# 📚 数字图像处理学习计划

> 基于《数字图像处理（第四版）》Gonzalez & Woods  
> 适用对象：有基础的大学生  
> 预计周期：8-10 周（每周 1-2 章）

---

## 🎯 学习目标

完成本学习后，你将能够：
- ✅ 理解数字图像的基本原理和数学基础
- ✅ 掌握图像增强、滤波、变换等核心算法
- ✅ 独立完成图像分割、特征提取任务
- ✅ 构建完整的图像处理项目（如文档扫描、人脸识别预处理等）

---

## 📋 课程大纲

### 第 1 周：基础入门

#### 第 1 章 引言
- 📖 阅读：1.1-1.5 节
- 🎯 重点：
  - 什么是数字图像处理
  - 典型应用领域（医疗、遥感、工业检测等）
  - 图像处理系统的基本组成
- 💻 实践：
  - 安装 Python + OpenCV / scikit-image
  - 读取、显示、保存第一张图像
- 📝 产出：环境配置文档 + Hello World 图像程序

#### 第 2 章 数字图像基础
- 📖 阅读：2.1-2.6 节
- 🎯 重点：
  - 采样与量化
  - 分辨率（空间、灰度、时间）
  - 像素间关系（邻接、连通性、距离）
  - 基本数学工具（矩阵、卷积）
- 💻 实践：
  - 实现图像下采样/上采样
  - 观察不同量化级别的效果
- 📝 产出：采样量化对比实验报告

---

### 第 2 周：图像增强（空间域）

#### 第 3 章 灰度变换与空间滤波
- 📖 阅读：3.1-3.6 节
- 🎯 重点：
  - 灰度变换（对数、幂次、对比度拉伸）
  - 直方图均衡化
  - 空间滤波（平滑、锐化）
  - 常见模板（均值、高斯、拉普拉斯、Sobel）
- 💻 实践：
  - 实现直方图均衡化
  - 对比不同滤波器的效果
  - 边缘检测实战
- 📝 产出：图像增强工具包（含 5+ 种算法）

---

### 第 3 周：图像增强（频率域）

#### 第 4 章 频率域滤波
- 📖 阅读：4.1-4.9 节
- 🎯 重点：
  - 傅里叶变换基础
  - 频域滤波原理
  - 低通/高通滤波器
  - 同态滤波
- 💻 实践：
  - 实现 2D FFT 并可视化频谱
  - 设计频域滤波器去噪
  - 对比空域 vs 频域滤波
- 📝 产出：频域分析可视化 Demo

---

### 第 4 周：图像复原

#### 第 5 章 图像复原与重建
- 📖 阅读：5.1-5.8 节
- 🎯 重点：
  - 噪声模型（高斯、椒盐、泊松）
  - 退化模型
  - 逆滤波、维纳滤波
  - 约束最小二乘滤波
- 💻 实践：
  - 模拟不同类型噪声
  - 实现维纳滤波去噪
  - 运动模糊复原
- 📝 产出：图像复原对比实验

---

### 第 5 周：彩色图像处理

#### 第 6 章 彩色图像处理
- 📖 阅读：6.1-6.7 节
- 🎯 重点：
  - 颜色模型（RGB、CMY、HSV、Lab）
  - 彩色变换
  - 彩色图像滤波
  - 肤色检测
- 💻 实践：
  - 颜色空间转换
  - 基于 HSV 的目标提取
  - 彩色图像增强
- 📝 产出：颜色分割应用（如提取红色物体）

---

### 第 6 周：压缩与小波

#### 第 7 章 小波和多分辨率处理
- 📖 阅读：7.1-7.5 节
- 🎯 重点：
  - 多分辨率分析
  - 小波变换基础
  - 金字塔分解
- 💻 实践：
  - 实现图像金字塔
  - 小波分解与重构
- 📝 产出：多尺度图像分析 Demo

#### 第 8 章 图像压缩
- 📖 阅读：8.1-8.4 节（选读）
- 🎯 重点：
  - 压缩原理（冗余、编码）
  - JPEG 标准简介
  - 有损 vs 无损压缩
- 💻 实践：
  - 实现简单的游程编码
  - 对比不同压缩质量
- 📝 产出：压缩算法对比分析

---

### 第 7 周：形态学与分割

#### 第 9 章 形态学图像处理
- 📖 阅读：9.1-9.6 节
- 🎯 重点：
  - 腐蚀与膨胀
  - 开运算与闭运算
  - 形态学边缘检测
  - 骨架提取
- 💻 实践：
  - 去除噪声点
  - 填充孔洞
  - 分离粘连物体
- 📝 产出：形态学工具包

#### 第 10 章 图像分割
- 📖 阅读：10.1-10.7 节
- 🎯 重点：
  - 阈值分割（Otsu、自适应）
  - 边缘分割
  - 区域生长
  - 分水岭算法
- 💻 实践：
  - 实现 Otsu 阈值
  - 分水岭分割粘连细胞
  - 交互式分割
- 📝 产出：图像分割综合项目

---

### 第 8 周：表示、描述与识别

#### 第 11 章 表示与描述
- 📖 阅读：11.1-11.4 节（选读）
- 🎯 重点：
  - 链码
  - 边界描述子
  - 区域描述子（纹理、矩）
- 💻 实践：
  - 提取物体边界特征
  - 计算 Hu 矩
- 📝 产出：特征提取器

#### 第 12 章 目标识别
- 📖 阅读：12.1-12.5 节（选读）
- 🎯 重点：
  - 模式识别基础
  - 分类器（最小距离、相关）
  - 深度学习简介
- 💻 实践：
  - 简单字符识别
  - 使用预训练 CNN 进行图像分类
- 📝 产出：简易识别系统

---

## 🏆 综合项目建议

完成上述学习后，选择一个综合项目巩固所学：

| 项目 | 难度 | 涉及章节 |
|------|------|----------|
| 📄 文档扫描矫正 | ⭐⭐ | 3, 4, 10 |
| 🎨 图像风格迁移预处理 | ⭐⭐ | 3, 4, 6 |
| 🔍 缺陷检测系统 | ⭐⭐⭐ | 3, 5, 9, 10 |
| 🚗 车牌识别预处理 | ⭐⭐⭐ | 6, 9, 10, 12 |
| 🧬 细胞计数分析 | ⭐⭐⭐ | 5, 9, 10, 11 |
| 🎭 人脸美颜滤镜 | ⭐⭐ | 3, 5, 6 |

---

## 📚 学习资源

### 代码库
- OpenCV-Python: `pip install opencv-python`
- scikit-image: `pip install scikit-image`
- PIL/Pillow: `pip install pillow`

### 参考网站
- OpenCV 官方文档：https://docs.opencv.org/
- scikit-image 教程：https://scikit-image.org/docs/stable/auto_examples/
- 图像处理知乎专栏

### 数据集
- MNIST（字符识别）
- CIFAR-10（物体识别）
- 自定义采集（推荐）

---

## 📅 学习建议

1. **每天 1-2 小时**：保持连续性比突击更有效
2. **先理解再实现**：看懂公式后一定要动手写代码
3. **建立代码库**：每章的代码保存好，后续项目会用到
4. **做笔记**：用 Obsidian 记录关键概念和踩坑经验
5. **找项目驱动**：学完每章想一个能用上的小场景

---

## 📝 进度追踪

使用 `memory/dip-progress.md` 记录你的学习进度：

```markdown
# DIP 学习进度

## 完成情况
- [ ] 第 1 章 - 完成日期：____
- [ ] 第 2 章 - 完成日期：____
...

## 难点记录
- 第 X 章：XXX 概念不理解
- 第 Y 章：XXX 算法实现有问题

## 项目想法
- 想用第 Z 章的技术做 XXX
```

---

_学习计划生成时间：2026-03-17_  
_有任何问题随时问我！🌱_