2007-11-18 20:26:00 chief1985 阅读数 3814
数字图像处理(MATLAB版)
悬赏分:0 - 解决时间:2007-11-9 18:38
数字图像处理(MATLAB版)
作者:冈萨雷斯
译者:阮秋琦

电子书哪里有下载?
提问者: zhoudj1983 - 助理 二级
最佳答案
搜寻论坛,中文版 数字图像处理 冈萨雷斯 2ed ,rongzhu1025已经发表在
http://bbs.matwav.com/post/view?bid=6&id=245781&sty=2&keywords=%CA%FD%D7%D6%CD%BC%CF%F1%B4%A6%C0%ED

ftp曾经有同行上传过数字图像处理 2ed 冈萨雷斯 英文版,但是现在无奈ftp暂时不能工作。

看到很多同行一如既往地在寻找这本书,所以不敢独存,拿出来与各位分享!

这本书的电子版很大, 59M,只能以共享邮箱的方式给大家使用,为了不让共享邮箱过早被关闭,所以加两个技术分保护,请大家见谅!!

急用的话,就用私语通知我!
在这里也可下载
http://bbs.matwav.com/post/view?bid=6&id=375296&sty=1&tpg=1&age=30
 
2016-03-26 17:51:58 u011314012 阅读数 7540
一、课程及书单
课程:
图像处理、矩阵论、模式识别、机器学习、最优化、凸优化、高性能计算
书单:
1、    数字图像处理的MATLAB实现(第2版)(国外计算机科学经典教材)(美)冈萨雷斯,(美)伍兹 著,阮秋琦 等译 /2011-06-01 /电子工业出版社
2、    数字图像处理(第三版)(美)冈萨雷斯 等著,阮秋琦 译 /2013-04-01 /清华大学出版社
这两本书的知识点比较全面,可根据需求有针对性的看,比如,做分割的时候主要看分割的方法:阈值法,分水岭、水平集、区域生长法等。

3、    矩阵论 (修订版) 第四版 程云鹏,徐仲 编著 /2013-09-01 /西北工业大学出版社
图像处理中,范数、奇异值分解、矩阵求逆、广义逆等知识经常用。

4、    模式识别(第三版)(新编《信息、控制与系统》系列教材)张学工 编著 /2010-08-01 /清华大学出版社
上课的教程,很经典的教材。

5、    统计学习方法 李航 编著  清华大学出版社   
机器学习这方面的书非常多,选一本看看

6、    最优化理论与算法(第2版)作者:陈宝林 编著 出版社:清华大学出版社 出版时间:2005年10月
上课教程,个人感觉9-12章可重点学习。分别是:一维搜索、使用导数的最优化方法(最速下降、牛顿法、拟牛顿法、共轭梯度法、最小二乘等)、无约束最优化的直接方法、可行性方法

7、    凸优化 鲍德 (Stephen Boyd) Lieven Vandenberghe 著,王书宁,许鋆,黄晓霖 译 /2013-01-01 /清华大学出版社
有难度,可选课学习,北邮庄伯金老师这门课讲的不错

8、    GPU高性能编程CUDA实战(美)桑德斯著,聂雪军等译 /2011-01-01 /机械工业出版社
比较基础,易懂,书不厚

二、课件、PPT
1、上海交大 熊红凯教授 Digital Image Processing 
http://ivm.sjtu.edu.cn/dip.html
课件、参考书、参考代码等  很详细

2、南京大学 周志华教授团队 李宇峰教授 数字图像处理   已下载
http://cs.nju.edu.cn/liyf/dip15/dip.psp

3、北邮 门爱东教授 图像处理课件PPT   已下载

三、博客、代码工具箱
特别多,取决于研究方向,以下列举自己看过的感觉比较好、有开源代码的。

图像处理(重建、去噪)
http://www4.comp.polyu.edu.hk/~cslzhang/  香港理工 Prof. Lei Zhang

医学图像:
http://research.rutgers.edu/~shaoting/index.html   Prof. Shaoting Zhang
http://web.mst.edu/~yinz/ 
http://www.bme.ufl.edu/labs/yang/research.html   Prof. Yang Lin
http://www.albany.edu/celltracking/ 
http://www.yelab.net/   Prof.  Jieping Ye

水平集:
http://www.engr.uconn.edu/~cmli/#Selected Publications      Prof. Chunming Li
http://kaihuazhang.net/       Prof. Kaihua Zhang

深度学习方面:
http://www.cnblogs.com/tornadomeet/tag/Deep%20Learning/  中文博客

http://deeplearning.stanford.edu/wiki/index.php/UFLDL%E6%95%99%E7%A8%8B  DL学习教程
http://www.csdn.net/article/2015-09-15/2825714   各种编程语言的深度学习库整理
https://github.com/rasmusbergpalm/DeepLearnToolbox   工具箱matlab的
https://github.com/happynear/caffe-windows  caffe

稀疏表示、字典学习
http://www.cs.technion.ac.il/~elad/software/     以色列 Michael Elad
http://www.cs.technion.ac.il/~ronrubin/software.html  Dr. Ron Rubinstein

四、数据集
http://bioimage.ucsb.edu/research/bio-segmentation   细胞组织分割,带标签
http://www.broadinstitute.org/bbbc/image_sets.html   生物图像分类、分割等,带标签
https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI  肺癌CT数据,124G,带标签
http://yann.lecun.com/exdb/mnist/  手写数字数据集
2016-10-19 19:09:19 luoyouren 阅读数 3676

 

博主QQ:1356438802

QQ群:473383394——UVC&OpenCV47

 

 

 

 

最近几天开始收集图像识别的相关资料:

 

  • 程序开源库主要就是OpenCV,这是主流工具,所以我暂时也没去了解其他的算法库。
  • 算法讲解类的书籍,网友推荐了基本经典的,《数字图像处理第二版中文版(冈萨雷斯)》、《模式识别-第二版(西奥多里蒂斯 著,李晶皎译)》,这俩是国外著名的,国内应该更多,反正现在也没时间看,先不了解那么多。

 

首先就来对OpenCV进行深入的研究学习

  • 在国内找了一些CSDN的博客(感谢这些博主):OpenCV 图像处理领域活跃的博主
  • 然后翻墙在国外找了一些资料,全英文的确实看的很费劲,其实OpenCV官网有很多资源,然后“国外的知乎”——Quora,还有YouTube上面有些大牛放了视频教程。不过我觉得,我还是先消化完国内的那些探路人的成果吧!

 

接下来寻找中文版的OpenCV资料,有OpenCV中文网站,还有很多书籍,《学习OpenCV(中文版)》、《OpenCV计算机视觉编程攻略》、《OpenCV入门教程-于仕琪》、《OpenCV教程-基础篇-于仕琪》、《OpenCV3编程入门-毛星云》,于仕琪是深大的一位博导吧应该,是国内视觉识别领域的领军人物,我看很多博客都提到了他和他的书本。

 

粗略的浏览了下上面的那几本书籍,除了《OpenCV3编程入门-毛星云》这本书,其他都是基于OpenCV 1.0的,版本比较早期,可以说功能和代码稳定性都很落后,所以我就打算从 毛星云的《OpenCV3编程入门》开始入门了!

 

而且这本书中也提到了,现在市面上基于OpenCV 2.0/3.0的书籍几乎没有,所以就用它吧!

 

 

附上毛星云的博客:【浅墨著作】《OpenCV3编程入门》内容简介&勘误&配套源代码下载

 

另外还有《OpenCV3编程入门-毛星云》书本和配套源码的百度云盘下载:

链接:https://pan.baidu.com/s/1QWecen9NTSXvbIItBAay1w

提取码:gpjp 
 

 

 

 

 

 

 

2019-05-06 16:43:38 duozhishidai 阅读数 390

1、数字图像处理,冈萨雷斯,阮秋琦(译),电子工业出版社;

2、opencv基础篇,于仕琦,刘瑞祯,北京航空航天大学出版社;

3、LearningOpenCVcomputervisionwiththeopencvlibrary,GaryBradski,AdrianKaebler,O’REILLY

4、模式识别,边肇琪,张学工,清华大学出版社;

5、模式分类(英文版·第2版)作者:RichardO.DudaPeterE.HartDavidG.Stork出版社:机械工业出版社出版日期:2004年2月

模式分类(中文版·第2版)作者:RichardO.DudaPeterE.HartDavidG.Stork李宏东等译出版社:机械工业出版社出版日期:2004年2月

6、机器学习,Mitchell,曾华军(译),机械工业出版社;

7、ComputerVision:AlgorithmsandApplications,Richardszeliski;

8、PatternRecognition&MachineLearning,M.Bishop,Springer.这本书,目前还没有中文版的,英文原版的也有点贵,不过,网上倒是可以找到电子版的。

9、《统计模式识别(第二版)国外计算机科学教材系列》(英)韦布电子工业出版社

10、国外计算机科学教材系列:模式识别(第二版)西奥多里蒂斯电子工业出版社2004年9月

11、图像处理、分析与机器视觉(第3版),~桑卡(MilanSonka)(作者),赫拉瓦卡(VaclavHlavac)(作者),博伊尔(RogerBoyle)(作者),艾海舟(译者),苏延超(译者),等(译者)

人工智能、大数据、云计算和物联网的未来发展值得重视,均为前沿产业,多智时代专注于人工智能和大数据的入门和科谱,在此为你推荐几篇优质好文:
学习人工智能,教学大纲是这样设计的
http://www.duozhishidai.com/article-2396-1.html
在人工智能学习训练中,会遇到哪些问题?
http://www.duozhishidai.com/article-2389-1.html
人工智能学习,必读书籍推荐!
http://www.duozhishidai.com/article-932-1.html


多智时代-人工智能大数据学习入门网站|人工智能、大数据、物联网云计算的学习交流网站

多智时代-人工智能大数据学习入门网站|人工智能、大数据、云计算、物联网的学习服务的好平台
2016-11-20 18:41:00 weixin_34319111 阅读数 66

众所周知数字图像处理经典的教材有:

数字图像处理(第三版)作者:(美)冈萨雷斯,(美)伍兹 著,阮秋琦 等译出版社:电子工业出版社出版时间:2011年06月 

图像处理/章毓晋著  清华大学出版社   分为:图像工程(上册)——图像处理  图像工程(中册)——图像分析(第3版) 图像工程(下册)——图像理解(第3版)

《数字图像处理与机器视觉——Visual C++与Matlab实现(第2版)》 张铮,徐超,任淑霞,韩海玲 编著  人民邮电出版社 【我个人在用,主要有详细代码】

学习一定知识后,我们要开始整理知识结构,这样才可以把握图像处理的一些方法。

冈萨雷斯的目录为例:

第1章 绪论 
 前言 
 1.1 什么是数字图像处理 
 1.2 数字图像处理的起源 
 1.3 使用数字图像处理的领域实例 
 1.4 数字图像处理的基本步骤 
 1.5 图像处理系统的组成 
 小结 
 参考文献 
第2章 数字图像基础 
 引言 
 2.1 视觉感知要素 
 2.2 光和电磁波谱 
 2.3 图像感知和获取 
 2.4 图像取样和量化 
 2.5 像素间的一些基本关系 
 2.6 数字图像处理中所用数学工具的介绍 
 小结 
 参考文献 
 习题 
第3章 灰度变换与空间滤波 
 引言 
 3.1 背景知识 
 3.2 一些基本的灰度变换函数 
 3.3 直方图处理 
 3.4 空间滤波基础 
 3.5 平滑空间滤波器 
 3.6 锐化空间滤波器 
 3.7 混合空间增强法 
 3.8 使用模糊技术进行灰度变换和
 空间滤波 
 小结 
 参考文献 
 习题 
第4章 频率域滤波 
 引言 
 4.1 背景知识 
 4.2 基本概念 
 4.3 取样和取样函数的傅里叶变换 
 4.4 单变量的离散傅里叶变换(dft) 
 4.5 两个变量的函数的扩展 
第5章 图像复原与重建 
 前言 
 5.1 图像退化/复原处理的一个模型 
 5.2 噪声模型 
 5.3 只存在噪声的复原——空间滤波 
 5.4 使用频率域滤波消除周期噪声 
 5.5 线性、位置不变的退化 
 5.6 估计退化函数 
 5.7 逆滤波 
 5.8 最小均方误差(维纳)滤波 
 5.9 约束最小二乘滤波 
 5.10 几何均值滤波 
 5.11 由投影重建图像 
 小结 
 参考文献 
 习题 
第6章 彩色图像处理 
 引言 
 6.1 彩色基础 
 6.2 彩色模型 
 6.3 伪彩色图像处理 
 6.4 全彩色图像处理基础 
 6.5 彩色变换 
 6.6 平滑和锐化 
 6.7 基于彩色的图像分割 
 6.8 彩色图像中的噪声 
 6.9 彩色图像压缩 
 小结 
 参考文献 
 习题 
第7章 小波和多分辨率处理 
 引言 
 7.1 背景 
 7.2 多分辨率展开 
 7.3 一维小波变换 
 7.4 快速小波变换 
 7.5 二维小波变换 
 7.6 小波包 
 小结 
 参考文献 
 习题 
第8章 图像压缩 
 引言 
 8.1 基础知识 
 8.2 一些基本的压缩方法 
 8.3 数字图像水印处理 
 小结 
 参考文献 
 习题 
第9章 形态学图像处理 
 引言 
 9.1 预备知识 
 9.2 腐蚀和膨胀 
 9.3 开操作与闭操作 
 9.4 击中或击不中变换 
 9.5 一些基本的形态学算法 
 9.6 灰度级形态学 
 小结 
 参考文献 
 习题 
第10章 图像分割 
 引言 
 10.1 基础知识 
 10.2 点、线和边缘检测 
 10.3 阈值处理 
 10.4 基于区域的分割 
 10.5 使用形态学分水岭的分割 
 10.6 分割中运动的应用 
 小结 
 参考文献 
 习题 
第11章 表示和描述 
 引言 
 11.1 表示 
 11.2 边界描绘子 
 11.3 区域描绘子 
 11.4 使用主分量进行描述 
 11.5 关系描绘子 
 小结 
 参考文献 
 习题 
第12章 目标识别 
 引言 
 12.1 模式和模式类 
 12.2 基于决策理论方法的识别 
 12.3 结构方法 
 小结 
 参考文献 
 习题 
附录a 图像压缩编码表 
附录b 参考书目 
索引

 

图像工程目录:

《图像工程(第3版)(精装)》为《图像工程》(第3版)的上、中、下册合订本,全面介绍图像工程的第一层次——图象处理,图像工程的第二层次——图像分析,图像工程的第三层次——图像理解的基本概念、基本原理、典型方法、实用技术以及国际上有关研究的新成果。
  上册主要分四个单元。第1单元(包含第2~4章)介绍图像增强技术,第2单元(包含第5~7章)介绍图像恢复技术,第3单元(包含第8~10章)介绍图像编码技术,第4单元(包含第11~14章)介绍拓展图像技术。中册主要分四个单元。第1单元(包含第2~5章)介绍图像分割技术,第2单元(包含第6~8章)介绍对分割出目标的表达描述技术,第3单元(包含第9~11章)介绍目标特性分析技术,第4单元(包含第12~14章)介绍一些相关的数学工具。下册主要分四个单元。第1单元(包含第2~4章)介绍图像采集表达技术,第2单元(包含第5~8章)介绍景物重建技术,第3单元(包含第9~11章)介绍场景解释技术,第4单元(包含第12~14章)介绍三个研究示例。

上册图像处理
第1章 绪论
第1单元图像增强
第2章 空域增强:点操作
第3章 空域增强:模板操作
第4章 频域图像增强
第2单元图像恢复
第5章 图像消噪和恢复
第6章 图像校正和修补
第7章 图像投影重建
第3单元图像编码
第8章 图像编码基础
第9章 图像变换编码
第10章 其他图像编码方法
第4单元拓展技术
第11章 图像水印
第12章 彩色图像处理
第13章 视频图像处理
第14章 多尺度图像处理
附录a图像国际标准
部分习题解答
参考文献
索引
中册图像分析
第1章 绪论
第1单元图像分割
第2章 图像分割基础
第3章 典型分割算法
第4章 分割技术扩展
第5章 分割评价比较
第2单元表达描述
第6章 目标表达
第7章 目标描述
第8章 测量和误差分析
第3单元特性分析
第9章 纹理分析
第10章 形状分析
第11章 运动分析
第4单元数学工具
第12章 数学形态学:二值
第13章 数学形态学:灰度
第14章 图像识别
附录a人脸和表情识别
部分习题解答
参考文献
索引
下册图像理解
第1章 绪论
第1单元采集表达
第2章 摄像机成像
第3章 深度信息采集
第4章 3-d景物表达
第2单元景物重建
第5章 立体视觉:双目
第6章 立体视觉:多目
第7章 景物恢复:多图像
第8章 景物恢复:单图像
第3单元场景解释
第9章 知识表达和推理
第10章 广义匹配
第11章 场景分析和语义解释
第4单元研究示例
第12章 多传感器图像信息融合
第13章 基于内容的图像和视频检索
第14章 时空行为理解
附录a视觉和视知觉
部分习题解答
参考文献
索引

 个人理解:

图像处理,分析,识别

图形处理的方法很多,基本的点运算(直方图,灰度变换),几何变换,空域(平滑/锐化)【滤波】,频域(平滑/锐化)【滤波】等....

             彩色图像处理,小波变换,形态学处理一般是三个独立的章节。

用这些方法主要处理的问题有:图像增强,图像复原,图像编码与压缩(没有接触过),图像分割【用到特征提取的方法】

进一步就是从图像中得到有用信息: 图像的特征提取【纹理,形状】,目标的表达和描述【描述子】等.....

最后我们用处理过的图像,得到其中的有用信息来做什么:做一些机器视觉功能,让计算机代替人的工作,识别目标,场景恢复等【图像识别和模式识别】....

       当然随着当前人工智能的发展【机器人,语音识别,图像识别,自然语言处理等】,传统的图像处理方法已经不能满足需求,很多时候都开始用机器学习和深度学习的方法处理。例如ANN,SVM,AdaBoost,CNN等,通过大量的样本学习,从其中的到图像特征,然后在运用到实际中。当然这里有很多方法,对应每种方法适用的场景和算法流程慢慢的熟悉。现在比较成熟的车牌识别已经应用,人脸识别也有大量的创业公司在做,其中机器视觉领域top10公司,基本上都有较好的人脸识别方案。现在特别是以CNN为主的深度学习很热,其主要原因有二,其一有足够的训练样本,其二当前能满足这么大的计算需求。

       个人感觉实际工程应用中并没有用很新的技术方法或者复杂的算法,都用一些经典的方法,训练过程基本都是用现有成熟的机器学习库,然后调整参数的过程。

 
没有更多推荐了,返回首页