第1章 初識數(shù)字圖像處理與識別
1.1 數(shù)字圖像
1.1.1 什么是數(shù)字圖像
1.1.2 數(shù)字圖像的顯示
1.1.3 數(shù)字圖像的分類
1.1.4 數(shù)字圖像的實質(zhì)
1.1.5 數(shù)字圖像的表示
1.1.6 圖像的空間和灰度級分辨率
1.2 數(shù)字圖像處理與識別
1.2.1 從圖像處理到圖像識別
1.2.2 數(shù)字圖像處理與識別的應(yīng)用實例
1.2.3 數(shù)字圖像處理與識別的基本步驟
1.3 數(shù)字圖像處理的預(yù)備知識
1.3.1 鄰接性、連通性、區(qū)域和邊界
1.3.2 距離度量的幾種方法
1.3.3 基本的圖像操作

第2章 Matlab數(shù)字圖像處理基礎(chǔ)
2.1 Matlab R2011a簡介
2.1.1 Matlab軟件環(huán)境
2.1.2 文件操作
2.1.3 在線幫助的使用
2.1.4 變量的使用
2.1.5 矩陣的使用
2.1.6 細(xì)胞數(shù)組和結(jié)構(gòu)體
2.1.7 關(guān)系運算與邏輯運算
2.1.8 常用圖像處理數(shù)學(xué)函數(shù)
2.1.9 Matlab程序流程控制
2.1.10 M文件編寫
2.1.11 Matlab函數(shù)編寫
2.2 Matlab圖像類型及其存儲方式
2.3 Matlab的圖像轉(zhuǎn)換
2.4 讀取和寫入圖像文件
2.5 圖像的顯示

第3章 圖像的點運算
3.1 灰度直方圖
3.1.1 理論基礎(chǔ)
3.1.2 Matlab實現(xiàn)
3.2 灰度的線性變換
3.2.1 理論基礎(chǔ)
3.2.2 Matlab實現(xiàn)
3.3 灰度對數(shù)變換
3.3.1 理論基礎(chǔ)
3.3.2 Matlab實現(xiàn)
3.4 伽瑪變換
3.4.1 理論基礎(chǔ)
3.4.2 Matlab實現(xiàn)
3.5 灰度閾值變換
3.5.1 理論基礎(chǔ)
3.5.2 Matlab實現(xiàn)
3.6 分段線性變換
3.6.1 理論基礎(chǔ)
3.6.2 Matlab實現(xiàn)
3.7 直方圖均衡化
3.7.1 理論基礎(chǔ)
3.7.2 Matlab實現(xiàn)
3.8 直方圖規(guī)定化
3.8.1 理論基礎(chǔ)
3.8.2 Matlab實現(xiàn)

第4章 圖像的幾何變換
4.1 解決幾何變換的一般思路
4.2 圖像平移
4.2.1 圖像平移的變換公式
4.2.2 圖像平移的Matlab實現(xiàn)
4.3 圖像鏡像
4.3.1 圖像鏡像的變換公式
4.3.2 圖像鏡像的Matlab實現(xiàn)
4.4 圖像轉(zhuǎn)置
4.4.1 圖像轉(zhuǎn)置的變換公式
4.4.2 圖像轉(zhuǎn)置的Matlab實現(xiàn)
4.5 圖像縮放
4.5.1 圖像縮放的變換公式
4.5.2 圖像縮放的Matlab實現(xiàn)
4.6 圖像旋轉(zhuǎn)
4.6.1 以原點為中心的圖像旋轉(zhuǎn)
4.6.2 以任意點為中心的圖像旋轉(zhuǎn)
4.6.3 圖像旋轉(zhuǎn)的Matlab實現(xiàn)
4.7 插值算法
4.7.1 最近鄰插值
4.7.2 雙線性插值
4.7.3 高階插值
4.8 Matlab綜合案例——人臉圖像配準(zhǔn)
4.8.1 什么是圖像配準(zhǔn)
4.8.2 人臉圖像配準(zhǔn)的Matlab實現(xiàn)

第5章 空間域圖像增強
5.1 圖像增強基礎(chǔ)
5.1.1 為什么要進(jìn)行圖像增強
5.1.2 圖像增強的分類
5.2 空間域濾波
5.2.1 空間域濾波和鄰域處理
5.2.2 邊界處理
5.2.3 相關(guān)和卷積
5.2.4 濾波操作的Matlab實現(xiàn)
5.3 圖像平滑
5.3.1 平均模板及其實現(xiàn)
5.3.2 高斯平滑及其實現(xiàn)
5.3.3 自適應(yīng)平滑濾波
5.4 中值濾波
5.4.1 性能比較
5.4.2 一種改進(jìn)的中值濾波策略
5.4.3 中值濾波的工作原理
5.5 圖像銳化
5.5.1 理論基礎(chǔ)
5.5.2 基于一階導(dǎo)數(shù)的圖像增強——梯度算子
5.5.3 基于二階微分的圖像增強——拉普拉斯算子
5.5.4 基于一階與二階導(dǎo)數(shù)的銳化算子的比較
5.5.5 高提升濾波及其實現(xiàn)
5.5.6 高斯-拉普拉斯變換（Laplacian of a Gaussian， LoG）

第6章 頻率域圖像增強
6.1 頻率域濾波——與空間域濾波殊途同歸
6.2 傅立葉變換基礎(chǔ)知識
6.2.1 傅立葉級數(shù)
6.2.2 傅立葉變換
6.2.3 幅度譜、相位譜和功率譜
6.2.4 傅立葉變換的實質(zhì)-基的轉(zhuǎn)換
6.3 快速傅立葉變換及實現(xiàn)
6.3.1 FFT變換的必要性
6.3.2 常見的FFT算法
6.3.3 按時間抽取的基-2 FFT算法
6.3.4 離散反傅立葉變換的快速算法
6.3.5 N維快速傅立葉變換
6.3.6 Matlab實現(xiàn)
6.4 頻域濾波基礎(chǔ)
6.4.1 頻域濾波與空域濾波的關(guān)系
6.4.2 頻域濾波的基本步驟
6.4.3 頻域濾波的Matlab實現(xiàn)
6.5 頻域低通濾波器
6.5.1 理想低通濾波器及其實現(xiàn)
6.5.2 高斯低通濾波器及其實現(xiàn)
6.6 頻率域高通濾波器
6.6.1 高斯高通濾波器及其實現(xiàn)
6.6.2 頻域拉普拉斯濾波器及其實現(xiàn)
6.7 Matlab綜合案例——利用頻域濾波消除周期噪聲
6.7.1 頻域帶阻濾波器
6.7.2 帶阻濾波消除周期噪聲
6.8 頻域濾波器與空域濾波器之間的內(nèi)在聯(lián)系

第7章 小波變換
7.1 多分辨率分析
7.1.1 多分辨率框架
7.1.2 分解與重構(gòu)的實現(xiàn)
7.1.3 圖像處理中分解與重構(gòu)的實現(xiàn)
7.2 Gabor多分辨率分析
7.3 常見小波分析
7.3.1 Haar小波
7.3.2 Daubechies小波
7.4 高維小波

第8章 圖像復(fù)原
8.1 圖像復(fù)原的一般理論
8.1.1 圖像復(fù)原的基本概念
8.1.2 圖像復(fù)原的一般模型
8.2 實用圖像復(fù)原技術(shù)
8.2.1 圖像復(fù)原的數(shù)值計算方法
8.2.2 非線性復(fù)原

第9章 彩色圖像處理
9.1 彩色基礎(chǔ)
9.1.1 什么是彩色
9.1.2 我們眼中的彩色
9.1.3 三原色
9.1.4 計算機中的顏色表示
9.2 彩色模型
9.2.1 RGB模型
9.2.2 CMY、CMYK模型
9.2.3 HSI模型
9.2.4 HSV模型
9.2.5 YUV模型
9.2.6 YIQ模型
9.2.7 Lab模型簡介
9.3 全彩色圖像處理基礎(chǔ)
9.3.1 彩色補償及其Matlab實現(xiàn)
9.3.2 彩色平衡及其Matlab實現(xiàn)

第10章 形態(tài)學(xué)圖像處理
10.1 預(yù)備知識
10.2 二值圖像中的基本形態(tài)學(xué)運算
10.2.1 腐蝕及其實現(xiàn)
10.2.2 膨脹及其實現(xiàn)
10.2.3 開運算及其實現(xiàn)
10.2.4 閉運算及其實現(xiàn)
10.3 二值圖像中的形態(tài)學(xué)應(yīng)用
10.3.1 擊中與擊不中變換及其實現(xiàn)
10.3.2 邊界提取與跟蹤及其實現(xiàn)
10.3.3 區(qū)域填充
10.3.4 連通分量提取及其實現(xiàn)
10.3.5 細(xì)化算法
10.3.6 像素化算法
10.3.7 凸殼
10.3.8 bwmorph函數(shù)
10.4 灰度圖像中的基本形態(tài)學(xué)運算
10.4.1 灰度膨脹及其實現(xiàn)
10.4.2 灰度腐蝕及其實現(xiàn)
10.4.3 灰度開、閉運算及其實現(xiàn)
10.4.4 頂帽變換（top-hat）及其實現(xiàn)
10.5 小結(jié)

第11章 圖像分割
11.1 圖像分割概述
11.2 邊緣檢測
11.2.1 邊緣檢測概述
11.2.2 常用的邊緣檢測算子
11.2.3 Matlab實現(xiàn)
11.3 霍夫變換
11.3.1 直線檢測
11.3.2 曲線檢測
11.3.3 任意形狀的檢測
11.3.4 Hough變換直線檢測的Matlab實現(xiàn)
11.4 閾值分割
11.4.1 閾值分割方法
11.4.2 Matlab實現(xiàn)
11.5 區(qū)域分割
11.5.1 區(qū)域生長及其實現(xiàn)
11.5.2 區(qū)域分裂與合并及其Matlab實現(xiàn)
11.6 基于形態(tài)學(xué)分水嶺算法的圖像分割
11.6.1 形態(tài)學(xué)分水嶺算法
11.6.2 Matlab實現(xiàn)
11.7 Matlab綜合案例——分水嶺算法
11.8 小結(jié)

第12章 特征提取
12.1 圖像特征概述
12.1.1 什么是圖像特征
12.1.2 圖像特征的分類
12.1.3 特征向量及其幾何解釋
12.1.4 特征提取的一般原則
12.1.5 特征的評價標(biāo)準(zhǔn)
12.2 基本統(tǒng)計特征
12.2.1 簡單的區(qū)域描繪子及其Matlab實現(xiàn)
12.2.2 直方圖及其統(tǒng)計特征
12.2.3 灰度共現(xiàn)矩陣
12.3 特征降維
12.3.1 維度災(zāi)難
12.3.2 特征選擇簡介
12.3.3 主成分分析
12.3.4 快速PCA及其實現(xiàn)
12.4 綜合案例——基于PCA的人臉特征抽取
12.4.1 數(shù)據(jù)集簡介
12.4.2 生成樣本矩陣
12.4.3 主成分分析
12.4.4 主成分臉可視化分析
12.4.5 基于主分量的人臉重建
12.5 局部二進(jìn)制模式
12.5.1 基本LBP
12.5.2 圓形鄰域的LBPP，R算子
12.5.3 統(tǒng)一化LBP算子——Uniform LBP及其Matlab實現(xiàn)
12.5.4 MB-LBP及其Matlab實現(xiàn)
12.5.5 圖像分區(qū)及其Matlab實現(xiàn)

第13章 圖像識別初步
13.1 模式識別概述
13.1.1 模式與模式識別
13.1.2 圖像識別
13.1.3 關(guān)鍵概念
13.1.4 識別問題的一般描述
13.1.5 過度擬合
13.1.6 模式識別系統(tǒng)結(jié)構(gòu)
13.1.7 訓(xùn)練/學(xué)習(xí)方法分類
13.2 模式識別方法分類
13.2.1 統(tǒng)計模式識別
13.2.2 句法模式識別
13.2.3 小結(jié)
13.3 最小距離分類器和模板匹配
13.3.1 最小距離分類器及其Matlab實現(xiàn)
13.3.2 基于相關(guān)的模板匹配
13.3.3 相關(guān)匹配的計算效率

第14章 人工神經(jīng)網(wǎng)絡(luò)
14.1 人工神經(jīng)網(wǎng)絡(luò)簡介
14.1.1 仿生學(xué)動機
14.1.2 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用實例
14.2 人工神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)
14.2.1 訓(xùn)練線性單元的梯度下降算法
14.2.2 多層人工神經(jīng)網(wǎng)絡(luò)
14.2.3 sigmoid單元
14.2.4 反向傳播（BP，back propogation）算法
14.2.5 訓(xùn)練中的問題
14.3 神經(jīng)網(wǎng)絡(luò)算法的可視化實現(xiàn)
14.3.1 NNTool的主要功能及應(yīng)用
14.3.2 神經(jīng)網(wǎng)絡(luò)的仿真測試
14.4 Matlab神經(jīng)網(wǎng)絡(luò)工具箱
14.4.1 網(wǎng)絡(luò)的創(chuàng)建
14.4.2 網(wǎng)絡(luò)初始化
14.4.3 網(wǎng)絡(luò)訓(xùn)練
14.4.4 網(wǎng)絡(luò)仿真測試
14.4.5 網(wǎng)絡(luò)性能分析

第15章 支持向量機
15.1 支持向量機的分類思想
15.1.1 分類模型的選擇
15.1.2 模型參數(shù)的選擇
15.2 支持向量機的理論基礎(chǔ)
15.2.1 線性可分情況下的SVM
15.2.2 非線性可分情況下的C-SVM
15.2.3 需要核函數(shù)映射情況下的SVM
15.2.4 推廣到多類問題
15.3 SVM的Matlab實現(xiàn)
15.3.1 訓(xùn)練——svmtrain
15.3.2 分類——svmclassify
15.3.3 應(yīng)用實例
15.4 綜合案例——基于PCA和SVM的人臉識別系統(tǒng)
15.4.1 人臉識別簡介
15.4.2 前期處理
15.4.3 數(shù)據(jù)規(guī)格化
15.4.4 核函數(shù)的選擇
15.4.5 參數(shù)選擇
15.4.6 構(gòu)建多類SVM分類器
15.4.7 實驗結(jié)果
15.5 SVM在線資源
15.5.1 Matlab的SVM工具箱
15.5.2 LIBSVM的簡介
參考文獻(xiàn)