第1章 緒論 1.1 數(shù)字圖像處理基礎 002 1.1.1 數(shù)字圖像處理簡介 002 1.1.2 數(shù)字圖像處理概述 003 1.1.3 數(shù)字圖像處理應用 004 1.2 ChatGPT在數(shù)字圖像處理中的角色 006 1.3 ChatGPT在數(shù)字圖像處理中的應用 008 1.4 小結(jié) 010 第2章 圖像的基本操作 2.1 圖像的讀取與存儲 012 2.2 圖像點運算 013 2.2.1 灰度變換 013 2.2.2 像素閾值處理 017 2.2.3 像素反轉(zhuǎn) 020 2.2.4 像素對比度增強 021 2.3 圖像的幾何變換 022 2.3.1 圖像旋轉(zhuǎn) 023 2.3.2 圖像平移 024 2.3.3 圖像縮放 026 2.3.4 圖像翻轉(zhuǎn) 027 2.4 直方圖處理 028 2.4.1 直方圖均衡化 028 2.4.2 直方圖匹配 030 2.4.3 直方圖反轉(zhuǎn) 033 2.5 圖像去噪 036 2.5.1 中值濾波 036 2.5.2 高斯濾波 038 2.5.3 小波去噪 040 2.5.4 K近鄰去噪 041 2.6 小結(jié) 043 第3章 圖像分割 3.1 邊緣提取 046 3.1.1 Roberts算子 046 3.1.2 Sobel算子 048 3.1.3 Prewitt算子 051 3.1.4 Laplacian算子 052 3.1.5 Canny算子 055 3.1.6 不同算子對比 057 3.2 區(qū)域分割 059 3.2.1 區(qū)域生長算法 059 3.2.2 分水嶺算法 062 3.2.3 K-means聚類算法 064 3.2.4 OTSU閾值算法 067 3.2.5 基于形態(tài)學的分割算法 069 3.2.6 算法對比 071 3.3 小結(jié) 072 第4章 形態(tài)學處理 4.1 基本運算 074 4.1.1 腐蝕與膨脹 074 4.1.2 開操作與閉操作 076 4.2 復雜運算 078 4.2.1 頂帽運算 078 4.2.2 底帽運算 080 4.2.3 梯度運算 082 4.3 小結(jié) 084 第5章 圖像特征提取 5.1 顏色特征提取 087 5.1.1 灰度直方圖 088 5.1.2 聚類 090 5.2 形狀特征提取 093 5.2.1 Hu不變矩 093 5.2.2 Hough變換 094 5.2.3 Radon變換 097 5.3 關鍵點特征提取 101 5.3.1 SIFT算法 101 5.3.2 ORB算法 102 5.3.3 LBP算法 103 5.4 特征降維 106 5.4.1 奇異值分解 106 5.4.2 主成分分析 108 5.4.3 線性鑒別方法 111 5.5 小結(jié) 113 第6章 圖像識別應用初步 6.1 圖像識別的概念 116 6.2 圖像識別的一般過程 117 6.2.1 圖像采集與預處理 118 6.2.2 特征提取與選擇 118 6.2.3 模型構(gòu)建與訓練 119 6.2.4 測試與評估 120 6.2.5 部署與應用 121 6.3 圖像識別的方法類型 121 6.3.1 基于模板匹配的方法 122 6.3.2 基于分類器的方法 124 6.3.3 基于深度學習的方法 126 6.4 小結(jié) 131 第7章 基于OCR字符提取的車牌識別 7.1 車牌識別背景 133 7.2 車牌識別原理 133 7.2.1 數(shù)據(jù)預處理 134 7.2.2 車牌區(qū)域提取 135 7.2.3 車牌區(qū)域裁剪 135 7.2.4 車牌文本識別 135 7.3 程序?qū)崿F(xiàn) 136 7.3.1 數(shù)據(jù)預處理 136 7.3.2 車牌區(qū)域提取 137 7.3.3 圖像遮罩和圖像剪裁 138 7.3.4 OCR文本識別 139 7.4 完整代碼 139 7.5 小結(jié) 140 第8章 基于小波變換和SVM的遙感圖像船舶識別 8.1 遙感圖像船舶識別背景 143 8.2 遙感圖像船舶識別原理 143 8.2.1 海域遙感圖像的基本特征分析 143 8.2.2 基于小波變換的圖像過濾與增強理論研究 144 8.2.3 船舶遙感圖像的目標識別算法 145 8.3 程序?qū)崿F(xiàn) 146 8.3.1 基于小波變換的圖像過濾與增強 146 8.3.2 船舶遙感圖像特征提取 147 8.3.3 基于已提取的HOG特征進行SVM的分類 148 8.3.4 分析船舶區(qū)域并顯示結(jié)果 149 8.4 結(jié)果展示 150 8.5 小結(jié) 152 第9章 基于光流場的交通汽車檢測跟蹤 9.1 汽車跟蹤背景 154 9.2 汽車跟蹤原理 155 9.2.1 光流法檢測運動原理 155 9.2.2 Horn-Schunck光流算法 157 9.3 程序?qū)崿F(xiàn) 158 9.3.1 創(chuàng)建視頻及對象并設置參數(shù) 160 9.3.2 讀取并預處理幀圖像 162 9.3.3 計算光流和運動矢量 163 9.3.4 進行車輛檢測和閾值處理 164 9.3.5 分析車輛區(qū)域并顯示結(jié)果 165 9.3.6 調(diào)試 166 9.3.7 封裝整合 167 9.4 結(jié)果展示 168 9.5 小結(jié) 169 第10章 基于視覺的路面裂縫檢測 10.1 裂縫檢測背景 171 10.2 裂縫檢測原理 171 10.2.1 圖像獲取 171 10.2.2 直方圖均衡化 172 10.2.3 中值濾波去噪 172 10.2.4 二值圖像濾波 173 10.2.5 對比度增強 174 10.2.6 二值化處理 175 10.3 裂縫檢測步驟 176 10.4 程序?qū)崿F(xiàn) 177 10.4.1 圖像獲取 177 10.4.2 直方圖均衡化 178 10.4.3 中值濾波去噪 179 10.4.4 對比度增強 180 10.4.5 二值化處理 181 10.4.6 二值圖像濾波 182 10.4.7 特征提取 183 10.4.8 裂縫識別和篩選 184 10.4.9 封裝整合 185 10.5 結(jié)果展示 188 10.6 小結(jié) 188 第11章 基于閾值分割提取眼前節(jié)組織 11.1 眼前節(jié)組織提取背景 191 11.2 閾值分割技術原理 191 11.3 眼前節(jié)組織的提取步驟 194 11.4 程序?qū)崿F(xiàn) 195 11.4.1 圖像預處理 195 11.4.2 閾值選擇 196 11.4.3 后處理 197 11.4.4 結(jié)果顯示 197 11.4.5 封裝整合 198 11.5 結(jié)果展示 199 11.6 小結(jié) 200 第12章 基于機器學習和深度學習的焊縫識別 12.1 焊縫識別背景 202 12.2 焊縫識別技術原理 202 12.2.1 支持向量機 203 12.2.2 卷積神經(jīng)網(wǎng)絡 204 12.3 焊縫識別步驟 206 12.3.1 機器學習方法 206 12.3.2 深度學習方法 206 12.4 程序?qū)崿F(xiàn) 207 12.4.1 機器學習代碼 207 12.4.2 深度學習代碼 209 12.5 結(jié)果展示 211 12.6 小結(jié) 212 第13章 基于圖像處理和深度學習的食品包裝缺陷識別 13.1 食品包裝缺陷識別背景 214 13.2 基于圖像處理的食品包裝缺陷識別 215 13.2.1 圖像處理方法原理 215 13.2.2 圖像處理步驟 216 13.2.3 圖像處理代碼 216 13.2.4 結(jié)果展示 217 13.3 基于深度學習的食品包裝缺陷識別 218 13.3.1 深度學習方法原理 218 13.3.2 深度學習步驟 219 13.3.3 深度學習代碼 219 13.3.4 結(jié)果展示 222 13.4 小結(jié) 223