内容简介
图像处理和机器学习联合用于图像的分析和理解。图像处理借助滤波、分割、特征提取技术实现图像的预处理，机器学习算法则借助分类、聚类、目标检测技术解释处理的数据。本书作为教材，面向图像处理领域的学生和教师，覆盖了一些最流行的图像处理方法和手段的理论基础和实际应用。
全书分为两册，本书为下册，依次介绍图像处理更先进的概念和技术，包括形态学滤波器、彩色图像处理、图像中的几何操作、图像匹配、基于特征使用均移算法的分割和奇异值分解在图像压缩中的应用。下册在上册介绍的基础知识之上，结合了若干应用于图像处理的重要机器学习技术。
本书为图像处理相关专业的教师和学生而写，本书内容的清晰组织形成也对应用程序开发人员和工程人员具有吸引力。
目录
第1章 形态学运算
1.1 结构的缩小和增大
1.2 基本形态学运算
1.2.1 参考结构
1.2.2 点集
1.2.3 膨胀
1.2.4 腐蚀
1.2.5 膨胀和腐蚀的性质
1.2.6 形态学滤波器的设计
1.3 二值图像中的边缘检测
1.4 形态学运算的组合
1.4.1 开启
1.4.2 闭合
1.4.3 开启和闭合运算的性质
1.4.4 击中-击不中变换
1.5 灰度图像的形态学滤波器
1.5.1 参考结构
1.5.2 灰度图像的膨胀和腐蚀
1.5.3 灰度图像的开启和闭合
1.5.4 高帽变换和低帽变换
1.6 形态学运算的MATLAB函数
1.6.1 斯太尔函数
1.6.2 用于膨胀和腐蚀的MATLAB函数
1.6.3 涉及开启和闭合操作的MATLAB函数
1.6.4 成功或失败的变换（击中-击不中）
1.6.5 函数bwmorph
1.6.6 凸分量的标记
参考文献
第2章 彩色图像
2.1 RGB图像
2.1.1 彩色图像的组合
2.1.2 全色图像
2.1.3 索引图像
2.2 RGB图像的直方图
2.3 彩色模型和彩色空间转换
2.3.1 将RGB图像转换为灰度图像
2.3.2 没有彩色的RGB图像
2.3.3 减少彩色图像的饱和度
2.3.4 HSV和HSL彩色模型
2.3.5 从RGB到HSV的转换
2.3.6 从HSV到RGB的转换
2.3.7 从RGB到HSL的转换
2.3.8 从HSL到RGB的转换
2.3.9 HSV和HSL模型的比较
2.4 YUV、YIQ和YCbCr彩色模型
2.4.1 YUV模型
2.4.2 YIQ模型
2.4.3 YCbCr模型
2.5 用于打印图像的有用彩色模型
2.5.1 从CMY到CMYK的变换（版本1）
2.5.2 从CMY到CMYK的变换（版本2）
2.5.3 从CMY到CMYK的变换（版本3）
2.6 色度模型
2.6.1 CIEXYZ彩色空间
2.6.2 CIE色度图
2.6.3 照明标准
2.6.4 色度适应
2.6.5 色域
2.7 CIE彩色空间的变型
2.8 CIE的L*a*b*模型
2.8.1 从CIEXYZ到L*a*b*的变换
2.8.2 从L*a*b*到CIEXYZ的变换
2.8.3 确定彩色差别
2.9 sRGB模型
2.10 彩色图像处理的MATLAB函数
2.10.1 处理RGB和索引图像的函数
2.10.2 彩色空间转换的函数
2.11 彩色图像处理
2.12 线性彩色变换
2.13 彩色图像的空域处理
2.13.1 彩色图像平滑
2.13.2 用MATLAB平滑彩色图像
2.13.3 彩色图像的锐化增强
2.13.4 用MATLAB锐化彩色图像
2.14 彩色图像的矢量处理
2.14.1 彩色图像中的边缘检测
2.14.2 用MATLAB检测彩色图像中的边缘
参考文献
第3章 图像几何运算
3.1 坐标变换
3.1.1 简单变换
3.1.2 齐次坐标
3.1.3 仿射变换（三角变换）
3.1.4 投影变换
3.1.5 双线性变换
3.1.6 其他非线性几何变换
3.2 坐标重赋值
3.2.1 源-目标映射
3.2.2 目标-源映射
3.3 插值
3.3.1 简单插值方法
3.3.2 理想插值
3.3.3 立方插值
3.4 混叠
3.5 MATLAB中的几何变换函数
参考文献
第4章 图像比较和识别
4.1 灰度图像的比较
4.1.1 模式间的距离
4.1.2 距离和相关
4.1.3 归一化的互相关
4.1.4 相关系数
4.2 利用相关系数的模式识别
4.3 二值图像的比较
4.3.1 距离变换
4.3.2 斜面算法
4.4 斜面指标
参考文献
第5章 用于分割的均移算法
5.1 引言
5.2 核密度估计（KDE）和均移方法
5.3 密度吸引子点
5.4 连续自适应均移分割
5.4.1 特征定义
5.4.2 操作数据集
5.4.3 MS算法的操作
5.4.4 包含非活动数据
5.4.5 合并非代表性聚类
5.4.6 计算过程
5.5 分割过程的结果
5.5.1 实验设置
5.5.2 性能指标
5.5.3 比较结果
参考文献
第6章 图像处理中的奇异值分解
6.1 引言
6.2 计算SVD元素
6.3 数据集的近似
6.4 SVD用于图像压缩
6.5 主分量分析
6.6 协方差主分量
6.7 相关主分量
参考文献
前言/序言
图像处理具有重要意义，因为它能够增强和处理各个领域的图像。图像处理发挥关键作用的一个突出领域是医学成像。在这里，它对医学图像的分析和诊断做出了重大贡献，包括X射线、CT扫描和MRI图像。通过使用图像处理技术，医疗保健专业人员可以提取有价值的信息，实现更准确的诊断和治疗计划。监控系统也严重依赖图像处理算法。这些算法有助于物体检测、跟踪和图像质量的提高，从而提高监视操作的有效性。此外，图像处理算法支持面部识别，增强了各种应用中的安全措施。遥感应用也极大地受益于图像处理技术。通过使用这些技术，可以分析卫星和航空图像，以监测环境、管理资源，并为科学研究和决策提供有价值的见解。多媒体应用程序，包括照片编辑软件和视频游戏，利用图像处理来增强和操纵图像，以获得最佳显示质量。这些应用程序利用算法来调整亮度、对比度、颜色和其他视觉属性，可增强用户的视觉体验。
机器学习（ML）是人工智能（AI）的一个分支，它使系统能够从数据中学习，并在不需要常规编程的情况下做出明智的预测或决策。ML在各个领域都有广泛的应用。例如，在自动化中，ML算法可以自动地执行原本依赖人工干预的任务，从而减少错误并提高整体效率。预测分析是ML发挥关键作用的另一个领域。通过分析庞大的数据集，ML模型可以检测模式并进行预测，推动股市分析、欺诈检测和客户行为分析等应用。ML也有助于决策过程，因为它的算法基于数据提供了有价值的见解和建议，帮助机构做出更明智和优化的决策。总体来说，ML是人工智能中一个强大的领域，为自动化任务、生成预测和支持各个领域的决策过程提供了巨大的潜力。
图像处理和机器学习的集成利用两个领域的技术来分析和理解图像。采用图像处理技术，包括滤波、分割和特征提取，对图像进行预处理。随后，ML算法开始发挥作用，通过分类、聚类和目标检测等任务来分析和解释处理后的数据。最终目标是利用每个领域的优势，构建能够在无须人工干预的情况下自主分析和理解图像的计算机视觉系统。这种融合允许图像处理技术提高图像质量，从而提高ML算法的性能。同时，ML算法使图像的分析和解释自动化，从而减少了对人工干预的依赖。通过将这两个领域结合起来，实现了强大的协同作用，从而开发出稳健高效的图像分析和理解系统。
我们的主要目标是编写一本全面的教科书，将之作为图像处理课程的有用资源。为此，我们精心安排内容，涵盖了流行图像处理方法的理论基础和实际应用。从像素运算到几何变换，从空间滤波到图像分割，从边缘检测到彩色图像处理，完全涵盖了处理和理解图像所必需的广泛主题。此外，因为认识到ML在图像处理中日益增强的相关性，所以引入了基本的ML概念及其在该领域的应用。通过介绍这些概念，旨在为读者提供必要的知识，利用ML技术执行各种图像处理任务。我们的最终愿望是让全书成为学生和从业者的有用工具，让他们对图像处理的基本原理有一个扎实的理解，并能够在现实世界中应用这些技术。
为了涵盖所有重要信息，有必要包括许多章节和程序。因此，全书包含了大量的内容和编程示例。然而，一本包含多个章节和程序的单册书可能会让读者应接不暇，因此我们决定将全书分为两册。进行拆分的主要目的是确保读者恰当地处理和理解全书内容。通过将内容分为两册，使得全书变得更容易理解和使用，防止读者被巨量信息所淹没。这种深思熟虑的划分有助于获得更顺畅的学习体验，使读者能够更有效地浏览和深入研究内容，并以自己的节奏掌握概念和技术。总的来说，将全书分为两册的决定旨在优化读者对本书提供的大量材料和程序的理解效果和参与感。
为了确保读者能够有效地浏览和领悟全书内容，我们决定将其分为两册： 上册为《图像处理基础》，下册为《图像分析和机器学习》。
上册涵盖了图像处理的基本概念和技术，包括像素操作、空间滤波、边缘检测、图像分割、角点检测和几何变换。它为读者理解图像处理的核心原理和实际应用奠定了坚实的基础，并为该领域的进一步探索奠定了必要的基础。在从上册获得的知识的基础上，下册更多关注图像分析中更深入的内容，包括形态滤波器、彩色图像处理、几何变换、图像匹配识别、基于特征使用均移（MS）算法的分割，以及奇异值分解（SVD）在图像压缩中的应用。此外，下册还结合了应用于图像处理的几种重要ML技术。认识到ML在图像分析中日益增长的重要性及其增强图像处理任务的潜力，下册中整合了相关的ML方法。综合性的下册扩展了上册的基础知识，使读者能够深入研究图像处理的更复杂方面，同时也融入了ML技术的力量。
将全书分为两册，使得每一册都能单独作为独立的、自包含的资源，这意味着读者可以灵活地学习或温习每一册的内容，而不必依赖另一册的上下文或理解。通过独立的结构使读者能够采用模块化的方法，根
