作品简介

《计算机视觉40例从入门到深度学习(OpenCV-Python)》以OpenCV-Python(the Python API for OpenCV)为工具,以案例为载体,系统介绍了计算机视觉从入门到深度学习的相关知识点。

《计算机视觉40例从入门到深度学习(OpenCV-Python)》从基础知识、基础案例、机器学习、深度学习和人脸识别5个方面对计算机视觉的相关知识点进行了全面、系统、深入的介绍。书中共介绍了40余个经典的计算机视觉案例,其中既有图像加密、指纹识别、车牌识别、缺陷检测等基于传统技术的计算机视觉经典案例,也有图像分类、目标检测、语义分割、实例分割、风格迁移、姿势识别等基于深度学习的计算机视觉案例,还有表情识别、驾驶员疲劳检测、易容术、性别和年龄识别等基于人脸识别的计算机视觉案例。

在介绍具体的算法原理时,本书尽量使用通俗易懂的语言和贴近生活的示例来说明问题,避免使用复杂抽象的公式来介绍。

目标读者:

《计算机视觉40例从入门到深度学习(OpenCV-Python)》适合计算机视觉领域的初学者阅读,也适合学生、教师、专业技术人员、图像处理爱好者阅读。

李立宗,天津职业技术师范大学信息技术工程学院副教授,参与了《数字图像处理》等多本图书的编写工作,对数字图像处理研究颇深。

作品目录

  • 前言
  • 第1部分 基础知识导读篇
  • 第1章 数字图像基础
  • 1.1 图像表示基础
  • 1.2 彩色图像的表示
  • 1.3 应用基础
  • 1.4 智能图像处理基础
  • 1.5 抽象
  • 第2章 Python基础
  • 2.1 如何开始
  • 2.2 基础语法
  • 2.3 数据类型
  • 2.4 选择结构
  • 2.5 循环结构
  • 2.6 函数
  • 2.7 模块
  • 第3章 OpenCV基础
  • 3.1 基础
  • 3.2 图像处理
  • 3.3 感兴趣区域
  • 3.4 掩模
  • 3.5 色彩处理
  • 3.6 滤波处理
  • 3.7 形态学
  • 第2部分 基础案例篇
  • 第4章 图像加密与解密
  • 4.1 加密与解密原理
  • 4.2 图像整体加密与解密
  • 4.3 脸部打码及解码
  • 第5章 数字水印
  • 5.1 位平面
  • 5.2 数字水印原理
  • 5.3 实现方法
  • 5.4 具体实现
  • 5.5 可视化水印
  • 5.6 扩展学习
  • 第6章 物体计数
  • 6.1 理论基础
  • 6.2 核心程序
  • 6.3 程序设计
  • 6.4 实现程序
  • 第7章 缺陷检测
  • 7.1 理论基础
  • 7.2 程序设计
  • 7.3 实现程序
  • 第8章 手势识别
  • 8.1 理论基础
  • 8.2 识别过程
  • 8.3 扩展学习:石头、剪刀、布的识别
  • 第9章 答题卡识别
  • 9.1 单道题目的识别
  • 9.2 整张答题卡识别原理
  • 9.3 整张答题卡识别程序
  • 第10章 隐身术
  • 10.1 图像的隐身术
  • 10.2 视频隐身术
  • 第11章 以图搜图
  • 11.1 原理与实现
  • 11.2 实现程序
  • 11.3 扩展学习
  • 第12章 手写数字识别
  • 12.1 基本原理
  • 12.2 实现细节
  • 12.3 实现程序
  • 12.4 扩展阅读
  • 第13章 车牌识别
  • 13.1 基本原理
  • 13.2 实现程序
  • 13.3 下一步学习
  • 第14章 指纹识别
  • 14.1 指纹识别基本原理
  • 14.2 指纹识别算法概述
  • 14.3 尺度不变特征变换
  • 14.4 基于SIFT的指纹识别
  • 第3部分 机器学习篇
  • 第15章 机器学习导读
  • 15.1 机器学习是什么
  • 15.2 机器学习基础概念
  • 15.3 OpenCV中的机器学习模块
  • 15.4 OpenCV机器学习模块的使用
  • 第16章 KNN实现字符识别
  • 16.1 手写数字识别
  • 16.2 英文字母识别
  • 第17章 求解数独图像
  • 17.1 基本过程
  • 17.2 定位数独图像内的单元格
  • 17.3 构造KNN模型
  • 17.4 识别数独图像内的数字
  • 17.5 求解数独
  • 17.6 绘制数独求解结果
  • 17.7 实现程序
  • 17.8 扩展学习
  • 第18章 SVM数字识别
  • 18.1 基本流程
  • 18.2 倾斜校正
  • 18.3 HOG特征提取
  • 18.4 数据处理
  • 18.5 构造及使用SVM分类器
  • 18.6 实现程序
  • 18.7 参考学习
  • 第19章 行人检测
  • 19.1 方向梯度直方图特征
  • 19.2 基础实现
  • 19.3 函数detectMultiScale参数及优化
  • 19.4 完整程序
  • 19.5 参考学习
  • 第20章 K均值聚类实现艺术画
  • 20.1 理论基础
  • 20.2 K均值聚类模块
  • 20.3 艺术画
  • 第4部分 深度学习篇
  • 第21章 深度学习导读
  • 21.1 从感知机到人工神经网络
  • 21.2 人工神经网络如何学习
  • 21.3 深度学习是什么
  • 21.4 激活函数的分类
  • 21.5 损失函数
  • 21.6 学习的技能与方法
  • 21.7 深度学习游乐场
  • 第22章 卷积神经网络基础
  • 22.1 卷积基础
  • 22.2 卷积原理
  • 22.3 填充和步长
  • 22.4 池化操作
  • 22.5 感受野
  • 22.6 预处理与初始化
  • 22.7 CNN
  • 第23章 DNN模块
  • 23.1 工作流程
  • 23.2 模型导入
  • 23.3 图像预处理
  • 23.4 推理相关函数
  • 第24章 深度学习应用实践
  • 24.1 图像分类
  • 24.2 目标检测
  • 24.3 图像分割
  • 24.4 风格迁移
  • 24.5 姿势识别
  • 24.6 说明
  • 第5部分 人脸识别篇
  • 第25章 人脸检测
  • 25.1 基本原理
  • 25.2 级联分类器的使用
  • 25.3 函数介绍
  • 25.4 人脸检测实现
  • 25.5 表情检测
  • 第26章 人脸识别
  • 26.1 人脸识别基础
  • 26.2 LBPH人脸识别
  • 26.3 EigenFaces人脸识别
  • 26.4 FisherFaces人脸识别
  • 26.5 人脸数据库
  • 第27章 dlib库
  • 27.1 定位人脸
  • 27.2 绘制关键点
  • 27.3 勾勒五官轮廓
  • 27.4 人脸对齐
  • 27.5 调用CNN实现人脸检测
  • 第28章 人脸识别应用案例
  • 28.1 表情识别
  • 28.2 驾驶员疲劳检测
  • 28.3 易容术
  • 28.4 年龄和性别识别
  • 参考文献
展开全部