本书系统阐述了基于MWORKS的计算机视觉核心理论与常用技术，涵盖图像的表示与读写、基本运算、形态学分析、图像去噪及增强、图像复原、图像分割，以及基于深度学习的图像识别与目标检测等关键主题。通过大量代码实例与示例图，帮助读者直观理解从基础原理到实际应用的整个技术流程。全书重点突出，理论与实践的紧密结合，既展示了经典的图像处理算法，如中值滤波、形态学算子、直方图均衡化等，也针对当前备受关注的深度学习方法给出了具体的实现示例。无论是初学者还是有一定经验的开发者，都能通过阅读本书来快速掌握基本算法与先进技术，并借此进一步拓展其在医学影像、工业检测、遥感监测和计算机视觉等领域的应用。 本书面向电子信息、计算机科学、人工智能等相关专业的本科生与研究生，从事医学影像、遥感监测、工业检测与智慧交通等方向的科研人员与工程师，以及希望在物联网、金融风控、数字艺术等跨领域场景中融入视觉能力的开发者。
闫庆森，西北工业大学教授，在国际重要的期刊、会议上发表学术论文60余篇。以第一作者身份发表国际期刊及会议论文30余篇，ESI高被引论文1篇，包括SCI 1区TOP期刊IJCV、IEEE TIP、IEEE TBD、PR、MedIA、IEEE JBHI等，CCF A类会议论文CVPR(计算机视觉领域顶会)等，Google Scholar索引2200余次。
第1章 图像处理的基本原理1
1.1 概述1
1.2 数字图像表示1
1.3 读取图像文件4
1.3.1 基本语法4
1.3.2 参数说明8
1.4 保存图像8
1.4.1 函数说明及示例9
1.4.2 输入参数说明10
1.4.3 实际应用中的注意事项11
1.5 数据类型14
1.5.1 溢出（Overflow）14
1.5.2 舍入（Round）15
1.5.3 数据类型转换15
1.5.4 特殊情况处理16
1.5.5 精度和性能权衡16
1.5.6 错误检测和处理17
1.6 图像类型17
1.6.1 二值图像（Binary Image）18
1.6.2 灰度图像（Grayscale Image）20
1.6.3 RGB图像22
1.6.4 索引图像（Indexed Image）24
1.7 习题26
第2章 图像的基本运算28
2.1 概述28
2.2 点运算28
2.2.1 线性灰度变换29
2.2.2 分段线性灰度变换30
2.2.3 非线性灰度变换32
2.3 代数运算35
2.3.1 加法运算36
2.3.2 减法运算39
2.3.3 乘法运算40
2.3.4 除法运算41
2.4 逻辑运算42
2.5 几何运算45
2.5.1 图像的位置变换46
2.5.2 图像的形状变换53
2.6 习题55
第3章 基于形态学的权重自适应图像去噪56
3.1 任务背景介绍56
3.2 图像去噪56
3.2.1 概述56
3.2.2 图像噪声分类57
3.2.3 图像去噪方法64
3.3 形态学去噪68
3.3.1 形态学概述68
3.3.2 形态学运算69
3.3.3 权重自适应多结构形态学去噪72
3.4 习题82
第4章 基于直方图优化的图像去雾技术84
4.1 案例背景84
4.2 程序实现85
4.2.1 全局直方图均衡化85
4.2.2 局部直方图均衡化89
4.2.3 Retinex增强算法94
4.3 评价指标98
4.3.1 峰值信噪比98
4.3.2 结构相似度100
4.3.3 信息熵104
4.4 程序演示106
4.5 习题114
第5章 图像复原115
5.1 案例背景115
5.2 图像退化的数字模型116
5.2.1 图像退化模型116
5.2.2 连续函数的退化模型117
5.2.3 离散的退化模型119
5.3 图像模糊处理及其复原方法121
5.3.1 图像均值模糊处理123
5.3.2 使用加权叠加方法进行图像复原的Julia实现126
5.3.3 图像匀速直线运动模糊处理130
5.3.4 基于逆滤波器复原的Julia实现135
5.4 习题140
第6章 图像分割141
6.1 基于阈值的图像分割141
6.1.1 概述141
6.1.2 基于阈值的图像分割方法142
6.1.3 基于阈值的图像分割代码及结果144
6.2 基于边缘的图像分割146
6.2.1 概述146
6.2.2 基于边缘的图像分割方法146
6.2.3 基于边缘的图像分割代码及结果151
6.3 基于区域生长的图像分割156
6.3.1 概述156
6.3.2 基于区域生长的图像分割方法157
6.3.3 基于区域生长的图像分割代码及结果157
6.4 基于K-means聚类的图像分割160
6.4.1 概述160
6.4.2 基于K-means聚类的图像分割方法160
6.4.3 基于K-means聚类的图像分割代码及结果164
6.5 习题166
第7章 基于卷积神经网络的手写体数字识别167
7.1 任务背景167
7.2 基础理论168
7.2.1 神经网络基本原理168
7.2.2 卷积神经网络基本原理176
7.2.3 LeNet-5网络介绍181
7.2.4 数据集介绍183
7.3 程序实现184
7.3.1 实现过程184
7.3.2 代码解释185
7.3.3 程序代码190
7.4 结果展示192
7.5 习题193
第8章 基于MobileNet-SSD网络模型的目标检测194
8.1 任务背景194
8.2 基础理论196
8.2.1 传统目标检测算法介绍196
8.2.2 MobileNet-SSD网络模型详解200
8.3 程序实现213
8.3.1 测试流程213
8.3.2 代码解释213
8.3.3 程序代码218
8.4 结果展示220
8.5 习题220
书单推荐
