深度学习计算机视觉实战

一本透彻讲解计算机视觉的实战图书，通过近60个大中型案例，详细讲解了计算机视觉中的深度学习算法、理论和关键技术实现。快速帮助在计算机视觉领域的读者掌握相关的理论知识，以及通过相应的案例实操从而快速上手，书中的上百个计算机视觉知识点，有C++和Python双语言支持，不仅适用于直接使用Python的用户，也能帮助C++用户快速进阶。

本书是一本学习计算机视觉的实战指南，通过理论与实践相结合的思想，真正一站式搞定理论学习、算法开发到模型部署上线。
全书内容可分为四个部分。第一部分包括第1~2章，主要汫解深度学习和计算机视觉基础，如计算机视觉领域的经典网络和常见的目标检测算法；第二部分包括第3~6章，主要汫解图像处理知识，结合应用案例，对知识点进行分析说明；第三部分包括第7~11章，主要汫解计算机视觉中的实战项目，对实现细节做了追本溯源的汫解；第四部分包括第12~13章，主要汫解模型的落地部署，该部分的讲解基于TensorFlow Lite框架，该框架受众广、热度高，且在各种平台都有对应的支持与优化加速方案，方便读者使用。
本书中的上百个知识点与近60个案例都是作者工程应用中的经验总结,每章末尾均有"逬阶推荐"，给读者提供更多的拓展知识。本书适合计算机视.觉的初学者、计算机视觉算法开发人员、对深度学习有兴趣的用户或者亟须工程落地使用的用户阅读，也适合作为高校相关专业的教材。

第1章深度学习基础1
1.1神经网络1
1.1.1感知机1
1.1.2神经网络原理2
1.2卷积神经网络3
1.2.1CNN基本操作3
1.2.2CNN原理6
1.3循环神经网络7
1.3.1RNN7
1.3.2LSTM与GRU8
1.4经典网络9
1.4.1AlexNet9
1.4.2VGG10
1.4.3GoogLeNet11
1.4.4ResNet12
1.4.5MobileNet13
1.5进阶推荐：如何学习深度学习并“落地”求职16
1.5.1深度学习如何快速入门16
1.5.2深度学习行业求职技巧17
第2章计算机视觉基础18
2.1目标检测Two-stage算法18
2.1.1R-CNN算法18
2.1.2FastR-CNN算法20
2.1.3FasterR-CNN算法21
2.2目标检测One-stage算法23
2.2.1YOLO系列算法23
2.2.2SSD算法29
2.3图像分割算法31
2.3.1FCN算法31
2.3.2U-Net算法33
2.3.3DeepLab系列算法34
2.3.4MaskR-CNN算法37
2.4进阶推荐：计算机视觉方向知多少38
第3章基础图像处理40
3.1线性滤波40
3.1.1案例1：使用方框滤波41
3.1.2案例2：使用均值滤波46
3.1.3案例3：使用高斯滤波48
3.2非线性滤波50
3.2.1案例4：使用中值滤波例50
3.2.2案例5：使用双边滤波52
3.3OpenCV形态学运算54
3.3.1案例6：进行膨胀操作55
3.3.2案例7：进行腐蚀操作57
3.3.3案例8：使用形态学运算58
3.4案例9：使用漫水填充63
3.5图像金字塔67
3.5.1案例10：使用高斯金字塔67
3.5.2案例11：使用拉普拉斯金字塔70
3.6阈值化73
3.6.1案例12：使用基本阈值74
3.6.2案例13：使用自适应阈值78
3.7进阶推荐：选择一款合适的图像处理工具80
3.7.1OpenCV80
3.7.2Matlab81
第4章图像变换83
4.1边缘检测83
4.1.1案例14：Sobel算法83
4.1.2案例15：Scharr算法87
4.1.3案例16：Laplacian算法90
4.1.4案例17：Canny算法91
4.2案例18：绘制轮廓94
4.3霍夫变换97
4.3.1案例19：霍夫线变换97
4.3.2案例20：霍夫圆变换101
4.4案例21：重映射103
4.5案例22：仿射变换106
4.6案例23：透视变换109
4.7直方图111
4.7.1案例24：直方图的计算与绘制111
4.7.2案例25：直方图均衡化113
4.8进阶推荐：图像变换应用之文本图像矫正114
4.8.1图像变换知识总结114
4.8.2案例26：文本图像矫正115
第5章角点检测117
5.1案例27：Harris角点检测117
5.2案例28：Shi-Tomasi角点检测119
5.3案例29：亚像素级角点检测122
5.4进阶推荐：角点检测知识总结125
第6章特征点检测与匹配127
6.1特征点检测127
6.1.1opencv-contrib环境安装127
6.1.2案例30：SIFT特征点检测130
6.1.3案例31：SURF特征点检测137
6.2特征匹配139
6.2.1案例32：BruteForce匹配139
6.2.2案例33：FLANN匹配146
6.3案例34：ORB特征提取148
6.4进阶推荐：利用特征点拼接图像151
6.4.1特征点检测算法汇总151
6.4.2案例35：基于特征点检测与匹配的图像拼接151
第7章手写数字识别155
7.1Keras的应用155
7.1.1Keras模型155
7.1.2Keras层156
7.1.3模型编译157
7.1.4模型训练158
7.2LeNet算法159
7.3案例36：使用Keras实现手写数字识别160
7.3.1模型训练160
7.3.2手写数字识别模型推理164
7.4进阶推荐：算法模型开发流程167
7.4.1数据准备167
7.4.2网络搭建169
7.4.3模型训练170
第8章CIFAR-10图像分类171
8.1图像分类数据集171
8.1.1CIFAR-10数据集和CIFAR-100数据集171
8.1.2ImageNet数据集172
8.1.3PASCALVOC数据集173
8.2案例37：CIFAR-10图像分类173
8.2.1模型训练过程174
8.2.2模型推理179
8.3进阶推荐：COCO数据集与使用
HOGTSVM方法实现图像分类180
8.3.1COCO数据集180
8.3.2案例38：使用HOG+SVM
方法实现图像分类180
第9章验证码识别184
9.1TensorFlow应用184
9.1.1案例39：TensorFlow的基本使用184
9.1.2TensorFlow的常用模块186
9.2案例40：验证码识别188
9.2.1生成验证码图片188
9.2.2基于TensorFlow的验证码识别189
9.3进阶推荐：算法模型开发技巧194
9.3.1数据预处理技巧194
9.3.2网络搭建技巧195
9.3.3模型训练技巧196
第10章文本检测实战197
10.1文本检测算法197
10.1.1CTPN算法198
10.1.2EAST算法200
10.2案例41：基于EAST算法的文本检测202
10.2.1数据预处理202
10.2.2网络搭建205
10.2.3模型训练212
10.2.4文本检测验证217
10.3进阶推荐：在不同场景下文本检测的应对方式218
10.3.1复杂场景文本检测219
10.3.2案例42：使用形态学运算实现简单场景文本检测220
10.3.3案例43：使用MSER+NMS实现简单场景文本检测223
第11章文本识别实战226
11.1文本识别算法226
11.1.1CRNN算法226
11.1.2AttentionOCR算法229
11.2案例44：基于C-RNN算法的文本识别231
11.2.1数据预处理231
11.2.2网络搭建232
11.2.3模型训练236
11.2.4文本识别验证237
11.3进阶推荐：单字OCR238
11.3.1OCR探究238
11.3.2案例45：文本图片字符切割238
第12章TensorFlowLite244
12.1TensorFlowLite介绍244
12.1.1TensorFlowLite基础245
12.1.2TensorFlowLite源码分析246
12.2模型转换248
12.2.1FlatBuffers文件格式248
12.2.2案例46：其他格式转换为.tflite模型250
12.3模型量化252
12.3.1案例47：量化感知训练252
12.3.2案例48：训练后量化255
12.4进阶推荐：模型转换与模型部署优化答疑257
12.4.1模型转换问题257
12.4.2模型部署优化258
第13章基于TensorFlowLite的AI
功能部署实战260
13.1部署流程260
13.2案例49：移动端部署261
13.2.1搭建开发环境262
13.2.2编译运行项目262
13.2.3调用过程解析264
13.3PC端部署266
13.3.1案例50：Windows端部署266
13.3.2案例51：Linux端部署278
13.3.3案例52：ARM平台部署282
13.3.4案例53：MIPS平台部署285
13.4进阶推荐：推理框架拓展与OpenCV编译部署286
13.4.1其他深度学习推理框架286
13.4.2OpenCV编译286