本教程深入讲解了现代数字图像处理技术的进步及其实际应用，并提供了详细的MATLAB编程实例。适合科研和工程领域的专业人士学习参考。
提高篇 第1章 精通“图像特征提取”
1.1 图像多分辨率金字塔
1.1.1 浅析“图像金字塔”
介绍图像金字塔的概念及其在计算机视觉中的应用。
1.1.2 例程一点通
通过具体例子展示如何构建和使用图像金字塔。
1.1.3 典型的“图像金子塔”
详细讲解几种典型的图像金字塔结构，如高斯金字塔、拉普拉斯金字塔等。
1.1.4 学以致用
1.2 图像的矩特征
探讨用于描述图像形状特性的数学工具——几何矩和不变矩。
1.2.1 认识“Hu矩”
介绍经典的七阶Hu不变矩及其在模式识别中的应用。
1.2.2 解析“Zernike矩”
讲解基于正交多项式的另一种重要特征集：Zernike矩，以及它们的计算方法和用途。
1.3 图像的边缘检测
讨论多种边缘提取算法原理与实现细节。
1.3.1 运用一阶微分算子检测图像边缘
介绍常用的梯度算子如Sobel、Prewitt等。
1.3.2 运用二阶微分算子检测图像边缘
分析Laplacian及其变种的特性，以及它们在增强和提取图像细节中的作用。
1.3.3 基于Canny算子检测图像边缘
详细阐述Canny算法的工作流程：噪声抑制、确定梯度方向、非极大值抑制及双阈值处理等步骤。
1.3.4 基于SUSAN特征检测算子的边缘提取
介绍基于邻域统计方法的快速边缘定位技术。
1.3.5 基于小波变换模极大值的边缘检测
探讨多尺度分析框架下利用高频系数进行边缘识别的方法。
1.3.6 基于二维有限冲击响应滤波器的特定角度边缘检测
介绍一种专门针对某一方向特征设计的线性相位FIR滤波器组。
1.3.7 基于多尺度形态学梯度的边缘检测
结合数学形态学操作，提出了一种鲁棒性强、抗噪性能好的边缘提取方法。
1.4 斑点特征检测
介绍如何在图像中定位和描述斑点结构。
1.4.1 勾画“LoG斑点”
利用拉普拉斯-高斯算子进行尺度空间分析，自动发现局部极值作为潜在的斑点位置候选者。
1.4.2 描绘“DoH斑点”
通过微分特征检测器（如二阶导数）来增强对真实边缘和噪声边界的区分能力。
1.4.3 提取“Gilles斑点”
采用一种改进的方法，结合了多尺度分析与非线性滤波技术以提高鲁棒性和精度。
1.5 角点特征检测
讨论角点作为图像中显著几何结构的重要性及其定位算法。
1.5.1 何谓“角点”
定义并解释什么是角点以及它们在视觉任务中的角色。
1.5.2 描绘“Harris角点”
详细介绍该经典方法的基本思想、公式推导及其实现步骤，包括非极大值抑制过程等细节。
1.5.3 例程一点通
给出一个完整的代码示例来演示如何使用OpenCV库实现基于响应矩阵的角点检测。
1.5.4 融会贯通
通过实际问题加深对各种特征提取技术的理解和应用能力，如结合边缘、斑点等信息进行综合分析。
1.6 尺度不变特征提取
介绍两种广泛使用的尺度空间描述子：SIFT与SURF，并探讨它们的应用场景及优缺点。
2. 细说“数字图像理解”
涵盖从低级视觉任务到高级语义解析的一系列主题，包括但不限于目标检测、分类和跟踪。
第3章 品读“典型应用实例”
通过具体案例展示如何将理论知识应用于实践问题中。
3.1 图像去噪技术及其实现
讨论图像噪声的来源及其对后续处理的影响，并介绍几种常用降噪方法，如均值滤波、高斯模糊以及基于小波变换的方法等。
5星
