本书介绍了数字图像处理技术和深度学习技术，以及这些技术的应用，全书由12章组成。前九章主要介绍数字图像处理技术，内容包括：Python 环境搭建、位图基础、图像的显示、图像的几何变换、图像灰度变换、图像的平滑处理、图像锐化处理、图像分割及测量、图像的形态学处理，后三章主要介绍深度学习技术，将数字图像处理技术和深度学习技术相结合应用于项目开发，内容包括基于卷积神经网络CNN 模型的汉字识别、基于Faster RCNN 模型的手势识别、基于卷积神经网络CNN 模型的语音识别共三个项目的开发技术。本书仅仅介绍基本的理论知识，同时介绍将理论转化为代码的实现步骤和基于Python 开发工具的编程代码，并且可以将处理前与处理后的图像进行对照比较。实例程序的框架结构简单，代码简洁，使初学Python 者很快就掌握图像处理与图像识别技术。

杨淑莹，博士，天津理工大学计算机科学与工程学院教授，硕士研究生导师，天津市“教学名师”，中国图像图形学学会第五届理事会学术委员会委员。多年来在图像、语音、时间序列等方面进行模式识别相关工作的深入研究，涉及模式识别，数字图像处理、信号与信息处理、智能计算等领域。承担并完成国家级、市级自然科学基金项目多项，获得天津市科学技术进步奖2项，发表论文50多篇；撰写专著6部。现任国家级精品课、国家级精品资源共享课负责人；主编教材获得国家级“十一五”规划教材和国家级“十二五”规划教材；获得市级教学成果奖3项。

第1章　图像处理编程基础 （1）
1.1 Python开发基础 （1）
1.1.1 Python的安装 （1）
1.1.2 PyCharm的安装 （6）
1.1.3 OpenCV及常用库的配置 （9）
1.2 数字图像处理与深度学习技术简介 （13）
1.3 系统界面开发基础 （15）
1.4 图像显示 （17）
1.4.1 待处理图像的显示 （17）
1.4.2 处理后图像的显示 （20）
习题 （20）
第2章 彩色图像特效处理 （21）
2.1 图像的颜色表示 （21）
2.1.1 像素的颜色 （21）
2.1.2 图像的存储结构 （21）
2.1.3 图像的精度 （25）
2.2 彩色图像的灰度化处理 （26）
2.3 彩色图像的着色处理 （28）
2.4 彩色图像的亮度调整 （29）
2.5 彩色图像的对比度调整 （31）
2.6 彩色图像的曝光处理 （33）
2.7 彩色图像的马赛克处理 （34）
2.8 彩色图像的梯度锐化处理 （35）
2.9 彩色图像的浮雕处理 （37）
2.10 彩色图像的霓虹处理 （38）
小结 （39）
习题 （40）
第3章 图像的合成处理 （41）
3.1 图像的代数运算 （41）
3.1.1 图像加运算 （41）
3.1.2 图像减运算 （43）
3.2 图像逻辑运算 （45）
3.2.1 位与运算 （46）
3.2.2 位或运算 （47）
3.2.3 位非运算 （48）
3.2.4 位异或运算 （49）
小结 （50）
习题 （51）
第4章 图像的几何变换 （52）
4.1 概述 （52）
4.2 图像平移 （54）
4.3 图像镜像 （56）
4.4 图像缩放 （58）
4.5 图像转置 （60）
4.6 投影变换 （61）
4.7 图像旋转 （63）
小结 （66）
习题 （66）
第5章 图像的灰度变换 （67）
5.1 概述 （67）
5.2 二值化和阈值处理 （68）
5.3 灰度线性变换与分段线性变换 （69）
5.3.1 灰度线性变换 （69）
5.3.2 分段线性变换 （71）
5.4 灰度非线性变换 （73）
5.4.1 灰度对数变换 （73）
5.4.2 灰度指数变换 （75）
5.4.3 灰度幂次变换 （76）
5.5 灰度直方图 （78）
5.5.1 灰度直方图概念 （78）
5.5.2 直方图正规化 （80）
5.5.3 直方图均衡化 （82）
5.5.4 自适应直方图均衡化 （85）
小结 （88）
习题 （88）
第6章 图像平滑处理 （89）
6.1 概述 （89）
6.2 噪声消除法 （90）
6.2.1 二值图像的黑白点噪声滤波 （90）
6.2.2 消除孤立黑像素点 （91）
6.3 邻域平均法 （93）
6.3.1 3×3均值滤波 （94）
6.3.2 N×N均值滤波 （95）
6.3.3 超限邻域平均法 （96）
6.3.4 方框滤波 （98）
6.4 高斯滤波 （100）
6.5 中值滤波 （101）
6.5.1 N×N中值滤波 （102）
6.5.2 十字形中值滤波 （103）
6.5.3 N×N最大值滤波 （105）
6.6 双边滤波 （106）
6.7 2D卷积核的实现 （109）
6.8 产生噪声处理 （111）
6.8.1 随机噪声 （111）
6.8.2 椒盐噪声 （112）
小结 （113）
习题 （114）
第7章 图像边缘锐化处理 （115）
7.1 概述 （115）
7.2 图像微分边缘检测 （116）
7.2.1 纵向边缘检测 （116）
7.2.2 横向边缘检测 （117）
7.2.3 双向边缘检测 （118）
7.3 常用的边缘检测算子及方法 （120）
7.3.1 Roberts边缘检测算子 （120）
7.3.2 Sobel边缘检测算子 （122）
7.3.3 Prewitt边缘检测算子 （124）
7.3.4 Scharr边缘检测算子 （125）
7.3.5 Krisch自适应边缘检测 （126）
7.3.6 拉普拉斯算子 （129）
7.3.7 高斯-拉普拉斯算子 （131）
7.3.8 Canny边缘检测 （134）
7.4 梯度锐化 （136）
7.4.1 提升边缘 （137）
7.4.2 根据梯度二值化图像 （139）
小结 （141）
习题 （141）
第8章 图像形态学处理 （143）
8.1 概述 （143）
8.2 图像腐蚀 （143）
8.2.1 水平腐蚀 （144）
8.2.2 垂直腐蚀 （146）
8.2.3 全方向腐蚀 （147）
8.3 图像膨胀 （148）
8.3.1 水平膨胀 （149）
8.3.2 垂直膨胀 （150）
8.3.3 全方向膨胀 （151）
8.4 图像开运算与闭运算 （152）
8.4.1 图像开运算 （152）
8.4.2 图像闭运算 （154）
8.5 形态学梯度运算 （156）
8.6 黑帽与礼帽运算 （157）
8.7 图像细化 （159）
小结 （163）
习题 （163）
第9章 图像分割与测量 （165）
9.1 概述 （165）
9.2 阈值法分割 （166）
9.2.1 直方图门限选择法 （166）
9.2.2 半阈值选择法 （169）
9.2.3 迭代阈值法 （171）
9.2.4 Otsu阈值法 （173）
9.2.5 自适应阈值法 （175）
9.2.6 分水岭算法 （177）
9.3 投影法分割 （184）
9.3.1 水平投影分割 （184）
9.3.2 垂直投影分割 （185）
9.4 轮廓检测 （187）
9.4.1 轮廓提取 （187）
9.4.2 边界跟踪法 （188）
9.4.3 区域增长法 （191）
9.4.4 轮廓检测与拟合 （195）
9.5 目标物体测量 （198）
9.5.1 区域标记 （198）
9.5.2 面积测量 （200）
9.5.3 周长测量 （201）
9.6 最小外包形状检测 （203）
9.6.1 最小外包矩形 （203）
9.6.2 最小外包圆形 （204）
9.6.3 最小外包三角形 （205）
9.6.4 最小外包椭圆 （206）
9.7 霍夫检测 （207）
9.7.1 霍夫直线检测 （207）
9.7.2 霍夫圆检测 （211）
小结 （214）
习题 （214）
第10章 图像频域变换处理 （215）
10.1 图像频域变换 （215）
10.1.1 图像傅里叶变换 （215）
10.1.2 图像快速傅里叶变换 （218）
10.1.3 图像离散余弦变换 （222）
10.1.4 图像频域变换原理 （225）
10.2 频域低通滤波 （226）
10.2.1 理想低通滤波 （226）
10.2.2 梯形低通滤波 （229）
10.2.3 巴特沃思低通滤波 （231）
10.2.4 指数低通滤波 （233）
10.3 频域高通滤波 （235）
10.3.1 理想高通滤波 （235）
10.3.2 梯形高通滤波 （237）
10.3.3 巴特沃思高通滤波 （239）
10.3.4 指数高通滤波 （241）
小结 （243）
习题 （243）
第11章 基于深度学习CNN模型的汉字识别 （244）
11.1 深度学习技术概述 （244）
11.2 CNN基本概念 （245）
11.3 汉字识别系统设计 （249）
11.4 汉字图像预处理 （251）
11.5 投影与分割 （253）
11.6 构建汉字识别模型 （256）
11.6.1 构建CNN模型 （256）
11.6.2 识别模型训练 （258）
11.7 汉字识别模型检验 （260）
第12章 基于深度学习CNN模型的语音识别 （265）
12.1 语音识别系统设计 （265）
12.2 语音信号预处理及特征提取 （266）
12.2.1 语音信号预处理 （266）
12.2.2 MFCC特征提取 （268）
12.3 构建语音识别模型 （270）
12.3.1 构建CNN模型 （270）
12.3.2 识别模型训练 （273）
12.4 语音识别模型检验 （274）

第13章 基于深度学习Faster R-CNN模型的手势识别 （279）
13.1 R-CNN目标检测与识别模型 （279）
13.2 边框回归（Bounding Box Regression）原理 （282）
13.3 Faster R-CNN目标检测与识别模型 （284）
13.3.1 Faster R-CNN模型框架 （284）
13.3.2 基于区域提议网络（RPN）的目标检测 （285）
13.3.3 基于RoI池化和分类技术的目标识别 （288）
13.4 手势识别系统设计 （289）
13.5 构建手势识别模型 （291）
13.5.1 构建Faster R-CNN模型 （291）
13.5.2 Faster R-CNN识别模型训练 （295）
13.6 手势识别模型检验 （299）