OpenCV 4機器學習算法原理與編程實戰(zhàn)（博文視點出品）

第1章 概述 1
1．1 OpenCV簡述 1
1．2 OpenCV的功能 1
1．3 OpenCV中的機器學習與深度神經(jīng)網(wǎng)絡(luò)模塊 2
1．4 基本數(shù)據(jù)類型 2
1．4．1 數(shù)據(jù)類型概述 2
1．4．2 cv：：Vec類 3
1．4．3 cv：：Point類 6
1．4．4 cv：：Scalar類 8
1．4．5 cv：：Size類 9
1．4．6 cv：：Rect類 9
1．4．7 cv：：RotatedRect類 13
1．4．8 cv：：Mat類 14
1．4．9 基本矩陣運算 19
參考文獻 22
第2章 OpenCV在機器學習任務(wù)中的基本圖像操作 23
2．1 基本圖像操作 23
2．1．1 讀取、顯示和存儲圖像 23
2．1．2 顏色空間轉(zhuǎn)換 30
2．1．3 圖像的幾何變換 36
2．1．4 直方圖均衡化 49
2．1．5 標注文字和矩形框 57
2．2 基本視頻操作 60
2．2．1 讀取和播放視頻文件 61
2．2．2 處理視頻文件 62
2．2．3 存儲視頻文件 65
參考文獻 67
第3章 機器學習的基本原理與OpenCV機器學習模塊 69
3．1 機器學習的基本概念 69
3．1．1 機器學習的定義 69
3．1．2 機器學習的分類 70
3．2 機器學習的一般流程 73
3．2．1 機器學習流程 73
3．2．2 數(shù)據(jù)集 74
3．2．3 偏差與方差 77
3．2．4 評估分類器性能的方法 79
3．3 邏輯回歸分類示例 80
3．3．1 圖像數(shù)據(jù)與數(shù)據(jù)表示 81
3．3．2 邏輯回歸模型 82
3．3．3 邏輯回歸的損失函數(shù) 83
3．4 OpenCV支持的機器學習算法 84
3．4．1 機器學習模塊的結(jié)構(gòu) 84
3．4．2 機器學習模塊中的算法 85
3．4．3 數(shù)據(jù)集準備 87
3．4．4 特征選擇 88
參考文獻 89
第4章 K-means和KNN 90
4．1 算法原理 90
4．1．1 K-means原理 90
4．1．2 KNN原理 92
4．2 OpenCV實現(xiàn) 95
4．2．1 K-means的實現(xiàn) 95
4．2．2 KNN的實現(xiàn) 97
4．3 應(yīng)用示例 99
4．3．1 K-means聚類示例 99
4．3．2 KNN手寫數(shù)字識別示例 106
4．3．3 應(yīng)用提示 112
參考文獻 113
第5章 決策樹 114
5．1 決策樹原理 114
5．1．1 決策樹的基本思想 114
5．1．2 決策樹的表示方法 114
5．1．3 最佳切分屬性的選擇 116
5．1．4 停止標準 123
5．1．5 剪枝 123
5．2 OpenCV實現(xiàn) 123
5．2．1 創(chuàng)建決策樹 123
5．2．2 訓練決策樹 126
5．2．3 使用決策樹預測 127
5．3 應(yīng)用示例 129
5．3．1 蘑菇可食性分類 129
5．3．2 預測波士頓房價 135
5．3．3 應(yīng)用提示 142
參考文獻 142
第6章 隨機森林 143
6．1 隨機森林原理 143
6．1．1 隨機森林的基本思想 143
6．1．2 Bagging算法 143
6．2 OpenCV實現(xiàn) 146
6．2．1 OpenCV中的隨機森林 146
6．2．2 創(chuàng)建隨機森林 147
6．2．3 訓練隨機森林 148
6．2．4 使用隨機森林預測 148
6．3 應(yīng)用示例 148
6．3．1 蘑菇可食性分類 149
6．3．2 預測波士頓房價 153
6．3．3 應(yīng)用提示 158
參考文獻 158
第7章 Boosting算法 159
7．1 Boosting算法原理 159
7．1．1 Boosting算法的基本思想 159
7．1．2 Boosting算法 159
7．1．3 AdaBoost算法 160
7．2 OpenCV實現(xiàn) 164
7．2．1 創(chuàng)建AdaBoost模型 164
7．2．2 訓練AdaBoost模型 166
7．2．3 使用AdaBoost模型預測 166
7．3 應(yīng)用示例 166
7．3．1 蘑菇可食性分類 167
7．3．2 英文字母分類問題 169
7．3．3 應(yīng)用提示 174
參考文獻 174
第8章 支持向量機 175
8．1 支持向量機原理 175
8．1．1 統(tǒng)計學習理論概述 175
8．1．2 線性SVM算法基本原理 179
8．1．3 非線性SVM算法的基本原理 190
8．1．4 SVM回歸算法的基本原理 192
8．1．5 SVM算法執(zhí)行SRM準則的解釋 194
8．2 OpenCV實現(xiàn) 195
8．2．1 OpenCV中的SVM算法 195
8．2．2 創(chuàng)建SVM模型 197
8．2．3 訓練SVM模型 199
8．2．4 使用SVM模型預測 202
8．3 應(yīng)用示例 203
8．3．1 使用HOG特征與SVM算法識別手寫數(shù)字 203
8．3．2 應(yīng)用提示 213
參考文獻 214
第9章 神經(jīng)網(wǎng)絡(luò) 215
9．1 神經(jīng)網(wǎng)絡(luò)算法原理 215
9．1．1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與表示 216
9．1．2 單隱層前饋神經(jīng)網(wǎng)絡(luò) 220
9．1．3 多隱層前饋神經(jīng)網(wǎng)絡(luò) 222
9．1．4 梯度下降法 225
9．1．5 反向傳播算法 229
9．2 OpenCV實現(xiàn) 234
9．2．1 OpenCV中的MLP算法 234
9．2．2 創(chuàng)建MLP模型 235
9．2．3 訓練MLP模型 237
9．2．4 使用MLP模型預測 239
9．3 應(yīng)用示例 239
9．3．1 使用神經(jīng)網(wǎng)絡(luò)識別手寫數(shù)字 239
9．3．2 應(yīng)用提示 251
參考文獻 251
第10章 深度神經(jīng)網(wǎng)絡(luò) 252
10．1 卷積神經(jīng)網(wǎng)絡(luò)的基本原理 253
10．1．1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 254
10．1．2 卷積層 255
10．1．3 池化 262
10．1．4 Softmax層 263
10．1．5 CNN特征學習的過程 263
10．1．6 CNN特征學習的原理 266
10．2 OpenCV的DNN模塊 268
10．2．1 OpenCV支持的深度學習框架 269
10．2．2 支持的層類型 269
10．2．3 編譯支持GPU加速的OpenCV 269
10．2．4 DNN模塊的使用 274
10．3 應(yīng)用示例 286
10．3．1 典型計算機視覺任務(wù) 286
10．3．2 使用GoogLeNet實現(xiàn)圖像分類 289
10．3．3 使用YOLOv4實現(xiàn)目標檢測 295
10．3．4 使用Mask R-CNN實現(xiàn)實例分割 306
10．3．5 使用GOTURN模型實現(xiàn)目標跟蹤 315
10．3．6 使用DB算法實現(xiàn)場景文本檢測 319
10．3．7 使用CRNN實現(xiàn)場景文本識別 327
10．3．8 應(yīng)用提示 338
參考文獻 339