新書推薦：
《
翻篇是一种能力
》
售價：HK$
63.8
《
刘伯温与哪吒城：北京建城的传说
》
售價：HK$
96.8
《
文化的故事：从岩画艺术到韩国流行音乐（译林思想史）哈佛大学教授沉淀之作 获奖不断 全球热销 亲历文化史上的15个关键点 从史前艺术到当代韩流的人类文化全景
》
售價：HK$
85.8
《
不结婚的社会：双亲如何成为特权，以及家庭为何很重要
》
售價：HK$
63.8
《
怎样决定大事
》
售價：HK$
109.9
《
蓝色机器：感受海洋引擎的深沉脉动
》
售價：HK$
96.8
《
美元霸权的兴衰：它将如何影响全球经济、金融市场和我们的财富（梳理美元发展历程，剖析崛起与衰退的根源）
》
售價：HK$
63.8
《
纸上博物馆·文明的崩溃：庞贝+玛雅+美索不达米亚（法国伽利玛原版引进，450+资料图片，16开全彩印刷）
》
售價：HK$
279.4
|
| 編輯推薦： |
|
本书遵循教指委相关指导文件和高等院校学生学习规律编写而成。践行四新理念，融入思政元素，注重理论与实践相结合。
|
| 內容簡介： |
图像处理与机器视觉主要研究如何从图像中进行视觉感知、分析和理解。大数据时代的到来、人工智能算法的进步、硬件技术的发展以及前沿应用的牵引，正推动着图像处理与机器视觉技术的飞速发展。本书从底层视觉中的数字图像处理方法、中层视觉中的图像特征提取与匹配、高层视觉中的立体视觉与图像理解等角度出发，以二维图像分析和三维场景感知为主要目标，阐述了图像处理与机器视觉领域的经典方法与前沿应用。本书共12章，主要内容为：绪论，数字图像处理基础，空域图像处理及应用，频域图像处理及应用，形态学图像处理及应用，彩色图像处理及应用，图像特征检测，图像特征提取与描述，图像特征匹配，视觉系统构建，立体视觉与三维重建，图像分类、检测与分割。本书配有以下教学资源：电子课件、习题参考答案、教学大纲等。同时，为了增强图像处理方法理论与实践的黏合度，本书还引入关于经典算法与典型应用的程序案例。
本书可作为普通高等院校人工智能、智能科学与技术、电子信息、计算机、自动化、物联网、机电一体化、生物工程等专业的本科教材和研究生入门教材，也可供广大从事图像处理与机器视觉工作的工程技术人员参考。
本书配有电子课件等教学资源，欢迎选用本书作教材的教师登录www.cmpedu.com注册后下载，或发邮件至jinacmp@163.com索取。
|
| 目錄：
|
第1章 绪论—图像处理与机器视觉的前世今生 1
引言 1
1.1 技术的起源与发展 1
1.2 背后的理论体系 4
1.3 光谱家族及其应用领域 7
1.3.1 γ射线成像 7
1.3.2 X射线成像 8
1.3.3 紫外线成像 9
1.3.4 可见光成像 10
1.3.5 红外线成像 11
1.3.6 微波成像 11
1.3.7 无线电波成像 12
1.3.8 其他成像方式 13
1.4 狭义的数字图像处理—从图像到图像 13
1.4.1 图像增强 13
1.4.2 图像复原 14
1.4.3 图像去噪 15
1.5 广义的数字图像处理—从图像到理解 16
1.5.1 图像分类 16
1.5.2 目标检测 18
1.5.3 图像分割 20
本章小结 21
参考文献 22
第1篇 底层视觉：数字图像处理方法
第2章 数字图像处理基础—人工智能的敲门砖 24
引言 24
2.1 图像的定义 24
2.2 图像的获取 25
2.3 图像的数字化 26
2.3.1 图像的采样 26
2.3.2 图像的量化 28
2.4 数字图像的表示与属性 29
2.4.1 图像的表示 29
2.4.2 图像的数据类型 31
2.4.3 图像的类型 31
2.5 数字图像中像素的表示与分析 33
2.5.1 相邻像素 33
2.5.2 邻接性、连通性、区域和边界 34
本章小结 35
思考题与习题 35
参考文献 36
第3章 空域图像处理及应用—图像质量的提升 37
引言 37
3.1 基于灰度变换的图像增强 37
3.1.1 线性变换 37
3.1.2 分段线性变换 39
3.1.3 非线性变换 40
3.2 基于直方图处理的图像增强 43
3.2.1 直方图基本概念 43
3.2.2 直方图均衡化 46
3.2.3 直方图规定化 51
3.3 基于空域滤波的图像增强与图像去噪 54
3.3.1 噪声模型 54
3.3.2 相关和卷积 59
3.3.3 线性空间滤波 62
3.3.4 非线性统计排序滤波器 73
3.4 空域图像处理的典型应用 75
3.4.1 基于直方图处理的图像增强 75
3.4.2 基于空域滤波处理的图像平滑与去噪 77
3.4.3 图像去雾 78
3.4.4 图像超分辨率重建 80
本章小结 81
思考题与习题 81
参考文献 83
第4章 频域图像处理及应用—图像增强与图像复原 84
引言 84
4.1 基础知识 84
4.1.1 傅里叶级数与傅里叶变换 84
4.1.2 卷积与卷积定理 87
4.1.3 单位离散冲激信号与冲激序列 87
4.1.4 取样及取样函数的傅里叶变换 88
4.1.5 一维变量的离散傅里叶变换 91
4.1.6 二维变量的离散傅里叶变换 93
4.1.7 二维DFT的性质 95
4.2 基于频域滤波的数字图像处理基本框架 99
4.2.1 频域滤波基础 100
4.2.2 频域滤波步骤 103
4.2.3 空域与频域滤波间的对应关系 103
4.3 低通滤波器 105
4.3.1 理想低通滤波器 106
4.3.2 巴特沃思低通滤波器 108
4.3.3 高斯低通滤波器 110
4.4 高通滤波器 112
4.4.1 理想高通滤波器 112
4.4.2 巴特沃思高通滤波器 113
4.4.3 高斯高通滤波器 114
4.5 带通滤波器与带阻滤波器 116
4.5.1 带通和带阻滤波器 116
4.5.2 陷波滤波器 117
4.6 同态滤波 119
4.7 基于退化函数估计的图像复原 120
4.7.1 线性、位置不变的退化 121
4.7.2 估计退化函数 121
4.7.3 逆滤波 124
4.7.4 维纳滤波 125
4.8 频域图像处理的典型应用 127
4.8.1 基于频域滤波器的图像去噪 127
4.8.2 基于频域滤波的背景抑制与目标检测 129
4.8.3 图像去模糊 131
本章小结 132
思考题与习题 132
参考文献 133
第5章 形态学图像处理及应用—图像目标形状分析的便捷工具 134
引言 134
5.1 预备知识 134
5.1.1 元素和集合 134
5.1.2 反射和平移 136
5.1.3 结构元 136
5.2 腐蚀和膨胀 137
5.2.1 腐蚀操作 138
5.2.2 膨胀操作 139
5.3 开操作与闭操作 141
5.3.1 开操作 141
5.3.2 闭操作 142
5.4 击中变换和击不中变换 143
5.5 灰度级形态学处理 144
5.5.1 灰值腐蚀 145
5.5.2 灰值膨胀 145
5.5.3 灰值开、闭运算 146
5.5.4 顶帽变换与底帽变换 146
5.6 形态学图像处理的典型应用 147
5.6.1 孔洞填充 147
5.6.2 细化 149
5.6.3 骨架提取 149
5.6.4 基于形态学处理的花生计数 150
5.6.5 基于形态学处理的车牌识别 154
本章小结 158
思考题与习题 158
参考文献 159
第6章 彩色图像处理及应用—更加丰富多彩的图像世界 160
引言 160
6.1 彩色图像模型 160
6.1.1 RGB彩色模型 160
6.1.2 HSI彩色模型 162
6.1.3 CMY和CMYK彩色模型 163
6.1.4 彩色模型之间的转换 163
6.2 伪彩色图像处理 165
6.2.1 灰度分层技术 165
6.2.2 灰度到彩色的映射 166
6.3 全彩色图像处理 168
6.3.1 全彩色图像处理基础 168
6.3.2 彩色图像增强 169
6.3.3 彩色图像分割 178
6.4 彩色图像处理的典型应用 181
6.4.1 彩色图像的直方图调整 181
6.4.2 彩色图像的平滑与锐化操作 181
6.4.3 人脸检测 184
6.4.4 交通灯识别 185
本章小结 187
思考题与习题 187
参考文献 188
第２篇 中层视觉：图像特征分析
第７章 图像特征检测—挖掘图像中的重要信息 190
引言 190
7.1 基于阈值处理的像素点检测 190
7.1.1 基础知识 190
7.1.2 基本的全局化阈值处理 192
7.1.3 Otsu阈值化处理 193
7.1.4 局部阈值处理 196
7.2 角点检测 199
7.2.1 孤立点检测 199
7.2.2 Harris角点检测 200
7.3 边缘检测 203
7.3.1 一阶边缘检测模型 203
7.3.2 二阶边缘检测模型 207
7.3.3 基于Hough变换的边缘检测 209
7.4 尺度检测 212
7.4.1 Blob特征检测 212
7.4.2 SIFT特征检测 215
7.5 特征检测的典型应用 217
7.5.1 Harris角点检测示例 217
7.5.2 基于Hough变换的车道线检测 219
本章小结 221
思考题与习题 222
参考文献 222
第8章 图像特征提取与描述—区分图像或目标的关键 223
引言 223
8.1 颜色特征提取 223
8.1.1 颜色直方图 223
8.1.2 颜色集 224
8.1.3 颜色相关图 225
8.1.4 颜色矩 227
8.2 形状特征提取 228
8.2.1 简单形状特征 229
8.2.2 傅里叶描述符 230
8.2.3 形状无关矩 232
8.3 纹理特征提取 233
8.3.1 LBP特征描述子 233
8.3.2 SIFT特征描述子 236
8.3.3 HOG特征描述子 238
8.3.4 SURF特征描述子 240
本章小结 241
思考题与习题 241
参考文献 242
第9章 图像特征匹配—图像间细节信息的关联 243
引言 243
9.1 基础匹配 243
9.1.1 特征匹配的策略 244
9.1.2 特征匹配的评价标准 246
9.1.3 暴力匹配 247
9.1.4 KD-树匹配 248
9.2 RANSAC算法 249
9.2.1 RANSAC算法的基本原理 249
9.2.2 RANSAC算法的优点和局限性 251
9.3 典型应用及相关程序 251
9.3.1 暴力匹配示例 251
9.3.2 KD-树匹配示例 252
9.3.3 基于RANSAC算法的匹配示例 253
本章小结 254
思考题与习题 254
参考文献 255
第3篇 高层视觉：立体视觉与图像理解
第10章 视觉系统构建—三维场景与二维图像的联系 257
引言 257
10.1 视觉成像模型 257
10.1.1 针孔模型 258
10.1.2 薄透镜模型 259
10.1.3 透视投影模型 260
10.2 视觉系统硬件选型 265
10.2.1 视觉系统的硬件构成 266
10.2.2 视觉系统的选型过程 273
10.3 视觉系统标定 275
10.3.1 常用的标定方法 276
10.3.2 张正友标定方法 277
本章小结 281
思考题与习题 281
参考文献 281
第11章 立体视觉与三维重建—将二维图像映射到三维空间 282
引言 282
11.1 立体视觉系统 282
11.1.1 平视双目视觉系统 282
11.1.2 一般立体视觉系统 285
11.1.3 立体视觉系统标定 286
11.2 极线几何与立体匹配 287
11.2.1 极线几何理论 287
11.2.2 立体匹配过程 290
11.3 点云处理基础 297
11.3.1 点云数据表示与结构 297
11.3.2 点云数据预处理 299
11.3.3 点云配准与坐标变换 300
11.4 平视双目视觉系统典型应用 304
本章小结 307
思考题与习题 308
参考文献 308
第12章 图像分类、检测与分割—对真实世界的认知与理解 309
引言 309
12.1 图像分类 309
12.1.1 卷积神经网络 310
12.1.2 深度卷积神经网络（AlexNet） 312
12.1.3 残差网络（ResNet） 314
12.1.4 图像分类算法应用场景举例 316
12.2 目标检测 318
12.2.1 两阶段目标检测算法 318
12.2.2 单阶段目标检测算法 321
12.2.3 目标检测算法应用场景举例 322
12.3 图像分割 326
12.3.1 U-Net模型 329
12.3.2 U-Net++模型 329
12.3.3 图像分割算法应用场景举例 330
本章小结 334
参考文献 335
|
| 內容試閱：
|
当今社会正逐渐向信息化、数字化与智能化转型，尤其是智能化发展已成为国家战略制高点。图像处理与机器视觉作为人工智能的核心技术取得了长足发展，广泛应用于工业、农业、军事、医疗等多个领域。而大数据时代的到来、人工智能算法的进步、硬件技术的发展以及前沿应用的牵引，正推动着图像处理与机器视觉技术逐渐走向巅峰。
首先，大数据时代的到来为图像处理与机器视觉技术的发展提供了必要的支撑，图像数据量呈指数级增长，数据来源涵盖网络社交媒体、医学影像、卫星遥感等不同环境和不同场景；同时，大规模开源图像数据集中包含了大量高质量的人工标签，从这些数据中可以学习到更准确的特征和模式，构建更高效、鲁棒的视觉大模型。大数据时代的数据分析与挖掘技术也可以帮助发现隐藏在海量图像数据中的规律、趋势和特征，从而进行高级的图像理解、目标检测、图像搜索等，为图像处理与机器视觉技术提供更加智能化的支持。
其次，随着以深度学习为代表的人工智能技术的快速发展，图像处理与机器视觉的应用范围得到了显著扩展。早期的图像处理技术主要应用于特定场景或进行简单的图像处理。例如，通过图像增强或复原技术改善图像的质量，或通过人工提取特征的方式完成某些特定应用领域中的任务。如今，在大数据支撑下的人工智能技术迎来了新篇章，例如，以深度学习为代表的人工智能算法已经在图像分类、目标检测等领域接近或超越了人类视觉。未来，通过构建通用视觉模型或者某一个垂直领域的大模型，有望打通不同应用场景间的技术壁垒，实现更准确、更高效的图像分析和处理，并能够有效结合图像、声音、视频、文本等多种跨模态数据。图像处理和机器视觉与其他领域技术的深度交叉，有望构建更全面和复杂的智能系统。
再次，图像处理与机器视觉还受益于硬件技术的快速发展。例如，GPU（图形处理器）和专用的神经网络加速器可以大幅提高视觉任务的计算效率。存储设备（如固态硬盘）的容量大幅增加，也将允许图像处理与机器视觉技术处理更大规模的图像和视频数据。分布式计算能力的提高，使得图像处理与机器视觉技术能够更快、更高效地处理海量的图像数据，并在多个计算节点上并行运算，进而实现更快速、更高效的算法。
最后，在智能交通、智能制造、智慧城市、智慧医疗等诸多前沿应用的牵引下，图像处理与机器视觉技术也取得了长足的进步。以自动驾驶系统为例，图像处理与机器视觉技术的重要性不言而喻，它可以通过分析车载摄像头等视觉传感器获取的图像与视频数据，实时地判断道路状况、路标标识、交通信号灯，以及车辆、行人、自行车等障碍物的位置、尺寸、速度等信息，实现对环境的精准感知与目标识别；同时，根据对周围环境的感知结果，预测其他车辆、行人等目标的运动轨迹与行为特征，帮助车辆实现准确的行为预测和决策功能。图像处理与机器视觉技术为安全、高效的自动驾驶提供了非常重要的基础支持。反过来，自动驾驶任务的高精度、实时性、高可靠性和安全性等要求也推动了图像处理与机器视觉等技术的快速发展。随着技术的不断进步，图像处理与机器视觉技术必将经历更大的革命性变化，将拥有更为广阔的应用前景。
本教材从Marr视觉理论和广义的数字图像处理视角出发，以二维图像分析和三维场景感知为主要目标，对底层视觉中的数字图像处理方法、中层视觉中的图像特征提取与匹配、高层视觉中的立体视觉与图像理解三个层次的内容进行了详细介绍，阐述了图像处理与机器视觉领域的经典方法与前沿应用案例。本教材的编写注重理论与实践相结合，通过丰富的案例和实验，使读者更好地理解和掌握所学知识。此外，本教材还提供了丰富的参考资料和在线资源，以帮助读者深入学习和探索图像处理与机器视觉领域。
本教材可帮助读者学习图像处理与机器视觉的相关知识和应用，适合相关专业的学生、教师、工程师和研究者使用。通过学习本教材，读者将能够更好地理解和应用图像处理与机器视觉技术。本教材在编写过程中得到了学校和出版社的大力支持，同时教材编写小组的各位研究生同学给予作者很大帮助，对此深表感谢。由于本人写作水平有限，书中难免会有诸多不足之处，敬请读者批评指正。
作 者 于河北工业大学
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
