本书详细介绍了图像处理的定义与图像处理技术的发展过程，阐述了图像处理的工作原理，涵盖了图像数字化、预处理、特征提取、分割、识别与分类等核心步骤；深入探讨了图像存储与变换技术，以及卷积神经网络在图像处理中的应用，为读者构建起坚实的理论基础；聚焦于图像去噪与增强技术，讲解了多种传统与基于深度学习的方法，如空间滤波、频域滤波以及DnCNN、Deep Bilateral Learning等前沿算法；细致剖析了图像超分辨率重建技术，包括传统方法与基于深度学习的解决方案，如SRCNN、ESPCN和RCAN等。在图像分类技术章节，对比了传统方法与深度学习方法的优劣，同时介绍了经典数据集，为读者提供实践的基准。在图像分割与目标检测技术章节，涵盖了从边缘检测到区域分割，再到基于深度学习的现代方法，如FCN、U-Net、YOLO、R-CNN等。本书最后一章通过一系列精选的图像处理技术应用案例，如红外小目标检测、水下图像增强、人体动作识别、多模态脑部肿瘤图像分割等，展现了图像处理技术在医学、工业、安全等多个领域的实际价值。 　　本书可作为普通高校机器人工程、自动化、电子科学与技术、计算机科学与技术、物联网工程等专业的数字图像处理、计算机视觉原理等课程的教材，也可供图像处理、机器人视觉、机器人自主导航、人工智能等研究方向的研究生学习参考。 　　本书配有电子课件、教学大纲和习题答案等教学资源，选用本书作教材的教师可登录www.cmpedu.com注册后下载，或发邮件至jinacmp@l63.com索取。

高等院校教师

目录
前言
第1章　绪论 1
1.1　图像处理的定义 1
1.2　图像处理技术的发展过程 2
1.3　图像处理的工作原理 5
1.4　图像处理技术的应用领域 7
1.5　图像处理的软件及编程工具 10
思考题与习题 13
参考文献 13
第2章　图像存储与变换技术 15
2.1　图像存储格式 15
2.2　视频存储格式 21
2.3　图像变换技术 26
思考题与习题 32
参考文献 33
第3章　卷积神经网络 34
3.1　卷积神经网络概述 34
3.2　卷积神经网络的发展历史及典型应用 36
3.3　卷积神经网络的结构 40
3.4　卷积神经网络的训练和优化 42
思考题与习题 47
参考文献 47
第4章　图像去噪技术 49
4.1　图像噪声与退化模型 49
4.2　基于空间滤波的图像去噪 51
4.3　基于频域滤波的图像去噪 57
4.4　基于深度学习的图像去噪 64
思考题与习题 67
参考文献 67
第5章　图像增强技术 68
5.1　图像增强概述 68
5.2　基于空间滤波的图像增强 69
5.3　基于频域滤波的图像增强 77
5.4　基于深度学习的图像增强 87
思考题与习题 92
参考文献 92
第6章　图像超分辨率重建技术 93
6.1　图像超分辨率重建概述 93
6.2　传统图像超分辨率重建方法 94
6.3　基于深度学习的图像超分辨率重建 103
6.4　超分辨率重建的质量评价 110
思考题与习题 112
参考文献 112
第7章　图像分类技术 113
7.1　图像分类概述 113
7.2　传统图像分类方法 118
7.3　基于深度学习的图像分类 126
7.4　迁移学习 132
思考题与习题 141
参考文献 142
第8章　图像分割技术 143
8.1　图像分割概述 143
8.2　基于边缘的图像分割 145
8.3　基于区域的图像分割 158
8.4　基于深度学习的图像分割 161
思考题与习题 171
参考文献 172
第9章　目标检测技术 173
9.1　目标检测概述 173
9.2　传统目标检测方法 174
9.3　基于深度学习的目标检测方法 184
9.4　目标检测评价指标与性能评估 207
思考题与习题 211
参考文献 211
第10章　图像处理技术应用案例 213
10.1　红外小目标检测技术 213
10.2　水下图像增强技术 217
10.3　人体动作识别技术 220
10.4　多模态脑部肿瘤图像分割技术 225
10.5　眼底图像青光眼检测技术 228
10.6　新视图合成技术 232
10.7　工业缺陷检测技术 236
10.8　偏振增强技术 240
10.9　视觉抓取技术 243
思考题与习题 247
参考文献 248