Python計算機視覺與應用案例

第1章計算機視覺編程基礎知識
1.1計算機視覺概述
1.1.1什么是計算機視覺
1.1.2發(fā)展現(xiàn)狀
1.1.3計算機視覺用途
1.1.4相關學科
1.1.5計算機視覺的經(jīng)典問題
1.2Python編程軟件
1.2.1Python應用領域
1.2.2發(fā)展歷程
1.2.3Python的安裝
1.2.4使用pip安裝第三方庫
1.3幾個常用庫
1.3.1NumPy庫
1.3.2SciPy庫
1.3.3pandas庫
1.3.4scikitlearn庫
1.4Python圖像處理類庫
1.4.1轉換圖像格式
1.4.2創(chuàng)建縮略圖
1.4.3復制并粘貼圖像區(qū)域
1.4.4調整尺寸和旋轉
1.5Matplotlib庫
1．6Pyecharts庫
1．6．1Pyecharts特性
1．6．2Pyecharts安裝
1．6．3Pyecharts繪圖
1.7NumPy圖像處理
1.7.1灰度變換
1.7.2圖像縮放
1.7.3直方圖均衡化
1.7.4圖像平均
1.7.5圖像主成分分析
1.8SciPy圖像處理
1.8.1圖像模糊
1.8.2圖像導數(shù)
1.8.3形態(tài)學
1.8.4io和misc模塊
1.9圖像降噪
第2章圖像去霧技術
2.1空域圖像增強
2.1.1空域低通濾波
2.1.2空域高通濾波器
2.2時域圖像增強
2.3色階調整去霧技術
2.3.1概述
2.3.2暗通道去霧原理
2.3.3暗通道去霧實例
2.4直方圖均衡化去霧技術
2.4.1色階調整原理
2.4.2自動色階圖像處理算法
2．4．3實現(xiàn)降噪去霧
第3章形態(tài)學的去噪
3.1圖像去噪的方法
3.2數(shù)學形態(tài)學的原理
3.2.1腐蝕與膨脹
3.2.2開閉運算
3．2．3形態(tài)學梯度
3.2.4禮帽/黑帽操作
3.3形態(tài)學運算
3.3.1邊緣檢測定義
3.3.2檢測拐角
3.4權重自適應的多結構形態(tài)學去噪
第4章霍夫變換檢測
4.1霍夫變換檢測直線
4.1.1霍夫變換檢測直線的思想
4.1.2實際應用
4.2霍夫變換檢測圓
4．3霍夫變換檢測其他形狀
第5章車牌分割定位識別
5.1基本概述
5.2車牌圖像處理
5.2.1圖像灰度化
5.2.2二值化
5.2.3邊緣檢測
5.2.4形態(tài)學運算
5.2.5濾波處理
5.3定位處理
5.4字符處理
5.4.1閾值分割
5.4.2閾值化分割
5.4.3歸一化處理
5.4.4字符分割經(jīng)典應用
5.5字符識別
5.5.1模板匹配的字符識別
5.5.2字符識別車牌經(jīng)典應用
5．6OpenCV SVM車牌識別
第6章分水嶺實現(xiàn)醫(yī)學診斷
6.1分水嶺算法
6.1.1模擬浸水過程
6.1.2模擬降水過程
6.1.3過度分割問題
6.1.4標記分水嶺算法
6.2分水嶺醫(yī)學診斷案例分析
第7章手寫體數(shù)字識別
7．1神經(jīng)網(wǎng)絡算法
7．1．1多層前饋神經(jīng)網(wǎng)絡
7．1．2利用BP算法設計神經(jīng)網(wǎng)絡
7．1．3實現(xiàn)手寫數(shù)字的識別
7.2卷積神經(jīng)網(wǎng)絡概述
7.2.1卷積神經(jīng)網(wǎng)絡的結構
7.2.2卷積神經(jīng)網(wǎng)絡的訓練
7.2.3卷積神經(jīng)網(wǎng)絡識別手寫體數(shù)字
7.3SVM識別手寫體數(shù)字
7.3.1支持向量機的原理
7.3.2函數(shù)間隔
7.3.3幾何間隔
7.3.4間隔最大化
7.3.5SVC識別手寫體數(shù)字實例
第8章圖片中的英文識別
8.1OCR介紹
8.2OCR算法原理
8.2.1圖像預處理
8.2.2圖像分割
8.2.3特征提取和降維
8.2.4分類器
8.2.5算法步驟
8.3OCR識別經(jīng)典應用
8.4獲取驗證碼
第9章小波技術的圖像視覺處理
9.1小波技術概述
9.2小波實現(xiàn)去噪
9.2.1小波去噪的原理
9.2.2小波去噪的方法
9.2.3小波去噪案例分析
9.3圖像融合處理
9.3.1概述
9.3.2小波融合案例分析
9．4小波壓縮圖像
第10章圖像壓縮與分割處理
10.1SVD圖像壓縮處理
10.1.1特征分解
10.1.2奇異值分解
10.1.3奇異值分解應用
10.2PCA圖像壓縮處理
10.2.1概述
10.2.2主成分降維原理
10.2.3分矩陣重建樣本
10.2.4主成分分析圖像壓縮
10.2.5主成分壓縮圖像案例分析
10.3KMeans聚類圖像壓縮處理
10.3.1KMeans算法的原理
10.3.2KMeans算法的要點
10.3.3KMeans算法的缺點
10.3.4KMeans聚類圖像壓縮案例分析
10.4KMeans聚類實現(xiàn)圖像分割
10.4.1KMeans聚類分割灰度圖像
10.4.2KMeans聚類對比分割彩色圖像
10．5閾值法實現(xiàn)圖像分割
10．5．1全閾值分割
10．5．2迭代閾值分割
10．5．3OTSU算法閾值分割
10．5．4自適應閾值分割
第11章圖像特征匹配
11.1相關概念
11.2圖像匹配
11.2.1基于灰度的匹配
11.2.2基于模板的匹配
11.2.3基于變換域的匹配
11.2.4基于特征的匹配案例分析
第12章角點特征檢測
12.1Harris算子的基本原理
12.2Harris算法流程
12.3Harris角點的性質
12.4Harris檢測角點案例分析
12.5角點檢測函數(shù)
12.6ShiTomasi角點檢測
12.7FAST特征檢測
12．8SIFT角點檢測
12．8．1SIFT算法實現(xiàn)步驟
12．8．2SIFT角點檢測應用
第13章運動目標自動檢測
13.1幀間差分法
13.1.1原理
13.1.2三幀差分法
13.1.3幀間差分法案例分析
13.2背景差分法
13.3光流法
第14章水印技術
14.1水印技術的概念
14.2數(shù)字水印技術的原理
14.3典型的數(shù)字水印算法
14.3.1空間域算法
14.3.2變換域算法
14.4數(shù)字水印攻擊和評價
14.5水印技術案例分析
14．6小波變換水印技術
14．6．1基本原理
14．6．2水印的嵌入與提取步驟
14．6．3算法性能評估
14．6．4小波變換水印技術實現(xiàn)
第15章大腦影像分析
15.1閾值分割
15.2區(qū)域生長
15.3基于閾值預分割的區(qū)域生長
15.4區(qū)域生長分割大腦影像案例分析
第16章自動駕駛應用
16.1理論基礎
16.2環(huán)境感知
16.3行為決策
16.4路徑規(guī)則
16.5運動控制
16．6A_star算法規(guī)劃自動駕駛運動
16．6．1自動駕駛運動規(guī)則問題
16．6．2A_star算法用于自動駕駛運動規(guī)劃
16.7自動駕駛案例分析
第17章目標檢測
17.1RCNN系列
17.1.1RCNN算法概述
17.1.2RCNN的數(shù)據(jù)集實現(xiàn)
17.2YOLO檢測
17.2.1概述
17.2.2統(tǒng)一檢測
17.2.3基于OpenCV實現(xiàn)自動檢測案例分析
第18章人機交互
18.1Tkinter GUI編程組件
18.2布局管理器
18.2.1Pack布局管理器
18.2.2Grid布局管理器
18.2.3Place布局管理器
18.3事件處理
18.3.1簡單的事件處理
18.3.2事件綁定
18.4Tkinter常用組件
18.4.1ttk組件
18.4.2Variable類
18.4.3compound選項
18.4.4Entry和Text組件
18.4.5Radiobutton和Checkbutton組件
18.4.6Listbox和Combobox組件
18.4.7Spinbox組件
18.4.8Scale組件
18.4.9Labelframe組件
18.4.10OptionMenu組件
18.5菜單
18.5.1窗口菜單
18.5.2右鍵菜單
18.6Canvas繪圖
第19章深度學習的應用
19.1理論部分
19.1.1分類識別
19.1.2目標檢測的任務
19.2AlexNet網(wǎng)絡及案例分析
19.3CNN拆分數(shù)據(jù)集案例分析
19．4MTCNN人臉檢測算法實現(xiàn)
19．4．1PNet的結構
19．4．2RNet的結構
19．4．3ONet的結構
19．4．4圖像金字塔
19．4．5MTCNN實現(xiàn)人臉檢測
第20章視覺分析綜合應用案例
20.1合金彈頭游戲
20.1.1游戲界面組件
20.1.2增加“角色”
20.1.3合理繪制地圖
20.1.4增加音效
20.1.5增加游戲場景
20.2停車場識別計費系統(tǒng)
20.2.1系統(tǒng)設計
20.2.2實現(xiàn)系統(tǒng)
參考文獻