本書主要介紹現(xiàn)代數(shù)字圖像處理的高級應(yīng)用，內(nèi)容包括熱點圖像處理方法原理及其MATLAB仿真、并行計算及其在圖像處理中的應(yīng)用、圖像并行處理環(huán)境構(gòu)建、典型圖像處理方法的CUDA實現(xiàn)以及數(shù)字圖像處理思維方法點撥。本書的主要特色為瞄準前沿?zé)狳c、理論講解透徹和代碼注解詳細。 本書可作為高等院校電子信息、計算機相關(guān)專業(yè)本科生、研究生的教材，也可作為畢業(yè)設(shè)計、研究生課題、各類相關(guān)競賽的參考資料，還可作為相關(guān)工程技術(shù)人員的參考書。
(1)瞄準前沿 本書所介紹的圖像去霧技術(shù)、對圖像去霧技術(shù)、尺度不變特征點的提取、圖像融合、視頻圖像運動估計、基于CUDA的圖像并行處理等內(nèi)容均是現(xiàn)代數(shù)字圖像處理技術(shù)的前沿和研究熱點。通過對這些知識與技術(shù)的講解，便于讀者了解現(xiàn)代數(shù)字圖像處理領(lǐng)域的研究熱點和研究動向。 (2) 代碼翔實 本書所講解的相關(guān)理論、算法、技術(shù)配有代碼實現(xiàn)，并且對這些代碼進行了詳細的注解。讀者可通過閱讀代碼，對本書講解的內(nèi)容進行更加深入的了解。 (3)數(shù)字圖像處理思維方法點撥作者根據(jù)多年的教學(xué)和項目經(jīng)驗，對數(shù)字圖像處理的思維方法進行總結(jié)，傳授經(jīng)驗、運用Triz思維，突破圖像處理瓶頸 (4)MATLAB中文論壇與作者在線交流
目錄
第1章熱點圖像處理方法原理及其MATLAB仿真
1.1基于模型的圖像邊緣檢測及其代碼快速生成
1.1.1模型驅(qū)動開發(fā)思想概述
1.1.2模型驅(qū)動開發(fā)的優(yōu)勢
1.1.3模型驅(qū)動開發(fā)在圖像處理領(lǐng)域中的應(yīng)用
1.1.4基于SimulinkBlocks的模型驅(qū)動開發(fā)圖像處理
1.1.5基于Sobel算子的邊緣檢測的基本原理
1.1.6基于模型的實現(xiàn)
1.1.7代碼的快速生成
1.2從向量相關(guān)角度實現(xiàn)圖像匹配
1.2.1基于相關(guān)運算圖像匹配的過程
1.2.2在向量空間分析圖像相關(guān)匹配
1.2.3基于向量相關(guān)的圖像匹配的MATLAB實現(xiàn)
1.3霧靄圖像清晰化及其實現(xiàn)
1.3.1Retinex理論
1.3.2基于Retinex理論的圖像增強的基本步驟
1.3.3多尺度Retinex算法
1.3.4例程精講
1.4基于運動估計的視頻倍頻插幀
1.4.1運動估計簡介
1.4.2運動估計的應(yīng)用領(lǐng)域
1.4.3運動估計方法分類
1.4.4基于塊匹配方法的運動估計
1.4.5相關(guān)概念
1.4.6匹配方法： 價值函數(shù)
1.4.7搜索算法
1.4.8實際應(yīng)用舉例
1.5SIFT特征提取與描述
1.5.1SIFT算法
1.5.2SIFT特征描述
1.5.3實例精講
1.6SURF特征提取與匹配
1.6.1積分圖像
1.6.2DoH近似
1.6.3尺度空間表示
1.6.4SURF特征描述算子
1.6.5程序?qū)崿F(xiàn)
1.7基于余弦變換的多聚焦圖像融合
1.7.1什么是圖像融合
1.7.2圖像融合的層次
1.7.3多聚焦圖像融合
1.7.4程序?qū)崿F(xiàn)
1.8可變目標實時跟蹤技術(shù)及其實現(xiàn)
1.8.1復(fù)雜環(huán)境下目標跟蹤難點分析
1.8.2可變目標跟蹤算法的原理
1.8.3模板更新方法
1.8.4程序?qū)崿F(xiàn)
第2章并行計算及其在圖像處理中的應(yīng)用
2.1并行計算的理論知識
2.1.1如何理解并行計算
2.1.2并行計算的發(fā)展
2.1.3并行計算的各類實現(xiàn)方式
2.1.4并行計算機常用編程工具
2.1.5什么是GPU
2.2基于并行計算的圖像處理
2.2.1基于并行計算的圖像處理的優(yōu)勢
2.2.2效能評價標準
2.2.3圖像處理并行設(shè)計方法
2.2.4需要考慮的一些問題
第3章圖像并行處理環(huán)境構(gòu)建
3.1建立一個簡單的對話框工程
3.2用OpenCV顯示Hello World
3.3安裝配置CUDA環(huán)境
3.4用CUDA進行并行圖像處理
3.5使用OpenCV讀入、處理和顯示圖像
3.6CUDA編程簡介及其在圖像處理中應(yīng)用
3.6.1主機端和設(shè)備端
3.6.2內(nèi)核函數(shù)、CUDA軟件體系和NVCC編譯器
3.6.3CUDA線程模型的層次結(jié)構(gòu)
3.6.4GPU組成結(jié)構(gòu)及其與線程模型的關(guān)系
3.6.5SDK和函數(shù)庫
第4章典型圖像處理方法的GPU實現(xiàn)
4.1基于kernel函數(shù)的并行圖像處理的程序?qū)崿F(xiàn)
4.2從圖像處理算法到GPU代碼實現(xiàn)
4.2.1模板匹配的MATLAB代碼
4.2.2模板匹配的CPU串行實現(xiàn)
4.2.3模板匹配的GPU并行實現(xiàn)
4.3使用紋理存儲器加速
4.3.1Sobel算子邊緣提取的GPU實現(xiàn)
4.3.2雙線性插值圖像縮放的GPU實現(xiàn)
4.4基于CUFFT函數(shù)庫的圖像頻域變換
4.4.1圖像FFT變換和頻域低通濾波
4.4.2頻域高通濾波
4.4.3多尺度Retinex去霧算法
4.5自適應(yīng)直方圖均衡
4.6RGB圖像的GPU并行處理
4.6.1彩色圖像去霧算法
4.6.2彩色圖像去霧和直方圖均衡
4.6.3K最近鄰濾波器
4.6.4非局部均值濾波器
第5章數(shù)字圖像處理思維方法點撥
5.1學(xué)習(xí)點撥： 談學(xué)習(xí)數(shù)字圖像處理的經(jīng)驗
5.1.1面向應(yīng)用： 層層分解、抓住要點
5.1.2面向?qū)W習(xí)： 追根溯源、比較總結(jié)
5.2思維點撥： 運用Triz思維，突破圖像處理瓶頸
5.2.1Triz理論概述
5.2.2實例分析： 運用Triz理論改進Hough變換的實時性
5.3仿生理論助力圖像處理技術(shù)發(fā)展
5.3.1什么是仿生理論
5.3.2仿生理論在數(shù)字圖像處理中的應(yīng)用
附錄ATriz矛盾矩陣表、39項技術(shù)參數(shù)以及40條創(chuàng)新原則
參考文獻
第5章數(shù)字圖像處理思維方法點撥
5.1學(xué)習(xí)點撥： 談學(xué)習(xí)數(shù)字圖像處理的經(jīng)驗5.1.1面向應(yīng)用： 層層分解、抓住要點
我們學(xué)習(xí)數(shù)字圖像處理的最終目的還是應(yīng)用，不管是用它來研制產(chǎn)品還是研發(fā)項目抑或是研究課題，都要用數(shù)字圖像處理的理論、方法和技術(shù)來解決實際問題。在此過程中，提高效率是非常重要的，因此，在實際應(yīng)用過程中要面向需求，結(jié)合實際； 將問題層層分解，理清解決思路； 抓住其要害，集中力量進行突破，切忌眉毛胡子一把抓。下面就結(jié)合筆者所研究過的一個課題進行詳細說明。任務(wù)要求： 一臺智能移動機器人上配備有單目可見光視覺傳感器，要求通過該視覺傳感器采集的視頻序列圖像，實現(xiàn)在復(fù)雜環(huán)境下實現(xiàn)對紋理清晰的特定目標的實時跟蹤。
注： 該問題的解決應(yīng)從硬件和軟件兩個方面進行考慮，對硬件的選擇、設(shè)計和搭建超出了本書所討論的內(nèi)容，因此，本節(jié)僅從數(shù)字圖像處理方法的角度進行分析。分析討論： (1) 任務(wù)分解： 通過對任務(wù)要求進行分析可知，該任務(wù)的核心是“目標識別跟蹤”； 在此基礎(chǔ)上有兩個約束條件： “復(fù)雜環(huán)境下”和“實時性”； 方法實現(xiàn)的平臺是“移動機器人”。任務(wù)的核心——“目標識別跟蹤”，是我們所需要解決的難點和重點； 約束條件1——“復(fù)雜環(huán)境下”，則要求我們對所采集的圖像進行去噪預(yù)處理； 約束條件2——“實時性”，也是需要解決的問題，這就要求我們盡可能地降低各種算法的運算復(fù)雜度。由于實現(xiàn)平臺“移動機器人”在行進過程中采集的視頻圖像存在抖動現(xiàn)象，因此，在對采集的圖像進行去噪后需要對其進行增穩(wěn)處理。通過初步分解，就得到了任務(wù)中所要解決的問題以及大致流程，如圖5.1.1所示。
圖5.1.1任務(wù)分解及流程
2) 難點分解： 本任務(wù)的難點是“目標識別跟蹤”。之所以稱其為難點，是因為對目標的識別和跟蹤過程中，存在視覺傳感器與目標物體的相對運動，因而，目標在圖像中存在著尺度變化、旋轉(zhuǎn)變化、視角變化、照度變化以及局部遮擋，這給目標識別和跟蹤帶來了挑戰(zhàn)。常用的目標識別與跟蹤算法有基于幀間差分的目標識別與跟蹤法、基于光流的目標識別與跟蹤法、基于模板匹配的目標識別與跟蹤法、基于顏色的目標識別與跟蹤法、基于特征點的目標識別與跟蹤法。考慮到每種方法的特點以及待跟蹤目標具有清晰的紋理，可以采用基于特征點的目標識別與跟蹤法。更進一步地說，應(yīng)采用尺度不變特征點(詳見4.6節(jié))作為識別與跟蹤的特征，因為尺度不變特征點對尺度變化、旋轉(zhuǎn)變換、視角變化、照度變化和局部遮擋具有魯棒性。同時，我們希望目標識別和跟蹤算法具有良好的實時性，因而，可以考慮PCASIFT和SURF特征點作為目標特征。此外，由于視頻序列相鄰圖像之間存在相關(guān)性，目標在相鄰幀之間不會有劇烈的變換，因而，可采用隔幀搜索法對目標進行檢測并用Kalman濾波或粒子濾波對目標的軌跡進行預(yù)測。難點分解的過程如圖5.1.2所示。
