机器学习 使用OpenCV、Python和scikit-learn进行智能图像处理(原书第2版)

OpenCV是用于构建计算机视觉应用程序的一个开源库。本书将全面介绍新发布的OpenCV 4版本所提供的大量新特性和平台改进。 首先，你将了解OpenCV 4的新特性并安装OpenCV 4来构建计算机视觉应用程序。然后，你将探索机器学习的基础知识，学习设计用于图像处理的各种算法，循序渐进地掌握监督学习和无监督学习，并将获得使用Python中的scikit-learn开发各种机器学习应用程序的实践经验。接着，你将学习决策树、支持向量机（SVM）、贝叶斯学习等各种机器学习算法，以及如何将这些算法应用于目标检测等计算机视觉操作。之后，你将深入研究深度学习和集成学习，并探索它们在现实世界中的应用，如手写数字分类和手势识别等。*后，你将学习用于构建图像处理系统的英特尔OpenVINO工具包。 学习完本书，你将掌握使用OpenCV 4构建智能计算机视觉应用程序所需要的机器学习技能。

《机器学习：使用OpenCV、Python和scikit-learn进行智能图像处理（原书第2版）》是一本基于OpenCV4和Python的机器学习实战手册，既详细介绍机器学习及OpenCV相关的基础知识，又通过具体实例展示如何使用OpenCV和Python实现各种机器学习算法，并提供大量示例代码，可以帮助你掌握机器学习实用技巧，解决各种不同的机器学习和图像处理问题。
《机器学习：使用OpenCV、Python和scikit-learn进行智能图像处理（原书第2版）》共13章：第1章简要介绍机器学习基础知识，并讲解如何安装OpenCV和Python工具；第2章介绍基本的OpenCV函数；第3章讨论监督学习算法，以及如何使用OpenCV和scikit-learn实现这些算法；第4章讨论数据表示和特征工程，并介绍OpenCV中提供的用于处理图像数据的常见特征提取技术；第5章展示如何使用OpenCV构建决策树进行医疗诊断；第6章讨论如何使用OpenCV构建支持向量机检测行人；第7章讨论朴素贝叶斯算法、多项式朴素贝叶斯等技术及实现，并展示如何使用贝叶斯学习实现垃圾邮件过滤；第8章讨论一些无监督学习算法；第9章详细讲解如何构建深度神经网络来分类手写数字；第10章介绍用于分类的随机森林、bagging方法和boosting方法等；第11章讨论如何通过模型选择和超参数调优来比较各种分类器的结果；第12章介绍OpenCV4.0中引入的OpenVINO工具包；第13章给出一些处理实际机器学习问题的提示和技巧。
OpenCV是用于构建计算机视觉应用程序的一个开源库。《机器学习：使用OpenCV、Python和scikit-learn进行智能图像处理（原书第2版）》将全面介绍新发布的OpenCV4版本所提供的大量新特性和平台改进。
首先，你将了解OpenCV4的新特性并安装OpenCV4来构建计算机视觉应用程序。然后，你将探索机器学习的基础知识，学习设计用于图像处理的各种算法，循序渐进地掌握监督学习和无监督学习，并将获得使用Python中的scikit-learn开发各种机器学习应用程序的实践经验。接着，你将学习决策树、支持向量机（SVM）、贝叶斯学习等各种机器学习算法，以及如何将这些算法应用于目标检测等计算机视觉操作。之后，你将深入研究深度学习和集成学习，并探索它们在现实世界中的应用，如手写数字分类和手势识别等。最后，你将学习用于构建图像处理系统的英特尔OpenVINO工具包。
学习完《机器学习：使用OpenCV、Python和scikit-learn进行智能图像处理（原书第2版）》，你将掌握使用OpenCV4构建智能计算机视觉应用程序所需要的机器学习技能。

译者序
前言
作者简介
审校者简介
第一部分机器学习与OpenCV的基础知识
第1章机器学习体验2
1.1技术需求3
1.2开始机器学习3
1.3机器学习可以解决的问题4
1.4开始使用Python5
1.5开始使用OpenCV6
1.6安装6
1.6.1获取本书的近期新代码7
1.6.2了解Python的Anaconda发行版8
1.6.3在conda环境中安装OpenCV9
1.6.4安装验证10
1.6.5OpenCV的ml模块概览12
1.7机器学习的应用13
1.8OpenCV 4.0的新功能13
1.9本章小结14
第2章用OpenCV处理数据15
2.1技术需求15
2.2理解机器学习的工作流程16
2.3使用OpenCV和Python处理数据18
2.3.1开始一个新的IPython或Jupyter会话18
2.3.2使用Python的NumPy包处理数据20
2.3.3用Python加载外部数据集24
2.3.4使用Matplotlib可视化数据25
2.3.5使用C++中的OpenCV TrainData容器处理数据29
2.4本章小结30
第3章监督学习的第一步31
3.1技术需求31
3.2理解监督学习32
3.2.1看看OpenCV中的监督学习33
3.2.2用评分函数度量模型性能33
3.3使用分类模型预测类标签39
3.3.1理解k-NN算法40
3.3.2用OpenCV实现k-NN40
3.4使用回归模型预测连续的结果47
3.4.1理解线性回归47
3.4.2OpenCV中的线性回归48
3.4.3使用线性回归预测波士顿房价51
3.4.4Lasso回归和岭回归的应用54
3.5使用逻辑回归分类鸢尾花的种类55
3.5.1理解逻辑回归55
3.5.2加载训练数据56
3.5.3使其成为一个二值分类问题57
3.5.4数据检查57
3.5.5将数据拆分成训练集和测试集58
3.5.6训练分类器58
3.5.7测试分类器59
3.6本章小结59
第4章数据表示和特征工程60
4.1技术需求61
4.2理解特征工程61
4.3数据预处理62
4.3.1特征标准化62
4.3.2特征归一化63
4.3.3将特征缩放到一个范围64
4.3.4特征二值化64
4.3.5缺失数据的处理65
4.4理解降维66
4.4.1用OpenCV实现主成分分析67
4.4.2实现独立成分分析70
4.4.3实现非负矩阵分解71
4.4.4使用t-分布随机邻域嵌入可视化降维72
4.5类别变量的表示74
4.6文本特征的表示75
4.7图像的表示77
4.7.1使用颜色空间77
4.7.2检测图像中的角点79
4.7.3使用star检测器和BRIEF描述符82
4.7.4使用面向FAST和可旋转的BRIEF84
4.8本章小结85
第二部分基于OpenCV的运算
第5章基于决策树进行医疗诊断88
5.1技术需求88
5.2理解决策树89
5.2.1构建我们的第一棵决策树91
5.2.2可视化一棵经过训练的决策树97
5.2.3探究决策树的内部工作原理99
5.2.4评估特征的重要性100
5.2.5理解决策规则101
5.2.6控制决策树的复杂度102
5.3使用决策树诊断乳腺癌102
5.3.1加载数据集103
5.3.2构建决策树104
5.4使用决策树进行回归108
5.5本章小结111
第6章利用支持向量机进行行人检测112
6.1技术需求113
6.2理解线性SVM113
6.2.1学习很优决策边界113
6.2.2实现我们的第一个SVM115
6.3处理非线性决策边界120
6.3.1理解核技巧121
6.3.2了解我们的核121
6.3.3实现非线性SVM122
6.4检测自然场景中的行人123
6.4.1获取数据集124
6.4.2面向梯度的直方图概述126
6.4.3生成负样本127
6.4.4实现SVM128
6.4.5bootstrapping模型129
6.4.6检测更大图像中的行人130
6.4.7进一步完善模型132
6.5使用SVM的多类分类133
6.5.1关于数据134
6.5.2属性信息134
6.6本章小结136
第7章利用贝叶斯学习实现一个垃圾邮件过滤器137
7.1技术需求138
7.2理解贝叶斯推理138
7.2.1概率理论概述138
7.2.2理解贝叶斯定理139
7.2.3理解朴素贝叶斯分类器142
7.3实现第一个贝叶斯分类器143
7.3.1创建一个玩具数据集143
7.3.2使用普通贝叶斯分类器对数据进行分类144
7.3.3使用朴素贝叶斯分类器对数据进行分类147
7.3.4可视化条件概率147
7.4使用朴素贝叶斯分类器分类邮件149
7.4.1加载数据集150
7.4.2使用pandas建立一个数据矩阵152
7.4.3数据预处理153
7.4.4训练一个普通贝叶斯分类器153
7.4.5在完整数据集上训练154
7.4.6使用n-grams提升结果154
7.4.7使用TF-IDF提升结果155
7.5本章小结156
第8章利用无监督学习发现隐藏结构157
8.1技术需求157
8.2理解无监督学习158
8.3理解k-均值聚类158
8.4理解优选期望161
8.4.1实现优选期望解决方案162
8.4.2了解优选期望的局限性164
8.5使用k-均值压缩颜色空间169
8.5.1可视化真彩色调色板170
8.5.2使用k-均值减少调色板的颜色172
8.6使用k-均值分类手写数字174
8.6.1加载数据集175
8.6.2运行k-均值175
8.7将聚类组织为层次树176
8.7.1理解层次聚类177
8.7.2实现凝聚层次聚类178
8.7.3聚类算法比较179
8.8本章小结180
第三部分基于OpenCV的高级机器学习
第9章使用深度学习分类手写数字182
9.1技术需求182
9.2理解McCulloch-Pitts神经元183
9.3理解感知器185
9.4实现第一个感知器187
9.4.1生成一个玩具数据集188
9.4.2拟合感知器和数据189
9.4.3评估感知器分类器190
9.4.4将感知器应用于非线性可分的数据191
9.5理解多层感知器193
9.5.1理解梯度下降194
9.5.2基于反向传播训练多层感知器196
9.5.3用OpenCV实现一个多层感知器197
9.6结识深度学习202
9.7分类手写数字205
9.7.1加载MNIST数据集205
9.7.2预处理MNIST数据集206
9.7.3使用OpenCV训练一个多层感知器207
9.7.4使用Keras训练深度神经网络208
9.8本章小结211
第10章集成分类方法212
10.1技术需求213
10.2理解集成方法213
10.2.1理解平均集成214
10.2.2理解boosting集成217
10.2.3理解叠加集成219
10.3将决策树组合成随机森林220
10.3.1理解决策树的缺点220
10.3.2实现第一个随机森林224
10.3.3用scikit-learn实现一个随机森林225
10.3.4实现超随机树226
10.4利用随机森林进行人脸识别228
10.4.1加载数据集228
10.4.2预处理数据集229
10.4.3随机森林的训练和测试230
10.5实现AdaBoost232
10.5.1用OpenCV实现AdaBoost232
10.5.2用scikit-learn实现AdaBoost233
10.6把各种模型组合成一个投票分类器234
10.6.1理解各种投票方案234
10.6.2实现一个投票分类器235
10.6.3简单多数236
10.7本章小结237
第11章选择正确的模型与超参数调优238
11.1技术需求239
11.2模型评估239
11.2.1模型评估的错误方式239
11.2.2模型评估的正确方式240
11.2.3选择很好模型241
11.3理解交叉验证244
11.3.1用OpenCV手动实现交叉验证246
11.3.2用scikit-learn进行k折交叉验证247
11.3.3实现留一法交叉验证247
11.4利用bootstrapping评估鲁棒性248
11.5评估结果的显著性250
11.5.1实现Student t-检验251
11.5.2实现McNemar检验252
11.6基于网格搜索的超参数调优253
11.6.1实现一个简单的网格搜索254
11.6.2理解验证集的值255
11.6.3网格搜索与交叉验证结合256
11.6.4网格搜索与嵌套交叉验证结合258
11.7利用各种评估指标对模型评分259
11.7.1选择正确的分类器评估指标259
11.7.2选择正确的回归评估指标260
11.8将算法链接起来形成管道260
11.8.1用scikit-learn实现管道261
11.8.2在网格搜索中使用管道262
11.9本章小结263
第12章使用基于OpenCV的OpenVINO264
12.1技术需求264
12.2OpenVINO简介265
12.3OpenVINO工具包安装265
12.4交互式人脸检测演示266
12.5使用基于OpenCV的OpenVINO推理引擎267
12.6使用基于OpenCV的OpenVINO模型组268
12.7使用OpenCV和OpenVINO推理引擎进行图像分类269
12.7.1利用OpenVINO进行图像分类270
12.7.2利用OpenCV和OpenVINO进行图像分类271
12.8本章小结273
第13章尾声274
13.1技术需求274
13.2机器学习问题的解决方案275
13.3构建自己的估计器276
13.3.1用C++编写自己的基于OpenCV的分类器276
13.3.2用Python编写自己的基于scikit-learn的分类器278
13.4接下来要做的工作280
13.5本章小结281