绪论 1
1.1 研究背景及意义 1
1.2 数字图像与数字图像预处理概述 3
1.2.1 数字图像的概念 3
1.2.2 数字图像处理的概念及特点 4
1.2.3 数字图像预处理研究范畴与方法 8
1.3 国内外研究现状 38
1.3.1 图像去噪技术 38
1.3.2 图像增强技术 40
1.3.3 图像融合技术 42
1.3.4 图像复原技术 43
1.4 数字图像预处理技术应用领域 45
1.4.1 航天和航空方面 45
1.4.2 生物医学工程方面 46
1.4.3 工业和工程方面 46
1.4.4 军事公安方面 46
1.4.5 文化艺术方面 46
1.4.6 机器视觉 46
1.4.7 视频和多媒体系统 47
1.4.8 电子商务 47
1.5 本书的课题来源及组织结构 47
1.5.1 本书的课题来源 47
1.5.2 本书主要内容 47
1.6 本章小结 50
第 2 章 基于小波域旋转奇异值分解的图像去噪算法 51
2.1 概述 51
2.2 小波变换和奇异值分解的方向特性 52
2.2.1 小波变换及其方向特性 52
2.2.2 奇异值分解及其方向特性 54
2.3 基于小波域旋转奇异值分解与边缘保留的图像去噪算法62
2.3.1 高频子图奇异值分解滤波 62
2.3.2 去噪重构奇异值个数的确定 63
2.3.3 高频子图像多方向边缘提取 64
2.3.4 算法流程 64
2.3.5 实验仿真 65
2.4 本章小结 72
第 3 章 基于小波域奇异值差值的图像去噪算法 74
3.1 概述 74
3.2 基于小波域奇异值差值建模的图像去噪算法 75
3.2.1 奇异值差值特点 75
3.2.2 算法流程 78
3.2.3 奇异值差值建模 79
3.2.4 确定去噪奇异值 83
3.2.5 实验仿真 83
3.3 本章小结 95
第 4 章 基于分块旋转奇异值分解的图像去噪算法 97
4.1 概述 97
4.2 图像分块旋转 SVD 去噪 98
4.3 基于自适应分块旋转的奇异值分解图像去噪算法 98
4.3.1 自适应分块 SVD 98
4.3.2 去噪重构奇异值个数的确定 100
4.3.3 算法流程 103
4.3.4 实验仿真 103
4.4 本章小结 107
第 5 章 基于人工鱼群与粒子群优化的图像增强算法 108
5.1 概述 108
5.2 图像非线性增强 109
5.3 人工鱼群算法及粒子群优化算法 110
5.3.1 人工鱼群算法 110
5.3.2 粒子群优化算法 115
5.4 基于人工鱼群与粒子群优化混合的图像自适应增强算法 118
5.4.1 人工鱼群及粒子群优化算法各自的缺陷 118
5.4.2 人工鱼群与粒子群优化混合增强算法 119
5.4.3 实验仿真 120
5.5 本章小结 122
第 6 章 基于突变粒子群优化的图像增强算法 123
6.1 概述 123
6.2 基于突变粒子群优化算法的图像自适应增强算法 123
6.2.1 基本粒子群优化算法 123
6.2.2 突变粒子群优化算法 125
6.2.3 算法流程 126
6.2.4 实验仿真 127
6.3 本章小结 128
第 7 章 基于亮度小波变换和颜色改善的图像增强算法 129
7.1 概述 129
7.2 基于亮度小波变换和颜色改善的图像去雾增强方法 129
7.2.1 小波变换图像增强方法 129
7.2.2 图像颜色改善方法 131
7.2.3 算法流程 132
7.2.4 实验仿真 132
7.3 本章小结 134
第 8 章 基于小波变换方向区域特征的图像融合算法 135
8.1 概述 135
8.2 小波变换图像融合缺陷 136
8.2.1 普通的低频空间频率融合缺陷 136
8.2.2 单一的高频能量或梯度融合缺陷 138
8.3 基于小波变换方向区域能量与梯度的图像融合算法 140
8.3.1 低频融合规则 141
8.3.2 高频融合规则 141
8.3.3 实验仿真 143
8.4 本章小结 147
第 9 章 基于刃边函数和维纳滤波的模糊图像复原算法 148
9.1 概述 148
9.2 点扩散函数估计 148
9.3 基于刃边函数和*优窗维纳滤波的运动模糊图像复原算法 155
9.3.1 *优窗维纳滤波 155
9.3.2 点扩散函数的确定 157
9.3.3 算法流程 159
9.3.4 实验仿真 160
9.4 本章小结 163
第 10 章 基于分块奇异值的图像复原去噪算法 164
10.1 概述 164
10.2 基于奇异值分解的点扩散函数估计 165
10.3 基于分块奇异值导数的图像复原去噪算法 167
10.3.1 奇异值重构阶数选取 168
10.3.2 实验仿真 168
10.4 本章小结 171
第 11 章 数字图像预处理技术的应用 173
11.1 基于小波变换和改进的奇异值分解的人脸识别技术 174
11.1.1 概述 174
11.1.2 具体方法 175
11.1.3 仿真实验 189
11.1.4 小结 196
11.2 基于小波变换及形态学重构的 SAR 图像边缘检测算法 196
11.2.1 概述 196
11.2.2 具体方法 197
11.2.3 仿真实验 199
11.2.4 小结 200
11.3 基于饱和度和区域一致性的静态水上物体分割算法 200
11.3.1 概述 200
11.3.2 具体方法 201
11.3.3 仿真分析 204
11.3.4 小结 204
11.4 基于灰度共生矩阵和小波纹理的 SAR 水面图像分割算法 205
11.4.1 概述 205
11.4.2 纹理特征提取 205
11.4.3 无监督分割算法 207
11.4.4 仿真实验及结果分析 208
11.4.5 小结 209
11.5 基于城市 GCP 模板的遥感图像几何校正研究算法 209
11.5.1 概述 209
11.5.2 遥感图像几何失真的原因 210
11.5.3 原始影像的校正方法 210
11.5.4 地面控制点模板 212
11.5.5 本节算法与实验结果 212
11.5.6 小结 214
11.6 本章小结 215
第 12 章 总结与展望 216
12.1 本书总结 216
12.2 研究展望 217
参考文献 219
彩图
前言
第 1 章 绪论 1
1.1 研究背景及意义 1
1.2 数字图像与数字图像预处理概述 3
1.2.1 数字图像的概念 3
1.2.2 数字图像处理的概念及特点 4
1.2.3 数字图像预处理研究范畴与方法 8
1.3 国内外研究现状 38
1.3.1 图像去噪技术 38
1.3.2 图像增强技术 40
1.3.3 图像融合技术 42
1.3.4 图像复原技术 43
1.4 数字图像预处理技术应用领域 45
1.4.1 航天和航空方面 45
1.4.2 生物医学工程方面 46
1.4.3 工业和工程方面 46
1.4.4 军事公安方面 46
1.4.5 文化艺术方面 46
1.4.6 机器视觉 46
1.4.7 视频和多媒体系统 47
1.4.8 电子商务 47
1.5 本书的课题来源及组织结构 47
1.5.1 本书的课题来源 47
1.5.2 本书主要内容 47
1.6 本章小结 50
第 2 章 基于小波域旋转奇异值分解的图像去噪算法 51
2.1 概述 51
2.2 小波变换和奇异值分解的方向特性 52
2.2.1 小波变换及其方向特性 52
2.2.2 奇异值分解及其方向特性 54
2.3 基于小波域旋转奇异值分解与边缘保留的图像去噪算法62
2.3.1 高频子图奇异值分解滤波 62
2.3.2 去噪重构奇异值个数的确定 63
2.3.3 高频子图像多方向边缘提取 64
2.3.4 算法流程 64
2.3.5 实验仿真 65
2.4 本章小结 72
第 3 章 基于小波域奇异值差值的图像去噪算法 74
3.1 概述 74
3.2 基于小波域奇异值差值建模的图像去噪算法 75
3.2.1 奇异值差值特点 75
3.2.2 算法流程 78
3.2.3 奇异值差值建模 79
3.2.4 确定去噪奇异值 83
3.2.5 实验仿真 83
3.3 本章小结 95
第 4 章 基于分块旋转奇异值分解的图像去噪算法 97
4.1 概述 97
4.2 图像分块旋转 SVD 去噪 98
4.3 基于自适应分块旋转的奇异值分解图像去噪算法 98
4.3.1 自适应分块 SVD 98
4.3.2 去噪重构奇异值个数的确定 100
4.3.3 算法流程 103
4.3.4 实验仿真 103
4.4 本章小结 107
第 5 章 基于人工鱼群与粒子群优化的图像增强算法 108
5.1 概述 108
5.2 图像非线性增强 109
5.3 人工鱼群算法及粒子群优化算法 110
5.3.1 人工鱼群算法 110
5.3.2 粒子群优化算法 115
5.4 基于人工鱼群与粒子群优化混合的图像自适应增强算法 118
5.4.1 人工鱼群及粒子群优化算法各自的缺陷 118
5.4.2 人工鱼群与粒子群优化混合增强算法 119
5.4.3 实验仿真 120
5.5 本章小结 122
第 6 章 基于突变粒子群优化的图像增强算法 123
6.1 概述 123
6.2 基于突变粒子群优化算法的图像自适应增强算法 123
6.2.1 基本粒子群优化算法 123
6.2.2 突变粒子群优化算法 125
6.2.3 算法流程 126
6.2.4 实验仿真 127
6.3 本章小结 128
第 7 章 基于亮度小波变换和颜色改善的图像增强算法 129
7.1 概述 129
7.2 基于亮度小波变换和颜色改善的图像去雾增强方法 129
7.2.1 小波变换图像增强方法 129
7.2.2 图像颜色改善方法 131
7.2.3 算法流程 132
7.2.4 实验仿真 132
7.3 本章小结 134
第 8 章 基于小波变换方向区域特征的图像融合算法 135
8.1 概述 135
8.2 小波变换图像融合缺陷 136
8.2.1 普通的低频空间频率融合缺陷 136
8.2.2 单一的高频能量或梯度融合缺陷 138
8.3 基于小波变换方向区域能量与梯度的图像融合算法 140
8.3.1 低频融合规则 141
8.3.2 高频融合规则 141
8.3.3 实验仿真 143
8.4 本章小结 147
第 9 章 基于刃边函数和维纳滤波的模糊图像复原算法 148
9.1 概述 148
9.2 点扩散函数估计 148
9.3 基于刃边函数和*优窗维纳滤波的运动模糊图像复原算法 155
9.3.1 *优窗维纳滤波 155
9.3.2 点扩散函数的确定 157
9.3.3 算法流程 159
9.3.4 实验仿真 160
9.4 本章小结 163
第 10 章 基于分块奇异值的图像复原去噪算法 164
10.1 概述 164
10.2 基于奇异值分解的点扩散函数估计 165
10.3 基于分块奇异值导数的图像复原去噪算法 167
10.3.1 奇异值重构阶数选取 168
10.3.2 实验仿真 168
10.4 本章小结 171
第 11 章 数字图像预处理技术的应用 173
11.1 基于小波变换和改进的奇异值分解的人脸识别技术 174
11.1.1 概述 174
11.1.2 具体方法 175
11.1.3 仿真实验 189
11.1.4 小结 196
11.2 基于小波变换及形态学重构的 SAR 图像边缘检测算法 196
11.2.1 概述 196
11.2.2 具体方法 197
11.2.3 仿真实验 199
11.2.4 小结 200
11.3 基于饱和度和区域一致性的静态水上物体分割算法 200
11.3.1 概述 200
11.3.2 具体方法 201
11.3.3 仿真分析 204
11.3.4 小结 204
11.4 基于灰度共生矩阵和小波纹理的 SAR 水面图像分割算法 205
11.4.1 概述 205
11.4.2 纹理特征提取 205
11.4.3 无监督分割算法 207
11.4.4 仿真实验及结果分析 208
11.4.5 小结 209
11.5 基于城市 GCP 模板的遥感图像几何校正研究算法 209
11.5.1 概述 209
11.5.2 遥感图像几何失真的原因 210
11.5.3 原始影像的校正方法 210
11.5.4 地面控制点模板 212
11.5.5 本节算法与实验结果 212
11.5.6 小结 214
11.6 本章小结 215
第 12 章 总结与展望 216
12.1 本书总结 216
12.2 研究展望 217
参考文献 219
彩图
展开全部
数字图像预处理技术及应用 节选
第 1 章 绪 论 1.1 研究背景及意义 人类是通过感觉器官从客观世界获取信息的，视觉是人类**级别的感知，图像是物体透射或反射的光信息，通过人的视觉系统接收后，在大脑中形成的印象或认识，是自然景物的客观反映。一般来说，凡是能被人类视觉系统所感知的有形信息，或人们心中的有形想象都统称为图像。图像作为一种有效的信息载体，是人类获取和交换信息的主要来源。据统计，人类感知的外界信息，75%以上是通过视觉得到的。视觉信息的特点是信息量大、传播速度快、作用距离短、有心理和生理作用，加上大脑的思维和联想，具有很强的判断能力。此外，人的视觉十分完善，人眼灵敏度高、鉴别能力强，不仅可以辨别景物，还能辨别人的情绪。因此，图像信息对人类来说是十分重要的，有用的、有效的图像信息是图像处理技术发展的源泉。 目前数字图像处理技术已经成为信息科学、计算机科学、工程科学、地球科学等诸多领域研究图像的有效工具。数字图像处理(digital image processing)，就是通过某些数学运算对图像信息进行加工和处理，以满足人的视觉心理和实际应用需求[1]。一般使用计算机处理或实时的硬件处理，因此也称为计算机图像处理(computer image processing)。相较于模拟图像处理，其特点是处理精度高，处理内容丰富，可进行复杂的非线性处理，有灵活的变通能力，一般来说只要改变软件就可以改变处理内容。其缺点是处理速度较慢，尤其是进行复杂的算法处理时，实时性俨然成为瓶颈问题。 一般来讲，对数字图像进行计算机处理(或加工、分析)的主要目的有三个方面。 (1)提高图像的视感质量，如进行图像的亮度、彩色变换，增强、抑制某些成分，对图像进行几何变换等，以改善图像的质量。 (2)提取图像中所包含的某些特征或特殊信息，这些被提取的特征或信息往往为计算机分析图像提供便利。提取的特征可以包括很多方面，如频域特征、灰度或颜色特征、边界特征、区域特征、纹理特征、形状特征、拓扑特征和关系结构等。 (3)进行图像数据的变换、编码和压缩，以便于图像的存储和传输。 早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的，如图像噪声去除、图像对比度增强、多幅图像融合、图像模糊复原等处理，这些处理通常对后续的特征提取、目标识别等处理有重要的影响，因此也称为图像预处理。 与声音信号类似，图像信号在获取和传输过程中，由于环境条件恶劣和传感器元器件自身质量老化等因素，不可避免地会受到各种噪声的污染；另外，在采集图像过程中光照环境或物体表面反光等原因造成图像整体光照不均，或是图像显示设备的局限性造成图像显示层次感降低或颜色减少等；还有，由于传感器自身物理特性、成像机理和观察视角等因素的限制，单一的图像传感器往往不能够从场景中获取足够的信息，甚至无法独立完成对一幅场景的全面描述；同时，在上述图像形成和传输过程中，由于成像系统、传输系统和设备不完善，图像质量会有退化和失真，如成像系统的散焦、设备与物体间存在相对运动或者器材的固有缺陷、大气湍流影响等，就会使图像有畸变。这些现象分别需要进行图像去噪、图像增强、图像融合和图像复原处理工作，这些处理是对图像的低层次处理，处于图像处理的预处理阶段。但它却是图像处理的一个重要环节，在整个图像处理过程中起着承前启后的重要作用，对图像高层次处理的成败至关重要。它们的共同目的都是改善图像的质量和视觉效果，以便从图像中获取更加有用的信息，才能更快、更准确地进行后续的图像处理，如边缘检测、图像分割、特征提取、模式识别等环节。因此，图像去噪、增强、融合与复原处理是数字图像处理非常重要的研究分支。 通过图像去噪处理，可以对图像中出现的噪声进行*大限度的抑制、衰减以及去除不需要的信息，降低噪声对原始图像的干扰程度，使有用的信息得到加强，并且增强视觉效果，提高图像质量，使图像更加清晰化，从而有利于更高层次的目标区分或对象解释，它是图像预处理必经的一个环节。 通过图像增强处理，可以突出图像中感兴趣的部分，减弱或去除不需要的信息，如对比度增强、光照均匀化、去除薄云薄雾等。这样使有用信息得到加强，从而得到一种更加实用的图像或者转换成一种更适合人或机器进行分析处理的图像，有利于对后期图像中的目标进行识别、跟踪和理解。 通过图像融合处理，利用多个传感器提供的冗余信息和互补信息，使融合后的图像包含更为全面、丰富的信息，使其更符合人或机器的视觉特性、更有利于对图像的进一步分析处理以及自动目标识别。 通过图像复原处理，根据估计相应的退化模型和知识重建或恢复原始的图像，还原图像的本真，从而改善图像的清晰度和分辨率。 1.2 数字图像与数字图像预处理概述 1.2.1 数字图像的概念 图像是对客观对象的一种相似的、生动的描述或表示。图像的种类很多，属性及分类方法也很多。从不同的视角看图像，其分类方法也不同。 1)按人眼的视觉特点分类 按人眼的视觉特点，可将图像分为可见图像和不可见图像。其中，可见图像又包括生成图像(通常称为图形或图片，如图 1.1 所示)和光图像(图 1.2)两类。图形侧重于根据给定的物体描述模型、光照及想象中的摄像机的成像几何，生成一幅图像的过程。光图像侧重于用透镜、光栅和全息技术产生图像。我们通常所指的图像是后一类图像。不可见图像包含不可见光(如 X 射线、红外线、紫外线、超声、磁共振等)成像和不可见量成像，如温度、压力人口密度的分布图等。 2)按波段分类 按波段，可将图像分为单波段、多波段和超波段图像。单波段图像在每个像素点只有一个亮度值；多波段图像上的每一个像素点具有不止一个亮度值，例如，红、绿、蓝三波段光图像或彩色图像在每个像素具有红、绿、蓝三个亮度值，这三个值表示在不同光波段上的强度，人眼看来就是不同的颜色；超波段图像上每个像素点具有几十或几百个亮度值，如遥感图像等。 3)按空间坐标和明暗程度的连续性分类 按空间坐标和明暗程度的连续性，可将图像分为模拟图像和数字图像。模拟图像的空间坐标和明暗程度都是连续变化的，计算机无法直接处理。数字图像是指其空间坐标和灰度均不连续、离散的图像，这样的图像才能被计算机处理。因此，数字图像可以理解为图像的数字表示，是时间和空间的非连续函数(信号)，是由一系列离散单元经过量化后形成的灰度值的集合，即像素的集合。数字图像定义为一个二维函数 f(x， y) ，其中， x 和 y 是空间(平面)坐标，而任意一对空间坐标 (x， y) 处的幅值 f 称为图像在该点处的强度或灰度，其中，x， y 和灰度值 f 是有限的离散数值[2]。 1.2.2 数字图像处理的概念及特点 数字图像处理，就是利用计算机对数字图像进行的一系列操作，从而获得某种预期结果的技术。数字图像处理的内容相当丰富，包括狭义的图像处理、图像分析(识别)与图像理解。 狭义的图像处理着重强调在图像之间进行的变换，如图 1.3 所示，它是一个从图像到图像的过程，属于底层的操作。它主要在像素级进行处理，处理的数据量非常大。虽然人们常用图像处理泛指各种图像技术，但狭义的图像处理主要指对图像进行各种加工，以改善图像的视觉效果，并为自动识别打基础，或对图像进行压缩编码，以减少所需存储空间或传输时间。它以人为*终的信息接收者，主要目的是改善图像的质量。主要研究内容包括图像变换，编码压缩，图像去噪、增强和复原、分割等。
书友推荐
- >
月亮虎
月亮虎
¥14.4¥48.0 - >
名家带你读鲁迅:朝花夕拾
名家带你读鲁迅:朝花夕拾
¥10.5¥21.0 - >
苦雨斋序跋文-周作人自编集
苦雨斋序跋文-周作人自编集
¥6.9¥16.0 - >
诗经-先民的歌唱
诗经-先民的歌唱
¥13.5¥39.8 - >
朝闻道
朝闻道
¥8.8¥23.8 - >
推拿
推拿
¥12.2¥32.0 - >
山海经
山海经
¥17.7¥68.0 - >
李白与唐代文化
李白与唐代文化
¥8.9¥29.8
本类畅销
-
抖音短视频全面精通:拍摄剪辑＋滤镜美化＋字幕特效＋录音配乐＋直播运营
¥56.9¥79.8 -
图画-信息图表设计与制作专业教程
¥29.3¥39 -
CG造型基础与创作·入门篇
¥82.6¥118 -
影视动画场景设计与表现
¥27.3¥39 -
图像拟态融合理论、模型和应用
¥116.9¥148 -
4.23文创礼盒A款--“作家言我精神状态”
¥42.3¥206
