計算機視覺應用與實戰(zhàn)

定　價：￥109.00

作　者：	韓少云等
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121432514	出版時間：	2022-05-01	包裝：	平塑
開本：	128開	頁數：		字數：

內容簡介

　　本書圍繞計算機視覺在農業(yè)、醫(yī)學、工業(yè)等領域的案例，深入淺出地講解計算機視覺核心的模型與關鍵技術。本書中所有案例的代碼均能在達內時代科技集團自主研發(fā)的 AIX-EBoard 人工智能實驗平臺上部署與實施，實現了教學場景化、學習趣味化。本書分為三個部分，循序漸進地介紹計算機視覺相關技術的理論基礎和各案例的實踐步驟。第 1 部分基于 OpenCV 介紹傳統視覺應用的基礎算法，同時實現輪廓提取、全景圖像拼接等案例的實踐；在傳統視覺應用的基礎上，第 2 部分講解基于機器學習和深度學習的視覺應用，結合不同行業(yè)的案例對圖像進行分析處理，如水果識別、病蟲害識別、相似圖像搜索、眼底血管圖像分割等。第 3 部分聚焦市場關注度較高的一些新興視覺應用的原理及實現，如從二維圖像到三維空間的重建、計算機視覺在移動設備中的應用、實時圖像和視頻的風格遷移等。本書適合人工智能相關專業(yè)的本科生、專科生及計算機初學者閱讀，既可以作為應用型本科院校和高等職業(yè)院校人工智能專業(yè)的教材，也可以作為相關領域從業(yè)者的學習和參考用書。本書可以幫助有一定基礎的讀者查漏補缺，深入理解和掌握相關原理與方法，提高解決實際問題的能力。

作者簡介

　　達內時代科技集團有限公司是國內知名的互聯網-IT教育培訓單位，是一站式互聯網人才基地，專注IT職業(yè)教育人才服務多年，擁有300多家培訓中心，幫助學員實現一地學習全國就業(yè)。達內時代科技集團有限公司的法人代表是韓少云老師。

圖書目錄

目錄
第 1 部分基于 OpenCV 的傳統視覺應用
第 1 章圖像生成 /2
1.1 圖像顯示 /3
1.1.1 使用 OpenCV 顯示圖像 /3
1.1.2 使用 Matplotlib 顯示圖像 /3
1.1.3 案例實現——使用OpenCV 顯示圖像 /3
1.1.4 案例實現——使用Matplotlib 顯示圖像 /5
1.2 圖像讀取 /6
1.2.1 使用 OpenCV 讀取圖像 /6
1.2.2 使用 Matplotlib 讀取圖像 /7
1.2.3 案例實現——使用OpenCV 讀取圖像 /7
1.2.4 案例實現——使用Matplotlib 讀取圖像 /9
1.3 圖像保存 /10
1.3.1 使用 OpenCV 保存圖像 /10
1.3.2 使用 Matplotlib 保存圖像/11
1.3.3 案例實現——使用OpenCV 保存圖像 /11
1.3.4 案例實現——使用Matplotlib 保存圖像 /14
本章總結 /16
作業(yè)與練習 /16
第 2 章 OpenCV 圖像處理（1） /17
2.1 圖像模糊 /17
2.1.1 均值濾波 /17
2.1.2 中值濾波 /18
2.1.3 高斯濾波 /18
2.1.4 案例實現 /18
2.2 圖像銳化 /21
2.2.1 圖像銳化簡介 /21
2.2.2 案例實現 /21
本章總結 /24
作業(yè)與練習 /24
第 3 章 OpenCV 圖像處理（2） /26
3.1 OpenCV 繪圖 /26
3.1.1 使用 OpenCV 繪制各種圖形 /26
3.1.2 案例實現 /27
3.2 圖像的幾何變換 /31
3.2.1 幾何變換操作 /31
3.2.2 案例實現 /32
本章總結 /38
作業(yè)與練習 /38
第 4 章圖像特征檢測 /40
4.1 邊緣編輯和增強 /41
4.1.1 Canny 邊緣檢測簡介 /41
4.1.2 案例實現 /42
4.2 圖像輪廓檢測 /44
4.2.1 輪廓查找步驟 /45
4.2.2 查找輪廓函數 /45
4.2.3 繪制輪廓函數 /45
4.2.4 案例實現 /46
4.3 圖像角點和線條檢測 /48
4.3.1 角點的定義 /48
4.3.2 Harris 角點簡介 /48
4.3.3 Harris 角點檢測函數 /49
4.3.4 案例實現 /49
本章總結 /51
作業(yè)與練習 /52
第 5 章圖像特征匹配 /53
5.1 ORB 關鍵點檢測與匹配 /53
5.1.1 FAST 算法 /54
5.1.2 BRIEF 算法 /55
5.1.3 特征匹配 /56
5.1.4 代碼流程 /56
5.2 案例實現 /57
本章總結 /59
作業(yè)與練習 /59
第 6 章圖像對齊與拼接 /60
6.1 全景圖像拼接 /60
6.1.1 全景圖像的拼接原理 /61
6.1.2 算法步驟 /61
6.1.3 Ransac 算法介紹 /62
6.1.4 全景圖像剪裁 /63
6.2 案例實現 /64
本章總結 /67
作業(yè)與練習 /67
第 7 章相機運動估計 /68
7.1 雙目相機運動估計 /68
7.1.1 相機測距流程 /68
7.1.2 雙目相機成像模型 /69
7.1.3 極限約束 /70
7.1.4 雙目測距的優(yōu)勢 /70
7.1.5 雙目測距的難點 /70
7.2 案例實現 /72
本章總結 /82
作業(yè)與練習 /83
第 2 部分基于機器學習和深度學習的視覺應用
第 8 章基于 SVM 模型的手寫數字識別/85
8.1 手寫數字識別 /85
8.1.1 手寫數字圖像 /85
8.1.2 圖像處理 /86
8.2 案例實現 /87
本章總結 /95
作業(yè)與練習 /95
第 9 章基于 HOG+SVM 的行人檢測 /96
9.1 行人檢測 /96
9.1.1 HOG+SVM /96
9.1.2 檢測流程 /97
9.1.3 滑動窗口 /98
9.1.4 非極大值抑制 /100
9.2 案例實現 /101
本章總結 /109
作業(yè)與練習 /109
第 10 章數據標注 /110
10.1 目標檢測數據標注 /110
10.1.1 數據收集與數據標注 /111
10.1.2 數據標注的通用規(guī)則 /112
10.1.3 案例實現 /113
10.2 視頻目標跟蹤數據標注 /118
10.2.1 視頻與圖像數據標注的差異 /118
10.2.2 案例實現 /119
本章總結 /127
作業(yè)與練習 /127
第 11 章水果識別 /128
11.1 LeNet-5 模型的訓練與評估 /128
11.1.1 卷積層 /129
11.1.2 池化層 /130
11.1.3 ReLU 層 /131
11.1.4 LeNet-5 模型 /131
11.1.5 Keras /132
11.1.6 案例實現 /133
11.2 LeNet-5 模型的應用 /139
11.2.1 使用 OpenCV 操作攝像頭 /139
11.2.2 OpenCV 的繪圖功能 /140
11.2.3 OpenCV 繪圖函數的常見參數 /140
11.2.4 Keras 模型的保存和加載 /140
11.2.5 案例實現 /142
本章總結 /145
作業(yè)與練習 /145
第 12 章病蟲害識別 /147
12.1 植物葉子病蟲害識別 /147
12.1.1 PlantVillage 數據集 /148
12.1.2 性能評估 /148
12.1.3 感受野 /149
12.2 案例實現 /149
本章總結 /161
作業(yè)與練習 /162
第 13 章相似圖像搜索 /163
13.1 以圖搜圖 /163
13.1.1 VGG 模型 /164
13.1.2 H5 模型文件 /165
13.1.3 案例實現 /166
13.2 人臉識別 /173
13.2.1 人臉檢測 /173
13.2.2 分析面部特征 /174
13.2.3 人臉識別特征提取 /175
13.2.4 人臉相似性比較 /176
13.2.5 案例實現 /176
本章總結 /184
作業(yè)與練習 /185
第 14 章多目標檢測 /186
14.1 人臉口罩佩戴檢測 /186
14.1.1 目標檢測 /187
14.1.2 YOLO 模型 /188
14.1.3 YOLOv3 模型 /190
14.1.4 YOLOv3-Tiny 模型 /191
14.2 案例實現 /192
本章總結 /198
作業(yè)與練習 /198
第 15 章可采摘作物檢測 /199
15.1 番茄成熟度檢測 /199
15.1.1 數據集 /200
15.1.2 RCNN 模型 /201
15.1.3 SPP-Net 模型 /202
15.1.4 Fast-RCNN 模型 /202
15.1.5 Faster-RCNN 模型 /202
15.1.6 Mask-RCNN 模型 /203
15.2 案例實現 /204
本章總結 /213
作業(yè)與練習 /213
第 16 章智能照片編輯 /214
16.1 圖像自動著色 /214
16.1.1 GAN 模型的基本結構與原理 /215
16.1.2 構建 GAN 模型 /216
16.2 案例實現 /218
本章總結 /225
作業(yè)與練習 /225
第 17 章超分辨率 /227
17.1 圖像超分辨率 /227
17.1.1 SRGAN 模型的結構 /228
17.1.2 SRGAN 模型的損失函數 /229
17.1.3 SRGAN 模型的評價指標 /230
17.2 案例實現 /230
本章總結 /237
作業(yè)與練習 /238
第 18 章醫(yī)學圖像分割 /239
18.1 眼底血管圖像分割 /239
18.1.1 圖像分割 /240
18.1.2 語義分割 /241
18.1.3 全卷積神經網絡 /243
18.1.4 反卷積 /244
18.1.5 U-Net 模型 /244
18.2 案例實現 /245
本章總結 /253
作業(yè)與練習 /253
第 19 章醫(yī)學圖像配準 /255
19.1 頭頸部 CT 圖像配準 /255
19.1.1 圖像配準方法 /256
19.1.2 VoxelMorph 配準框架 /257
19.1.3 TensorFlow-pix2pix /259
19.2 案例實現 /260
本章總結 /265
作業(yè)與練習 /265
第 20 章視頻內容分析 /267
20.1 人體動作識別 /267
20.1.1 視頻動作識別模型 /268
20.1.2 UCF-101 數據集 /269
20.2 案例實現 /270
本章總結 /275
作業(yè)與練習 /275
第 21 章圖像語義理解 /277
21.1 視覺問答 /277
21.1.1 編碼器-解碼器模型 /279
21.1.2 光束搜索 /281
21.2 案例實現 /282
本章總結 /288
作業(yè)與練習 /288
第 3 部分基于深度學習的新興視覺應用
第 22 章三維空間重建 /291
22.1 3D-R2N2 算法 /291
22.1.1 算法簡介 /292
22.1.2 算法的優(yōu)勢 /292
22.1.3 算法的結構 /292
22.2 案例實現 /294
本章總結 /298
作業(yè)與練習 /298
第 23 章視頻穩(wěn)定 /300
23.1 人臉視頻穩(wěn)定 /300
23.1.1 MobileNet 模型 /301
23.1.2 SSD 模型 /302
23.1.3 MobileNet-SSD 模型 /303
23.1.4 模型評估 /303
23.1.5 實時影響 /303
23.2 案例實現 /304
本章總結 /317
作業(yè)與練習 /317
第 24 章目標檢測與跟蹤 /319
24.1 車輛檢測與跟蹤 /319
24.1.1 UA-DETRAC 數據集 /320
24.1.2 目標跟蹤 /322
24.1.3 DeepSORT 目標跟蹤 /323
24.2 案例實現 /324
本章總結 /337
作業(yè)與練習 /337
第 25 章風格遷移 /339
25.1 圖像與視頻風格遷移 /339
25.1.1 理解圖像內容和圖像風格 /340
25.1.2 圖像重建 /341
25.1.3 風格重建 /342
25.2 案例實現 /343
本章總結 /354
作業(yè)與練習 /355
附錄 A 企業(yè)級綜合教學項目介紹 /356
1.1 智慧停車場管理系統 /356
1.1.1 項目概述 /356
1.1.2 技能目標 /358
1.2 智慧景區(qū)管理系統 /358
1.2.1 項目概述 /358
1.2.2 技能目標 /359
1.3 智能考勤打卡系統 /360
1.3.1 項目概述 /360
1.3.2 技能目標 /361