Python圖像處理經(jīng)典實例

第 1章　圖像處理與變換　1
1.1　 技術(shù)要求　1
1.2　變換顏色空間（RGB→Lab）　2
1.2.1　準備工作　2
1.2.2　執(zhí)行步驟　2
1.2.3　工作原理　4
1.2.4　更多實踐　4
1.3　應(yīng)用仿射變換　4
1.3.1　準備工作　5
1.3.2　執(zhí)行步驟　5
1.3.3　工作原理　6
1.3.4　更多實踐　7
1.4　應(yīng)用透視變換和單應(yīng)性變換　7
1.4.1　準備工作　8
1.4.2　執(zhí)行步驟　8
1.4.3　工作原理　10
1.4.4　更多實踐　11
1.5　基于圖像創(chuàng)建鉛筆草圖 　11
1.5.1　準備工作 　11
1.5.2　執(zhí)行步驟　11
1.5.3　工作原理　13
1.5.4　更多實踐 　14
1.6　創(chuàng)建卡通圖像　14
1.6.1　準備工作 　15
1.6.2　執(zhí)行步驟　15
1.6.3　工作原理　16
1.6.4　更多實踐　17
1.7　模擬光藝術(shù)/長曝光　17
1.7.1　準備工作 　17
1.7.2　執(zhí)行步驟 　17
1.7.3　工作原理 　19
1.7.4　更多實踐　19
1.8　在HSV顏色模型中使用顏色進行目標檢測　21
1.8.1　準備工作 　21
1.8.2　執(zhí)行步驟　21
1.8.3　工作原理 　22

第 2章　圖像增強　24
2.1　 使用濾波器去除圖像中不同類型的噪聲　24
2.1.1　準備工作　24
2.1.2　執(zhí)行步驟　25
2.1.3　工作原理　26
2.1.4　更多實踐　28
2.2　基于去噪自編碼器的圖像去噪　28
2.2.1　準備工作　28
2.2.2　執(zhí)行步驟　28
2.2.3　工作原理　31
2.2.4　更多實踐　32
2.3　基于PCA/DFT/DWT的圖像去噪　33
2.3.1　準備工作　33
2.3.2　執(zhí)行步驟　33
2.3.3　工作原理　35
2.3.4　更多實踐　36
2.4　基于各向異性擴散的圖像去噪　36
2.4.1　準備工作　36
2.4.2　執(zhí)行步驟　36
2.4.3　工作原理　38
2.4.4　更多實踐　38
2.5　利用直方圖均衡化改善圖像對比度　38
2.5.1　準備工作　39
2.5.2　執(zhí)行步驟　39
2.5.3　更多實踐　41
2.6　執(zhí)行直方圖匹配　41
2.6.1　準備工作　41
2.6.2　執(zhí)行步驟　42
2.6.3　工作原理　43
2.6.4　更多實踐　44
2.7　執(zhí)行梯度融合　45
2.7.1　準備工作　45
2.7.2　執(zhí)行步驟　46
2.8　基于Canny、LoG/零交叉以及小波的邊緣檢測　47
2.8.1　準備工作　47
2.8.2　執(zhí)行步驟　48
2.8.3　工作原理　52
2.8.4　更多實踐　53

第3章　圖像修復(fù)　54
3.1　使用維納濾波器來修復(fù)圖像　55
3.1.1　準備工作　55
3.1.2　執(zhí)行步驟　55
3.2　使用約束小二乘法濾波器來修復(fù)圖像　58
3.2.1　準備工作　58
3.2.2　執(zhí)行步驟　59
3.2.3　工作原理　62
3.2.4　更多實踐　62
3.3　使用馬爾可夫隨機場來修復(fù)圖像　63
3.3.1　準備工作　64
3.3.2　執(zhí)行步驟　64
3.3.3　工作原理　66
3.4　圖像修補　67
3.4.1　準備工作　68
3.4.2　執(zhí)行步驟　68
3.4.3　工作原理　68
3.4.4　更多實踐　70
3.5　基于深度學(xué)習的圖像修復(fù)　71
3.5.1　準備工作　72
3.5.2　執(zhí)行步驟　72
3.5.3　更多實踐　74
3.6　基于字典學(xué)習的圖像修復(fù)　75
3.6.1　準備工作　75
3.6.2　執(zhí)行步驟　75
3.6.3　更多實踐　78
3.7　使用小波進行圖像壓縮　79
3.7.1　準備工作　80
3.7.2　執(zhí)行步驟　80
3.7.3　工作原理　81
3.8　使用隱寫術(shù)和隱寫分析技術(shù)　82
3.8.1　準備工作　83
3.8.2　執(zhí)行步驟　83
3.8.3　工作原理　86
3.8.4　更多實踐　86

第4章　二值圖像處理　87
4.1　對二值圖像應(yīng)用形態(tài)學(xué)運算　87
4.1.1　準備工作　88
4.1.2　執(zhí)行步驟　88
4.1.3　工作原理　90
4.1.4　更多實踐　92
4.2　應(yīng)用形態(tài)學(xué)濾波器　93
4.2.1　準備工作　94
4.2.2　執(zhí)行步驟　94
4.2.3　工作原理　100
4.2.4　更多實踐　100
4.3　形態(tài)模式匹配　102
4.3.1　準備工作　102
4.3.2　執(zhí)行步驟　103
4.3.3　工作原理　105
4.3.4　更多實踐　106
4.4　基于形態(tài)學(xué)的圖像分割　106
4.4.1　準備工作　107
4.4.2　執(zhí)行步驟　107
4.4.3　工作原理　111
4.4.4　更多實踐　112
4.5　對象計數(shù)　113
4.5.1　準備工作　113
4.5.2　執(zhí)行步驟　113
4.5.3　工作原理　115
4.5.4　更多實踐　116

第5章　圖像配準　117
5.1　基于SimpleITK模塊的醫(yī)學(xué)圖像配準　117
5.1.1　準備工作　118
5.1.2　執(zhí)行步驟　118
5.1.3　工作原理　121
5.1.4　更多實踐　121
5.2　使用ECC算法進行圖像對齊和變形　123
5.2.1　準備工作　123
5.2.2　執(zhí)行步驟　124
5.2.3　工作原理　126
5.2.4　更多實踐　127
5.3　使用dlib庫進行人臉對齊　127
5.3.1　準備工作　128
5.3.2　執(zhí)行步驟　128
5.3.3　工作原理　130
5.3.4　更多實踐　130
5.4　RANSAC算法的魯棒匹配和單應(yīng)性　132
5.4.1　準備工作　132
5.4.2　執(zhí)行步驟　133
5.4.3　工作原理　134
5.5　圖像拼接（全景）　135
5.5.1　準備工作　136
5.5.2　執(zhí)行步驟　136
5.5.3　工作原理　142
5.5.4　更多實踐　142
5.6　人臉變形　142
5.6.1　準備工作　143
5.6.2　執(zhí)行步驟　143
5.6.3　工作原理　149
5.6.4　更多實踐　149
5.7　實現(xiàn)圖像搜索引擎　150
5.7.1　準備工作　150
5.7.2　執(zhí)行步驟　150
5.7.3　更多實踐　158

第6章　圖像分割　159
6.1　使用Otsu和Riddler-Calvard的閾值化進行圖像分割　159
6.1.1　準備工作　160
6.1.2　執(zhí)行步驟　160
6.1.3　工作原理　161
6.1.4　更多實踐　161
6.2　使用自組織映射進行圖像分割　162
6.2.1　準備工作　163
6.2.2　執(zhí)行步驟　163
6.2.3　工作原理　166
6.2.4　更多實踐　166
6.3　使用scikit-image進行隨機游走圖像分割　168
6.3.1　準備工作　168
6.3.2　執(zhí)行步驟　169
6.3.3　工作原理　170
6.3.4　更多實踐　171
6.4　使用GMM-EM算法進行人體皮膚的圖像分割　171
6.4.1　準備工作　172
6.4.2　執(zhí)行步驟　173
6.4.3　工作原理　175
6.5　醫(yī)學(xué)圖像分割　176
6.5.1　準備工作　176
6.5.2　執(zhí)行步驟　176
6.5.3　工作原理　182
6.5.4　更多實踐　183
6.6　深度語義分割　184
6.6.1　準備工作　185
6.6.2　執(zhí)行步驟　185
6.7　深度實例分割　190
6.7.1　準備工作　191
6.7.2　執(zhí)行步驟　192
6.7.3　工作原理　194

第7章　圖像分類　195
7.1　使用scikit-learn庫對圖像進行分類（方向梯度直方圖和邏輯回歸）　196
7.1.1　準備工作　196
7.1.2　執(zhí)行步驟　197
7.1.3　工作原理　200
7.1.4　更多實踐　202
7.2　使用Gabor濾波器組對紋理進行分類　202
7.2.1　準備工作　203
7.2.2　執(zhí)行步驟　203
7.2.3　工作原理　206
7.2.4　更多實踐　207
7.3　使用VGG19/Inception V3/MobileNet/ResNet101（基于PyTorch庫）
　　 對圖像進行分類　207
7.3.1　準備工作　208
7.3.2　執(zhí)行步驟　208
7.3.3　工作原理　210
7.3.4　更多實踐　212
7.4　圖像分類的微調(diào)（使用遷移學(xué)習）　212
7.4.1　準備工作　213
7.4.2　執(zhí)行步驟　214
7.4.3　工作原理　217
7.4.4　更多實踐　218
7.5　使用深度學(xué)習模型對交通標志進行分類（基于PyTorch庫）　219
7.5.1　準備工作　219
7.5.2　執(zhí)行步驟　219
7.5.3　工作原理　226
7.5.4　更多實踐　227
7.6　使用深度學(xué)習實現(xiàn)人體姿勢估計　227
7.6.1　準備工作　228
7.6.2　執(zhí)行步驟　228
7.6.3　工作原理　231

第8章　圖像中的目標檢測　232
8.1　基于HOG/SVM的目標檢測　232
8.1.1　準備工作　234
8.1.2　執(zhí)行步驟　234
8.1.3　工作原理　236
8.1.4　更多實踐　237
8.2　基于YOLO v3的目標檢測　237
8.2.1　準備工作　238
8.2.2　執(zhí)行步驟　238
8.2.3　工作原理　241
8.2.4　更多實踐　242
8.3　基于Faster R-CNN的目標檢測　242
8.3.1　準備工作　243
8.3.2　執(zhí)行步驟　243
8.3.3　工作原理　245
8.3.4　更多實踐　246
8.4　基于Mask R-CNN的目標檢測　246
8.4.1　準備工作　247
8.4.2　執(zhí)行步驟　247
8.4.3　工作原理　250
8.4.4　更多實踐　250
8.5　基于Python-OpenCV的多目標跟蹤　250
8.5.1　準備工作　251
8.5.2　執(zhí)行步驟　251
8.5.3　工作原理　253
8.5.4　更多實踐　253
8.6　使用EAST/Tesseract來檢測/識別圖像中的文本　253
8.6.1　準備工作　255
8.6.2　執(zhí)行步驟　255
8.6.3　工作原理　257
8.7　使用 Viola-Jones/Haar特征進行人臉檢測　258
8.7.1　準備工作　258
8.7.2　執(zhí)行步驟　258
8.7.3　工作原理　259
8.7.4　更多實踐　260

第9章　人臉識別、圖像描述及其他技術(shù)　261
9.1　使用FaceNet進行人臉識別　261
9.1.1　準備工作　262
9.1.2　執(zhí)行步驟　263
9.1.3　工作原理　267
9.2　使用深度學(xué)習模型來識別年齡、性別和情緒　268
9.2.1　準備工作　268
9.2.2　執(zhí)行步驟　269
9.2.3　更多實踐　270
9.3　使用深度學(xué)習模型進行圖像著色　270
9.3.1　準備工作　271
9.3.2　執(zhí)行步驟　271
9.4　使用卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶自動生成圖像字幕　273
9.4.1　準備工作　274
9.4.2　執(zhí)行步驟　274
9.4.3　工作原理　275
9.5　使用GAN生成圖像　276
9.5.1　準備工作　277
9.5.2　執(zhí)行步驟　278
9.5.3　工作原理　283
9.5.4　更多實踐　284
9.6　使用變分自編碼器重建并生成圖像　284
9.6.1　準備工作　285
9.6.2　執(zhí)行步驟　285
9.6.3　更多實踐　290
9.7　使用受限玻耳茲曼機重建孟加拉語MNIST圖像　291
9.7.1　準備工作　292
9.7.2　執(zhí)行步驟　292