本书共分为9章，主要内容包括数字图像与机器视觉概述、数字图像工具与软件实现、图像与视觉基础知识、机器视觉系统硬件、图像变换与图像运算、图像增强与复原、图像分割、图像识别与神经网络及数字图像与机器视觉应用实例等内容。本书中部分示例来源于实际工业、农业数字图像及机器视觉应用领域，其技术手段先进、适用范围广。本书既可作为高等学校机械电子、机器人工程、智能制造工程、自动化、计算机、电子信息、测控等专业的教材，也可作为相关科研和工程技术人员参考书籍。

第1章 绪论1
1.1 数字图像概念与特征 1
1.1.1 数字信号与模拟信号 1
1.1.2 数字图像基本概念 1
1.1.3 数字图像基本特点 2
1.2 数字图像处理的主要范畴 3
1.2.1 图像检测与数字图像处理 3
1.2.2 数字图像处理的主要研究内容 3
1.3 机器视觉的概念与组成 4
1.3.1 机器视觉的基本单元 4
1.3.2 机器视觉与图像处理 5
1.3.3 数字图像与机器视觉相关科学领域 6
1.4 数字图像与机器视觉应用 7
1.4.1 数字图像与机器视觉应用领域 7
1.4.2 数字图像处理面临的挑战 7
1.4.3 数字图像与机器视觉发展方向 8

第2章 数字图像工具与软件实现9
2.1 数字图像处理相关工具软件概述 9
2.1.1 数字图像处理对软件的要求 9
2.1.2 数字图像处理常用软件 10
2.2 Python-OpenCV图像处理环境 10
2.2.1 Python和Open CV概述 10
2.2.2 下载和安装 11
2.3 图像处理基本操作 19
2.3.1 读取图像 19
2.3.2 显示图像 19
2.3.3 保存图像 20
2.3.4 获取图像属性 20
2.3.5 综合训练 20

第3章 图像与视觉基础知识24
3.1 视觉感知要素 24
3.1.1 人眼的结构 24
3.1.2 眼睛中图像的形成 26
3.1.3 亮度适应和识别 27
3.2 图像感知和获取 28
3.2.1 视觉传感器 28
3.2.2 简易图像成像模型 30
3.3 图像的数字化过程 33
3.3.1 采样过程 34
3.3.2 量化过程 36
3.3.3 编码 37
3.4 图像数据结构 37
3.4.1 图像模式 37
3.4.2 色彩空间 40
3.5 图像质量评价方法 42
3.5.1 主观评价方法 43
3.5.2 客观评价方法 43
3.6 图像数字化OpenCV实现 44
3.6.1 NumPy模块使用基础 44
3.6.2 像素操作与色彩空间操作 50
3.6.3 综合训练 51

第4章 机器视觉系统硬件53
4.1 光源 53
4.1.1 光源的选择 53
4.1.2 光源的种类 53
4.2 镜头 54
4.2.1 镜头的主要参数 54
4.2.2 普通镜头和远心镜头 55
4.2.3 镜头的选择 56
4.3 工业相机 57
4.3.1 相机的分类 57
4.3.2 面阵相机和线阵相机 57
4.3.3 黑白相机和彩色相机 57
4.3.4 CCD和CMOS 59
4.3.5 相机的主要接口类型 59
4.3.6 相机的主要参数 60
4.3.7 工业相机选型 61

第5章 图像变换与图像运算63
5.1 图像的几何变换 63
5.1.1 缩放 63
5.1.2 翻转 64
5.1.3 仿射变换 64
5.1.4 透视变换 65
5.2 图像的运算 67
5.2.1 掩模运算 68
5.2.2 加法运算 68
5.2.3 位运算 69
5.3 图像的频域变换 71
5.3.1 数字信号基础知识 71
5.3.2 傅里叶变换 71
5.3.3 离散余弦变换 76
5.4 图像变换OpenCV实现 78
5.4.1 图像的几何变换实现 78
5.4.2 图像的运算实现 82
5.4.3 图像的频域变换实现 84
5.4.4 图像的卷积运算实现 87

第6章 图像增强与复原89
6.1 图像增强与图像复原技术概述 89
6.1.1 图像增强的体系结构 89
6.1.2 图像复原的体系结构 91
6.2 灰度变换 91
6.2.1 灰度线性变换 91
6.2.2 灰度非线性变换 93
6.3 直方图修正 94
6.3.1 直方图的定义与性质 95
6.3.2 直方图的计算 97
6.3.3 直方图的均衡化 98
6.4 图像平滑 99
6.4.1 滤波原理与分类 100
6.4.2 空域低通滤波 102
6.4.3 频域低通滤波 103
6.5 图像锐化 104
6.5.1 空域高通滤波 104
6.5.2 频域高通滤波 105
6.5.3 同态滤波器图像增强的方法 106
6.6 伪彩色增强 107
6.6.1 灰度分层法伪彩色处理 108
6.6.2 灰度变换法伪彩色处理 108
6.6.3 频域伪彩色处理 109
6.7 图像复原 110
6.7.1 图像退化模型 110
6.7.2 图像复原的基本方法 111
6.7.3 运动模糊图像的复原 111
6.8 图像增强OpenCV实现 112
6.8.1 直方图修正实现 112
6.8.2 图像平滑与锐化实现 117

第7章 图像分割121
7.1 图像分割概述 121
7.1.1 图像分割的概念 121
7.1.2 图像分割的基本思路 121
7.1.3 图像分割技术的特征 122
7.2 阈值分割 122
7.2.1 阈值分割的原理 122
7.2.2 阈值的选取 123
7.3 边缘检测 125
7.3.1 梯度算子 126
7.3.2 拉普拉斯算子 127
7.3.3 Canny算子 128
7.4 区域分割 130
7.4.1 区域生长 130
7.4.2 区域分裂与合并 131
7.4.3 水域分割 132
7.5 Hough变换 132
7.5.1 Hough变换的原理 133
7.5.2 广义 Hough变换 136
7.6 图像分割的OpenCV实现 137
7.6.1 图像阈值分割方法 137
7.6.2 图像梯度运算与微分算子 139
7.6.3 图像边缘提取与 Hough变换 142

第8章 图像识别与神经网络147
8.1 模板匹配方法 147
8.1.1 图像匹配的定义 147
8.1.2 基于区域的匹配 149
8.1.3 基于特征的匹配 150
8.2 基于级联分类方法的图像识别 151
8.2.1 级联分类器 151
8.2.2 基于Adaboost算法的人脸检测 152
8.2.3 级联分类器的训练 158
8.3 基于神经网络的图像识别 163
8.3.1 卷积神经网络的基本结构 164
8.3.2 卷积神经网络的工作原理 166
8.3.3 卷积神经网络图像识别技术的应用 168
8.3.4 基于神经网络图像的样本生成及信息标注 169
8.4 图像识别的OpenCV实现 176
8.4.1 基于模板匹配的图像识别 176
8.4.2 基于级联分类器的图像检测 177
8.4.3 基于人脸识别器的人脸识别 180
8.5 图像识别的YOLO实现 184
8.5.1 理论基础 184
8.5.2 YOLOv5环境搭建 185

第9章 数字图像与机器视觉应用实例187
9.1 七段数码管 187
9.1.1 案例背景 187
9.1.2 理论基础 187
9.1.3 程序实现 187
9.2 车牌识别 192
9.2.1 案例背景 192
9.2.2 理论基础 192
9.2.3 程序实现 193
9.3 基于YOLOv5的图像处理实战 200
9.3.1 案例背景 200
9.3.2 数据集分析 200
9.3.3 程序实现 201
9.4 嵌入式机器视觉系统应用 202
9.4.1 嵌入式机器视觉系统简介 202
9.4.2 树莓派嵌入式机器视觉系统搭建 204

参考文献211