导语

  

内容提要

  

    本书紧贴当前实际，将最新的人工智能技术与图像处理相结合，系统介绍了智能图像处理的基本概念、处理技术及其应用领域。全书以图像处理基本流程为主线，内容包括智能图像处理技术、图像分割、图像特征提取、目标检测、图像识别、图像跟踪、目标行为分析、图像融合、图像处理应用实例、图像处理发展趋势。本书将智能图像处理算法和大量的应用实例相结合进行阐述，内容涵盖生物医学、机器视觉、智能交通、智能安防、军事等领域，在各章都列举了有代表性的实例，这些实例具有较好的通用性和应用性，便于读者学习理解，并能很快将这些方法投入到实际应用中。
    本书适合作为高等院校师生学习智能图像处理技术的教辅材料，也可作为科研院所和公司研发人员的参考用书。

    杨露菁：博士，海军工程大学教授，专业技术大校。军队院校育才奖银奖获得者，海军高新科技人才工程培养对象。获军队科技进步二等奖1项，三等奖6项；国防科技进步二等奖1项；军队教学成果三等奖1项；总参信息化部通信兵教学成果二等奖1项；海军院校优秀课程一等奖1项，二等奖1项；海军优秀教材二等奖1部；海军军事理论研究课题三等奖2项。获全军研究生创新论坛征文一等奖、军事信息通信研讨会征文一等奖、武汉市自然科学优秀学术论文三等奖各1项。海军新军事变革丛书编委，出版编（译）著5部，其中国防工业出版社2部、电子工业出版社1部、北京邮电大学出版社2部（属于军队2110工程建设教材2部、海军重点教材2部、大学研究生教材基金项目1部）。

第1章  绪论
  1.1  图像与图像处理概述
    1.1.1  图像与图像处理的概念
    1.1.2  图像处理过程
    1.1.3  图像处理任务
  1.2  智能图像处理概述
    1.2.1  智能图像处理概念
    1.2.2  智能图像基准数据集
    1.2.3  智能图像处理基准测试
  1.3  智能图像处理应用领域
    1.3.1  医疗领域
    1.3.2  机器视觉
    1.3.3  智能交通
    1.3.4  智能安防
    1.3.5  军事领域
第2章  智能图像处理技术
  2.1  机器学习理论
    2.1.1  机器学习概述
    2.1.2  机器学习方式
    2.1.3  机器学习算法
  2.2  人工神经网络
    2.2.1  人工神经元
    2.2.2  感知器
    2.2.3  支持向量机
    2.2.4  递归神经网络
  2.3  卷积神经网络
    2.3.1  深度学习概述
    2.3.2  卷积神经网络原理
    2.3.3  VGG卷积神经网络
第3章  智能图像分割
  3.1  图像分割基本概念
    3.1.1  图像分割概念
    3.1.2  传统图像分割方法
  3.2  智能图像分割方法
    3.2.1  基于模糊聚类的分割方法
    3.2.2  基于群智能的图像分割方法
    3.2.3  基于CNN的图像分割方法
  3.3  图像分割的应用效果
    3.3.1  医学图像分割
    3.3.2  交通图像分割
    3.3.3  身体部位分割
第4章  智能图像特征提取
  4.1  图像特征概述
    4.1.1  图像特征的基本概念
    4.1.2  图像的底层特征
  4.2  智能图像特征提取方法
    4.2.1  图像的深层特征
    4.2.2  深度学习特征提取
    4.2.3  深度学习特征提取的例子
  4.3  图像特征提取应用
    4.3.1  医学图像特征
    4.3.2  水面目标特征
第5章  智能目标检测
  5.1  图像目标检测原理
    5.1.1  目标检测技术框架
    5.1.2  目标检测评价指标
    5.1.3  目标检测应用分类
  5.2  智能目标检测算法
    5.2.1  R—CNN
    5.2.2  SPPNet
    5.2.3  Fast RCNN
    5.2.4  Faster RCNN
    5.2.5  YOL0系列
  5.3  智能目标检测应用
    5.3.1  人脸检测
    5.3.2  无人艇目标检测
    5.3.3  车辆检测
    5.3.4  缺陷检测
第6章  智能图像识别
  6.1  图像识别基本原理
    6.1.1  图像识别概述
    6.1.2  图像识别过程
    6.1.3  传统图像识别方法
    6.1.4  卷积神经网络识别模型
  6.2  文字识别
    6.2.1  文字识别系统
    6.2.2  LeNet网络文字识别
    6.2.3  文字识别应用——车牌识别
  6.3  人脸识别
    6.3.1  人脸识别系统
    6.3.2  人脸识别算法
    6.3.3  人脸识别应用——人机交互
  6.4  手部生物特征识别
    6.4.1  指纹识别
    6.4.2  掌纹识别
    6.4.3  静脉识别
    6.4.4  手部生物特征识别应用——身份鉴别
第7章  智能图像跟踪
  7.1  图像跟踪概述
    7.1.1  图像跟踪问题描述
    7.1.2  图像跟踪步骤
    7.1.3  图像跟踪算法分类
  7.2  智能图像跟踪算法
    7.2.1  DLT和SO-DLT算法
    7.2.2  FcNT和HCFVT算法
    7.2.3  MDNet算法
    7.2.4  RTT算法
  7.3  图像跟踪应用
    7.3.1  图像跟踪应用概述
    7.3.2  交通视频车辆跟踪
    7.3.3  街景视频行人跟踪
第8章  智能目标行为分析
  8.1  智能视频分析概述
    8.1.1  智能视频分析的基本概念
    8.1.2  智能视频分析的实现方式
    8.1.3  智能视频分析功能
  8.2  人体行为分析
    8.2.1  人体行为分析概述
    8.2.2  人体行为分析方法
    8.2.3  人体行为分析应用
  8.3  行人异常行为分析
    8.3.1  行人摔倒行为分析
    8.3.2  人群异常行为分析
  8.4  手势识别
    8.4.1  手势识别概述
    8.4.2  基于视觉的手势识别
  8.5  多人视频中关键事件识别
第9章  智能图像融合
  9.1  图像融合概述
    9.1.1  图像融合的基本概念
    9.1.2  图像融合的处理层次
  9.2  图像融合方法
    9.2.1  图像融合方法概述
    9.2.2  基于卷积神经网络的图像融合方法
  9.3  图像融合应用
    9.3.1  多模态医学影像融合
    9.3.2  多元遥感图像融合
    9.3.3  多源交通图像融合
    9.3.4  多波段舰船图像融合
第10章  智能图像处理应用实例
  10.1  身份鉴别
    10.1.1  苹果手机刷脸解锁
    10.1.2  刷脸的生活应用
  10.2  智能安防
    10.2.1  格灵深瞳监控系统
    10.2.2  商汤科技智能人群分析
    10.2.3  全球眼
    10.2.4  智能视频监控产品
  10.3  机器视觉
    10.3.1  百度机器人人脸识别
    10.3.2  百度无人驾驶
    10.3.3  亚马逊无人超市
  10.4  人机交互
    10.4.1  百度识图
    10.4.2  腾讯云OCR文字识别
    10.4.3  Facebook图片搜索
第11章  智能图像处理发展趋势
  11.1  智能图像处理的发展动力
  11.2  智能图像处理的发展趋势
    11.2.1  总体发展特点
    11.2.2  图像设备发展趋势
    11.2.3  图像处理硬件系统发展趋势
    11.2.4  图像处理技术发展趋势
  11.3  图像处理与分析开发平台
    11.3.1  0penCV
    11.3.2  Face
    11.3.3  NiftvNet
    11.3.4  其他开源项目
  11.4  智能图像处理应用发展趋势
    11.4.1  智能安防行业
    11.4.2  智能交通领域
    11.4.3  身份识别
    11.4.4  工业生产领域
    11.4.5  农业生产领域
  11.5  智能图像处理存在的问题
参考文献