本书系统地讲解了数字图像处理的基础和进阶知识，涵盖基础概念、系统构建、算法及其应用，辅以丰富的教学和科研案例，详细介绍了如何利用C++和Python语言，结合OpenCV库进行图像处理算法的编程实现。同时，本书介绍了深度学习在数字图像处理中的应用前沿技术，如GoogleNet、ResNet、Transformer、YOLOv10等，具备较强的实用性和参考价值。
本书为读者提供了理论与实践相结合的学习平台，帮助其深入理解并应用数字图像处理技术解决实际问题。适合作为高等院校计算机科学与技术、电子信息工程、自动化、通信工程等相关专业的本科生、研究生教材，同时适合数字图像处理、计算机视觉等领域的科研和工程技术人员参考使用。
本书还为读者提供了丰富的配套资源，包括PPT、彩图和源代码。读者可通过登录化学工业出版社网站或扫描书中二维码，根据自身需求选择相应的资源进行下载。

第1章 概论
1.1 数字图像处理的分类和发展\t001
1.1.1 图像分类\t001
1.1.2 数字图像发展历史\t003
1.2 数字图像处理系统\t004
1.2.1 经典的数字图像处理系统\t005
1.2.2 实际的数字图像处理系统\t005
1.3 数字图像处理的内容及特点\t007
1.3.1 数字图像处理的内容\t007
1.3.2 数字图像处理的特点\t008
1.4 数字图像处理的应用\t009
1.5 数字图像处理的内容以及与其他相关学科的关系\t011
1.6 习题\t012
第2章 数字图像处理开发环境
2.1 OpenCV简介\t013
2.2 OpenCV基础及开发环境配置\t014
2.2.1 安装OpenCV库\t014
2.2.2 C++集成开发环境配置\t016
2.2.3 OpenCV代码实例\t018
2.3 Python简介\t020
2.4 Python基本语法和编程\t021
2.5 Python环境配置及开发\t026
2.5.1 Python开发环境配置\t026
2.5.2 第一个Python程序\t031
2.6 习题\t032
第3章 数字图像处理基础
3.1 图像获取\t033
3.1.1 图像采集过程\t033
3.1.2 模拟图像描述\t034
3.2 图像类型及常用格式\t034
3.2.1 图像的基本类型\t034
3.2.2 图像常用格式\t037
3.3 图像数字化\t038
3.3.1 图像的数字化表示\t039
3.3.2 图像的数字化过程\t039
3.4 图像色度模型\t042
3.4.1 色度学基础\t042
3.4.2 颜色模型\t043
3.5 图像运算\t045
3.5.1 代数运算\t046
3.5.2 逻辑运算\t050
3.5.3 灰度直方图及其应用\t052
3.6 习题\t054
第4章 图像正交变换
4.1 图像变换概述\t055
4.2 傅里叶变换\t056
4.2.1 连续傅里叶变换\t056
4.2.2 离散傅里叶变换\t057
4.2.3 傅里叶变换在图像处理中的应用\t061
4.3 离散余弦变换\t064
4.3.1 一维离散余弦变换\t064
4.3.2 二维离散余弦变换\t065
4.4 离散沃尔什-哈达玛变换\t067
4.4.1 沃尔什变换\t067
4.4.2 哈达玛变换\t070
4.5 小波变换\t071
4.5.1 小波变换的概念和特性\t071
4.5.2 图像的小波变换\t072
4.6 习题\t077
第5章 图像预处理
5.1 图像增强\t078
5.1.1 灰度变化\t078
5.1.2 几何变换\t088
5.2 图像滤波\t096
5.2.1 空域滤波\t096
5.2.2 频域滤波\t106
5.3 形态学处理\t113
5.3.1 二值形态学的基本运算\t113
5.3.2 二值图像的形态学处理\t117
5.3.3 灰度形态学的基本运算\t120
5.4 习题\t125
第6章 图像特征提取
6.1 图像的基本特征\t126
6.1.1 幅度特征\t126
6.1.2 几何特征\t127
6.1.3 统计特征\t129
6.2 角点特征的描述与提取\t129
6.2.1 图像角点的概念\t129
6.2.2 SUSAN角点检测算法\t130
6.3 颜色特征的描述与提取\t132
6.3.1 颜色直方图\t132
6.3.2 颜色矩\t134
6.4 纹理特征的描述与提取\t134
6.4.1 统计分析法\t135
6.4.2 频谱分析法\t137
6.4.3 纹理的结构分析\t141
6.5 形状特征的描述与提取\t142
6.5.1 边界描述\t143
6.5.2 区域描述\t145
6.6 习题\t150
第7章 图像分割
7.1 图像分割概论\t151
7.1.1 图像分割概念\t151
7.1.2 图像分割分类\t152
7.1.3 图像分割系统的构成\t153
7.2 边缘检测\t153
7.2.1 边缘检测概念\t153
7.2.2 梯度算子\t153
7.2.3 Roberts算子\t155
7.2.4 Prewitt算子\t156
7.2.5 Sobel算子\t157
7.2.6 Kirsch算子\t158
7.2.7 Laplace算子\t159
7.2.8 Marr算子\t160
7.2.9 Canny算子\t162
7.3 边界跟踪\t162
7.3.1 空域边界跟踪\t163
7.3.2 霍夫（Hough）变换\t163
7.4 阈值分割\t165
7.4.1 阈值分割概念\t165
7.4.2 全局阈值分割\t167
7.4.3 局部阈值分割\t169
7.4.4 动态阈值分割\t172
7.5 区域分割\t174
7.5.1 区域生长法\t174
7.5.2 区域分裂合并法\t176
7.6 习题\t177
第8章 图像匹配
8.1 图像匹配概述\t178
8.1.1 图像匹配概念\t178
8.1.2 模板匹配\t180
8.1.3 模板匹配流程\t180
8.2 基于灰度的匹配\t181
8.2.1 基于灰度的匹配概念及步骤\t181
8.2.2 匹配方法\t181
8.3 基于特征的匹配\t184
8.3.1 基于特征的匹配概念及步骤\t184
8.3.2 匹配方法\t185
8.4 习题\t193
第9章 图像识别
9.1 图像识别概述\t194
9.2 传统图像识别方法\t195
9.2.1 模式识别方法\t195
9.2.2 支持向量机（SVM）\t199
9.2.3 BP神经网络图像识别\t201
9.2.4 聚类分析\t204
9.2.5 K近邻算法（KNN）\t207
9.2.6 贝叶斯分类器\t208
9.2.7 几种传统方法对比分析\t209
9.3 基于深度学习的图像识别方法\t211
9.3.1 AlexNet：卷积网络的里程碑\t211
9.3.2 GoogleNet：深度与宽度的平衡\t213
9.3.3 ResNet：深度网络的残差学习\t215
9.3.4 Swin Transformer：视觉Transformer新篇章\t217
9.3.5 几种深度学习模型效果对比\t219
9.4 习题\t219
第10章 目标检测
10.1 目标检测概述\t221
10.2 传统目标检测方法\t222
10.2.1 基于Haar特征的级联分类器\t222
10.2.2 基于HOG特征和SVM的目标检测\t228
10.2.3 滑动窗口法\t231
10.2.4 DPM\t233
10.2.5 传统方法小结\t237
10.3 基于深度学习的目标检测\t238
10.3.1 概述\t238
10.3.2 二阶段目标检测算法\t239
10.3.3 单阶段目标检测算法\t241
10.4 习题\t254
第11章 数字图像处理综合实例
11.1 基于人脸视频的心率估计与表情识别\t255
11.1.1 工作原理\t255
11.1.2 实验设置\t256
11.1.3 算法实现\t257
11.2 一种基于几何形状特征的瞳孔定位方法\t260
11.2.1 背景介绍\t260
11.2.2 硬件系统设计\t260
11.2.3 方案设计\t262
11.2.4 实验结果\t264
11.3 基于肤色分割的人脸检测\t267
11.3.1 应用背景\t267
11.3.2 方案设计\t267
11.3.3 实验流程及结果\t268
11.4 Mask R-CNN在目标检测和实例分割中的应用\t271
11.4.1 背景简介\t271
11.4.2 实验设置\t271
11.4.3 实验结果及分析\t272
11.5 基于DETR的热轧带钢表面缺陷检测\t273
11.5.1 背景简介\t273
11.5.2 实验设置\t273
11.5.3 实验结果及分析\t274
11.6 习题\t275
第12章 数字图像处理技术工程应用案例
12.1 金属工件缺陷检测\t276
12.1.1 应用背景\t276
12.1.2 方案设计\t277
12.2 化成箔缺陷检测\t287
12.2.1 工程背景分析\t287
12.2.2 数据采集\t288
12.2.3 实验方案设计\t289
12.2.4 实验结果\t290
12.3 变电站开关识别\t292
12.3.1 工程背景分析\t292
12.3.2 实验方案设计\t292
12.3.3 实验结果\t295
12.4 习题\t296
附录A OpenCV图像处理常用函数
附录B 基于Python的图像处理常用函数
惨老文献