计算机视觉（基于MWORKS）
定价：￥59.00
作者： 闫庆森
出版时间：2026-04
出版社：电子工业出版社
- 电子工业出版社
- 9787121524417
- 1-1
- 16开
- 2026-04
- 329
- 工学
- 计算机类
- 计算机科学与技术
- 本科 研究生及以上
内容简介
本书系统阐述了基于MWORKS的计算机视觉核心理论与常用技术，涵盖图像的表示与读写、基本运算、形态学分析、图像去噪及增强、图像复原、图像分割，以及基于深度学习的图像识别与目标检测等关键主题。通过大量代码实例与示例图，帮助读者直观理解从基础原理到实际应用的整个技术流程。全书重点突出，理论与实践的紧密结合，既展示了经典的图像处理算法，如中值滤波、形态学算子、直方图均衡化等，也针对当前备受关注的深度学习方法给出了具体的实现示例。无论是初学者还是有一定经验的开发者，都能通过阅读本书来快速掌握基本算法与先进技术，并借此进一步拓展其在医学影像、工业检测、遥感监测和计算机视觉等领域的应用。 本书面向电子信息、计算机科学、人工智能等相关专业的本科生与研究生，从事医学影像、遥感监测、工业检测与智慧交通等方向的科研人员与工程师，以及希望在物联网、金融风控、数字艺术等跨领域场景中融入视觉能力的开发者。
目录
第1章 图像处理的基本原理 1
1.1 概述 1
1.2 数字图像表示 1
1.3 读取图像文件 4
1.3.1 基本语法 4
1.3.2 参数说明 8
1.4 保存图像 8
1.4.1 函数说明及示例 9
1.4.2 输入参数说明 10
1.4.3 实际应用中的注意事项 11
1.5 数据类型 14
1.5.1 溢出（Overflow） 14
1.5.2 舍入（Round） 15
1.5.3 数据类型转换 15
1.5.4 特殊情况处理 16
1.5.5 精度和性能权衡 16
1.5.6 错误检测和处理 17
1.6 图像类型 17
1.6.1 二值图像（Binary Image） 18
1.6.2 灰度图像（Grayscale Image） 20
1.6.3 RGB图像 22
1.6.4 索引图像（Indexed Image） 24
1.7 习题 26
第2章 图像的基本运算 28
2.1 概述 28
2.2 点运算 28
2.2.1 线性灰度变换 29
2.2.2 分段线性灰度变换 30
2.2.3 非线性灰度变换 32
2.3 代数运算 35
2.3.1 加法运算 36
2.3.2 减法运算 39
2.3.3 乘法运算 40
2.3.4 除法运算 41
2.4 逻辑运算 42
2.5 几何运算 45
2.5.1 图像的位置变换 46
2.5.2 图像的形状变换 53
2.6 习题 55
第3章 基于形态学的权重自适应图像去噪 56
3.1 任务背景介绍 56
3.2 图像去噪 56
3.2.1 概述 56
3.2.2 图像噪声分类 57
3.2.3 图像去噪方法 64
3.3 形态学去噪 68
3.3.1 形态学概述 68
3.3.2 形态学运算 69
3.3.3 权重自适应多结构形态学去噪 72
3.4 习题 82
第4章 基于直方图优化的图像去雾技术 84
4.1 案例背景 84
4.2 程序实现 85
4.2.1 全局直方图均衡化 85
4.2.2 局部直方图均衡化 89
4.2.3 Retinex增强算法 94
4.3 评价指标 98
4.3.1 峰值信噪比 98
4.3.2 结构相似度 100
4.3.3 信息熵 104
4.4 程序演示 106
4.5 习题 114
第5章 图像复原 115
5.1 案例背景 115
5.2 图像退化的数字模型 116
5.2.1 图像退化模型 116
5.2.2 连续函数的退化模型 117
5.2.3 离散的退化模型 119
5.3 图像模糊处理及其复原方法 121
5.3.1 图像均值模糊处理 123
5.3.2 使用加权叠加方法进行图像复原的Julia实现 126
5.3.3 图像匀速直线运动模糊处理 130
5.3.4 基于逆滤波器复原的Julia实现 135
5.4 习题 140
第6章 图像分割 141
6.1 基于阈值的图像分割 141
6.1.1 概述 141
6.1.2 基于阈值的图像分割方法 142
6.1.3 基于阈值的图像分割代码及结果 144
6.2 基于边缘的图像分割 146
6.2.1 概述 146
6.2.2 基于边缘的图像分割方法 146
6.2.3 基于边缘的图像分割代码及结果 151
6.3 基于区域生长的图像分割 156
6.3.1 概述 156
6.3.2 基于区域生长的图像分割方法 157
6.3.3 基于区域生长的图像分割代码及结果 157
6.4 基于K-means聚类的图像分割 160
6.4.1 概述 160
6.4.2 基于K-means聚类的图像分割方法 160
6.4.3 基于K-means聚类的图像分割代码及结果 164
6.5 习题 166
第7章 基于卷积神经网络的手写体数字识别 167
7.1 任务背景 167
7.2 基础理论 168
7.2.1 神经网络基本原理 168
7.2.2 卷积神经网络基本原理 176
7.2.3 LeNet-5网络介绍 181
7.2.4 数据集介绍 183
7.3 程序实现 184
7.3.1 实现过程 184
7.3.2 代码解释 185
7.3.3 程序代码 190
7.4 结果展示 192
7.5 习题 193
第8章 基于MobileNet-SSD网络模型的目标检测 194
8.1 任务背景 194
8.2 基础理论 196
8.2.1 传统目标检测算法介绍 196
8.2.2 MobileNet-SSD网络模型详解 200
8.3 程序实现 213
8.3.1 测试流程 213
8.3.2 代码解释 213
8.3.3 程序代码 218
8.4 结果展示 220
8.5 习题 220
1.1 概述 1
1.2 数字图像表示 1
1.3 读取图像文件 4
1.3.1 基本语法 4
1.3.2 参数说明 8
1.4 保存图像 8
1.4.1 函数说明及示例 9
1.4.2 输入参数说明 10
1.4.3 实际应用中的注意事项 11
1.5 数据类型 14
1.5.1 溢出（Overflow） 14
1.5.2 舍入（Round） 15
1.5.3 数据类型转换 15
1.5.4 特殊情况处理 16
1.5.5 精度和性能权衡 16
1.5.6 错误检测和处理 17
1.6 图像类型 17
1.6.1 二值图像（Binary Image） 18
1.6.2 灰度图像（Grayscale Image） 20
1.6.3 RGB图像 22
1.6.4 索引图像（Indexed Image） 24
1.7 习题 26
第2章 图像的基本运算 28
2.1 概述 28
2.2 点运算 28
2.2.1 线性灰度变换 29
2.2.2 分段线性灰度变换 30
2.2.3 非线性灰度变换 32
2.3 代数运算 35
2.3.1 加法运算 36
2.3.2 减法运算 39
2.3.3 乘法运算 40
2.3.4 除法运算 41
2.4 逻辑运算 42
2.5 几何运算 45
2.5.1 图像的位置变换 46
2.5.2 图像的形状变换 53
2.6 习题 55
第3章 基于形态学的权重自适应图像去噪 56
3.1 任务背景介绍 56
3.2 图像去噪 56
3.2.1 概述 56
3.2.2 图像噪声分类 57
3.2.3 图像去噪方法 64
3.3 形态学去噪 68
3.3.1 形态学概述 68
3.3.2 形态学运算 69
3.3.3 权重自适应多结构形态学去噪 72
3.4 习题 82
第4章 基于直方图优化的图像去雾技术 84
4.1 案例背景 84
4.2 程序实现 85
4.2.1 全局直方图均衡化 85
4.2.2 局部直方图均衡化 89
4.2.3 Retinex增强算法 94
4.3 评价指标 98
4.3.1 峰值信噪比 98
4.3.2 结构相似度 100
4.3.3 信息熵 104
4.4 程序演示 106
4.5 习题 114
第5章 图像复原 115
5.1 案例背景 115
5.2 图像退化的数字模型 116
5.2.1 图像退化模型 116
5.2.2 连续函数的退化模型 117
5.2.3 离散的退化模型 119
5.3 图像模糊处理及其复原方法 121
5.3.1 图像均值模糊处理 123
5.3.2 使用加权叠加方法进行图像复原的Julia实现 126
5.3.3 图像匀速直线运动模糊处理 130
5.3.4 基于逆滤波器复原的Julia实现 135
5.4 习题 140
第6章 图像分割 141
6.1 基于阈值的图像分割 141
6.1.1 概述 141
6.1.2 基于阈值的图像分割方法 142
6.1.3 基于阈值的图像分割代码及结果 144
6.2 基于边缘的图像分割 146
6.2.1 概述 146
6.2.2 基于边缘的图像分割方法 146
6.2.3 基于边缘的图像分割代码及结果 151
6.3 基于区域生长的图像分割 156
6.3.1 概述 156
6.3.2 基于区域生长的图像分割方法 157
6.3.3 基于区域生长的图像分割代码及结果 157
6.4 基于K-means聚类的图像分割 160
6.4.1 概述 160
6.4.2 基于K-means聚类的图像分割方法 160
6.4.3 基于K-means聚类的图像分割代码及结果 164
6.5 习题 166
第7章 基于卷积神经网络的手写体数字识别 167
7.1 任务背景 167
7.2 基础理论 168
7.2.1 神经网络基本原理 168
7.2.2 卷积神经网络基本原理 176
7.2.3 LeNet-5网络介绍 181
7.2.4 数据集介绍 183
7.3 程序实现 184
7.3.1 实现过程 184
7.3.2 代码解释 185
7.3.3 程序代码 190
7.4 结果展示 192
7.5 习题 193
第8章 基于MobileNet-SSD网络模型的目标检测 194
8.1 任务背景 194
8.2 基础理论 196
8.2.1 传统目标检测算法介绍 196
8.2.2 MobileNet-SSD网络模型详解 200
8.3 程序实现 213
8.3.1 测试流程 213
8.3.2 代码解释 213
8.3.3 程序代码 218
8.4 结果展示 220
8.5 习题 220
