《数字图像处理与机器视觉：Visual C++与Matlab实现》将理论知识、科学研究和工程实践有机结合起来，介绍了数字图像处理和识别技术的方方面面，内容包括图像的点运算、几何变换、空域和频域滤波、图像复原、形态学处理、图像分割以及图像特征提取。《数字图像处理与机器视觉：Visual C++与Matlab实现》还对于机器视觉进行了前导性的探究，重点介绍了两种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)，并在配套给出的识别案例中直击光学字符识别(OCR)和人脸识别两大热点问题。
　　全书结构紧凑，内容深入浅出，讲解图文并茂，适合于计算机、通信和自动化等相关专业的本科生、研究生以及工作在图像处理和识别领域一线的广大工程技术人员阅读。

　　图像的空间和灰度级分辨率
　　1.图像的空间分辨率（SpatialResolution）图像的空间分辨率是指图像中每单位长度所包含的像素或点的数目，常以像素／英寸（pixelsperinch，ppi）为单位来表示。如72ppi表示图像中每英寸包含72个像素或点。分辨率越高，图像越清晰，图像文件所需的磁盘空间也越大，编辑和处理所需的时间也越长。
　　像素越小，单位长度所包含的像素数据就越多，分辨率也就越高，但同样物理大小范围内所对应图像的尺寸也会越大，存储图像所需要的字节数也越多，因而，在图像的放大缩小算法中，放大是对图像的过采样，缩小则是对图像的欠采样，这些内容会在“4.5节图像缩放”中进一步介绍。
　　通常在没有必要对涉及像素的物理分辨率进行实际度量时，通常会称一幅大小为MXN的数字图像的空间分辨率为MXN像素。
　　图0.3给出了同一幅图像在不同的空间分辨率下呈现出的不同效果。当高分辨率下的图像以低分辨率表示时，在同等的显示或打印输出条件下，图像的尺寸会变小，细节变得不明显；当将低分辨率下的图像放大时，则会导致图像的细节仍然模糊，只是尺寸变大。这是因为缩小的图像已经丢失了大量的信息，在放大图像时只能通过复制行列的插值方法来确定新增像素的取值。

第0章　数字图像处理概述　1
0.1　数字图像　1
0.1.1　什么是数字图像　1
0.1.2　数字图像的显示　1
0.1.3　数字图像的分类　2
0.1.4　数字图像的实质　3
0.1.5　数字图像的表示　4
0.1.6　图像的空间和灰度级分辨率　5
0.2　数字图像处理与识别　6
0.2.1　从图像处理到图像识别　6
0.2.2　什么是机器视觉　8
0.2.3　数字图像处理和识别的应用实例　8
0.3　数字图像处理的预备知识　8
0.3.1　邻接性、连通性、区域和边界　8
0.3.2　距离度量的几种方法　10
0.3.3　基本的图像操作　10

第1章　MATLAB图像处理编程基础　12
1.1　Matlab操作简介　12
1.1.1　Matlab软件环境　12
1.1.2　文件操作　13
1.1.3　在线帮助的使用　14
1.1.4　变量的使用　16
1.1.5　矩阵的使用　18
1.1.6　细胞数组(Cell Array)和结构体(Structure)　21
1.1.7　关系运算与逻辑运算　22
1.1.8　常用图像处理数学函数　22
1.1.9　Matlab程序流程控制　23
1.1.10　M文件编写　27
1.1.11　Matlab函数编写　28
1.2　Matlab图像类型及其存储方式　29
1.3　Matlab的图像转换　33
1.4　读取和写入图像文件　35
1.5　图像的显示　37

第2章　Visual C++图像处理编程基础　39
2.1　位图文件及其C++操作　39
2.1.1　设备无关位图　39
2.1.2　BMP图像文件数据结构　39
2.2　认识CImg类　42
2.2.1　主要成员函数列表　42
2.2.2　公有成员　43
2.3　CImg类基础操作　44
2.3.1　加载和写入图像　44
2.3.2　获得图像基本信息　47
2.3.3　检验有效性　48
2.3.4　按像素操作　49
2.3.5　改变图像大小　50
2.3.6　重载的运算符　51
2.3.7　在屏幕上绘制位图图像　51
2.3.8　新建图像　52
2.3.9　图像类型的判断与转化　54
2.4　DIPDemo工程　55
2.4.1　DIPDemo主界面　55
2.4.2　图像操作和处理类——CImg和CImgProcess　56
2.4.3　文档类——CDIPDemoDoc　57
2.4.4　视图类——CDIPDemoView　58
2.5　CImg应用示例　58
2.5.1　打开图像　58
2.5.2　清空图像　60
2.5.3　像素初始化方法　61
2.5.4　保存图像　61

第3章　图像的点运算　63
3.1　灰度直方图　63
3.1.1　理论基础　63
3.1.2　Matlab实现　64
3.1.3　Visual C++实现　67
3.2　灰度的线性变换　69
3.2.1　理论基础　69
3.2.2　Matlab实现　70
3.2.3　Visual C++实现　72
3.3　灰度对数变换　73
3.3.1　理论基础　74
3.3.2　Matlab实现　74
3.3.3　Visual C++实现　75
3.4　伽玛变换　76
3.4.1　理论基础　76
3.4.2　Matlab实现　77
3.4.3　Visual C++实现　79
3.5　灰度阈值变换　80
3.5.1　理论基础　80
3.5.2　Matlab实现　81
3.5.3　Visual C++实现　82
3.6　分段线性变换　83
3.6.1　理论基础　83
3.6.2　Matlab实现　84
3.6.3　Visual C++实现　88
3.7　直方图均衡化　90
3.7.1　理论基础　90
3.7.2　Matlab实现　91
3.7.3　Visual C++实现　93
3.8　直方图规定化(匹配)　94
3.8.1　理论基础　95
3.8.2　Matlab实现　95
3.8.3　Visual C++实现　97

第4章　图像的几何变换　101
4.1　解决几何变换的一般思路　101
4.2　图像平移　103
4.2.1　图像平移的变换公式　103
4.2.2　图像平移的实现　104
4.3　图像镜像　106
4.3.1　图像镜像的变换公式　106
4.3.2　图像镜像的实现　106
4.4　图像转置　109
4.4.1　图像转置的变换公式　110
4.4.2　图像转置的实现　110
4.5　图像缩放　111
4.5.1　图像缩放的变换公式　112
4.5.2　图像缩放的实现　112
4.6　图像旋转　114
4.6.1　以原点为中心的图像旋转　114
4.6.2　以任意点为中心的图像旋转　115
4.6.3　图像旋转的实现　116
4.7　插值算法　118
4.7.1　最近邻插值　118
4.7.2　双线性插值及其Visual C++实现　119
4.7.3　高阶插值　121
4.8　图像配准　124
4.8.1　什么是图像配准　124
4.8.2　人脸图像配准的Matlab实现　124
4.9　Visual C++实用案例——汽车牌照的投影失真校正　128
4.9.1　系统分析与设计　129
4.9.2　系统实现　130
4.9.3　功能测试　136

第5章　空间域图像增强　140
5.1　图像增强基础　140
5.1.1　为什么要进行图像增强　140
5.1.2　图像增强的分类　140
5.2　空间域滤波　141
5.2.1　空间域滤波和邻域处理　141
5.2.2　边界处理　142
5.2.3　相关和卷积　143
5.2.4　滤波操作的Matlab实现　143
5.2.5　滤波操作的Visual C++实现　146
5.3　图像平滑　148
5.3.1　平均模板及其实现　148
5.3.2　高斯平滑及其实现　151
5.3.3　通用平滑滤波的Visual C++实现　154
5.3.4　自适应平滑滤波　156
5.4　中值滤波　156
5.4.1　性能比较　156
5.4.2　一种改进的中值滤波策略　161
5.4.3　中值滤波的工作原理　162
5.5　图像锐化　162
5.5.1　理论基础　162
5.5.2　基于一阶导数的图像增强——梯度算子　163
5.5.3　基于二阶微分的图像增强——拉普拉斯算子　167
5.5.4　基于一阶与二阶导数的锐化算子的比较　169
5.5.5　高提升滤波及其实现　171
5.5.6　高斯-拉普拉斯变换(Laplacian of a Gaussian， LoG)　175

第6章　频率域图像增强　178
6.1　频率域滤波——与空间域滤波殊途同归　178
6.2　傅立叶变换基础知识　178
6.2.1　傅立叶级数　179
6.2.2　傅立叶变换　181
6.2.3　幅度谱、相位谱和功率谱　183
6.2.4　傅立叶变换的实质——基的转换　185
6.3　快速傅立叶变换(Fast Fourier Transform，FFT)及实现　187
6.3.1　FFT变换的必要性　187
6.3.2　常见的FFT算法　188
6.3.3　按时间抽取的基-2 FFT算法　188
6.3.4　离散反傅立叶变换的快速算法(IFFT)　192
6.3.5　N维快速傅里叶变换(FFTN)　192
6.3.6　Matlab实现　192
6.3.7　Visual C++实现　198
6.4　频域滤波基础　206
6.4.1　频域滤波与空域滤波的关系　206
6.4.2　频域滤波的基本步骤　206
6.4.3　频域滤波的Matlab实现　207
6.4.4　频域滤波的Visual C++实现　208
6.5　频域低通滤波器　210
6.5.1　理想低通滤波器及其实现　210
6.5.2　高斯低通滤波器及其实现　215
6.6　频率域高通滤波器　220
6.6.1　高斯高通滤波器及其实现　220
6.6.2　频域拉普拉斯滤波器及其实现　224
6.7　Matlab综合案例——利用频域滤波消除周期噪声　227
6.7.1　频域带阻滤波器　227
6.7.2　带阻滤波消除周期噪声　229
6.8　频域滤波器与空域滤波器之间的内在联系　232

第7章　彩色图像处理　233
7.1　彩色基础　233
7.1.1　什么是彩色　233
7.1.2　我们眼中的彩色　234
7.1.3　三原色　234
7.1.4　计算机中的颜色表示　235
7.2　彩色模型　236
7.2.1　RGB模型　236
7.2.2　CMY、CMYK模型　238
7.2.3　HSI模型　241
7.2.4　HSV模型　249
7.2.5　YUV模型　254
7.2.6　YIQ模型　260
7.2.7　Lab模型简介　264
7.3　全彩色图像处理基础　264
7.3.1　彩色补偿及其Matlab实现　265
7.3.2　彩色平衡及其Matlab实现　267

第8章　形态学图像处理　270
8.1　预备知识　270
8.2　二值图像中的基本形态学运算　272
8.2.1　腐蚀及其实现　273
8.2.2　膨胀及其实现　280
8.2.3　开运算及其实现　284
8.2.4　闭运算及其实现　287
8.3　二值图像中的形态学应用　289
8.3.1　击中与击不中变换及其实现　289
8.3.2　边界提取与跟踪及其实现　291
8.3.3　区域填充及其Visual C++实现　296
8.3.4　连通分量提取及其实现　299
8.3.5　细化算法及其Visual C++实现　305
8.3.6　像素化算法及其Visual C++实现　310
8.3.7　凸壳及其Visual C++实现　316
8.3.8　bwmorph函数　319
8.4　灰度图像中的基本形态学运算　320
8.4.1　灰度膨胀及其实现　320
8.4.2　灰度腐蚀及其实现　324
8.4.3　灰度开、闭运算及其实现　328
8.4.4　顶帽变换(top-hat)及其实现　331
8.5　小结　334

第9章　图像分割　335
9.1　图像分割概述　335
9.2　边缘检测　336
9.2.1　边缘检测概述　336
9.2.2　常用的边缘检测算子　337
9.2.3　Matlab实现　340
9.2.4　Visual C++实现　343
9.3　霍夫变换　350
9.3.1　直线检测　350
9.3.2　曲线检测　352
9.3.3　任意形状的检测　353
9.3.4　Hough变换直线检测的Matlab实现　354
9.3.5　Hough变换直线检测的Visual C++实现　357
9.4　阈值分割　361
9.4.1　阈值分割方法　361
9.4.2　Matlab实现　364
9.4.3　Visual C++实现　366
9.5　区域分割　368
9.5.1　区域生长及其实现　368
9.5.2　区域分裂与合并及其Matlab实现　373
9.6　小结　378

第10章　特征提取　379
10.1　图像特征概述　379
10.1.1　什么是图像特征　379
10.1.2　图像特征的分类　379
10.1.3　特征向量及其几何解释　379
10.1.4　特征提取的一般原则　380
10.1.5　特征的评价标准　381
10.2　基本统计特征　381
10.2.1　简单的区域描绘子及其Matlab实现　381
10.2.2　直方图及其统计特征　383
10.2.3　灰度共现矩阵及其Visual C++实现　385
10.3　特征降维　388
10.3.1　维度灾难　388
10.3.2　特征选择简介　389
10.3.3　主成份分析(Principal Component Analysis，PCA)　390
10.3.4　快速PCA及其实现　397
10.4　综合案例——基于PCA的人脸特征抽取　399
10.4.1　数据集简介　399
10.4.2　生成样本矩阵　400
10.4.3　主成份分析　401
10.4.4　主成份脸可视化分析　402
10.4.5　基于主分量的人脸重建　404
10.5　局部二进制模式　406
10.5.1　基本LBP　406
10.5.2　圆形邻域的LBPP，R算子　407
10.5.3　统一化LBP算子——Uniform LBP及其Matlab实现　407
10.5.4　MB-LBP及其Matlab实现　411
10.5.5　图像分区及其Matlab实现　417

第11章　图像识别初步　421
11.1　模式识别概述　421
11.1.1　模式与模式识别　421
11.1.2　图像识别　422
11.1.3　关键概念　422
11.1.4　识别问题的一般描述　423
11.1.5　过度拟合(Overfit)　424
11.1.6　模式识别系统结构　425
11.1.7　训练/学习方法分类　425
11.2　模式识别方法分类　426
11.2.1　统计模式识别　426
11.2.2　句法模式识别　426
11.2.3　小结　427
11.3　最小距离分类器和模板匹配　428
11.3.1　最小距离分类器及其Matlab实现　428
11.3.2　基于相关的模板匹配　430
11.3.3　相关匹配的计算效率　436

第12章　人工神经网络　438
12.1　人工神经网络简介　438
12.1.1　仿生学动机　438
12.1.2　人工神经网络的应用实例　440
12.2　人工神经网络的理论基础　441
12.2.1　训练线性单元的梯度下降算法　441
12.2.2　多层人工神经网络　447
12.2.3　sigmoid单元　448
12.2.4　反向传播(BP，Back Propogation)算法　450
12.2.5　训练中的问题　453
12.3　基于ANN的数字字符识别系统DigitRec——分析与设计　454
12.3.1 任务描述　454
12.3.2　数据集简介　455
12.3.3　设计要点　455
12.4　基于ANN的数字字符识别系统DigitRec——实现　457
12.4.1　构建神经元结构——SNeuron　457
12.4.2　构建神经网络网络层——SNeuronLayer　459
12.4.3　神经网络信息头——NEURALNET_HEADER　460
12.4.4　神经网络类——CNeuralNet　460
12.4.5　神经网络的训练数据类——CNeural Data　473
12.4.6　误差跟踪类——CValueTrack　478
12.4.7　训练对话框类——CTrainDlg　481
12.4.8　测试对话框类——CTestDlg　484
12.5　基于ANN的数字字符识别系统DigitRec——测试　487
12.5.1　训练　488
12.5.2　测试　489
12.6　改进的DigitRec　490
12.6.1　数字字符图像的预处理类——COCRImage Process　490
12.6.2　输入图像的预处理——实现　491
12.6.3　输入图像的预处理——测试　504
12.7　神经网络参数对训练和识别的影响　506
12.7.1　隐藏层单元数目的影响　506
12.7.2　学习率的影响　508
12.7.3　训练时代数目的影响　508

第13章　支持向量机　511
13.1　支持向量机的分类思想　511
13.1.1　分类模型的选择　511
13.1.2　模型参数的选择　512
13.2　支持向量机的理论基础　512
13.2.1　线性可分情况下的SVM　512
13.2.2　非线性可分情况下的C-SVM　516
13.2.3　需要核函数映射情况下的SVM　518
13.2.4　推广到多类问题　521
13.3　SVM的Matlab实现　523
13.3.1　训练——svmtrain　523
13.3.2　分类——svmclassify　525
13.3.3　应用实例　526
13.4　综合案例——基于PCA和SVM的人脸识别系统　526
13.4.1　人脸识别简介　527
13.4.2　前期处理　527
13.4.3　数据规格化(Scaling)　528
13.4.4　核函数的选择　531
13.4.5　参数选择　532
13.4.6　构建多类SVM分类器　535
13.4.7　实验结果　537