PYTHON图像处理与机器视觉入门

本书对图像处理与机器视觉领域的典型工作任务背后的数学原理, 包括图像点运算、矩阵运算、向量运算、相关、卷积、时频域分析、主元分析、支持向量机、形态学、深度学习、凸优化、拉格朗日乘子、KKT条件、对偶问题、梯度下降等, 进行了讲解。

目 录 1 Python 1.1 搭建环境 1.1.1 安装Python 1.1.2 安装PyCharm 1.1.3 创建PyCharm项目 1.2 Python基础 1.2.1 基础语法 1.2.2 标准数据类型 1.2.3 条件控制 1.2.4 循环结构 1.2.5 函数 1.2.6 错误和异常 1.2.7 模块 1.3 本书所用依赖库 1.3.1 依赖库介绍 1.3.2 依赖库安装 2 图像处理与机器视觉 2.1 基本概念 2.2 应用场景 3 图像的点运算 3.1 基本概念 3.2 线性变换 3.3 伽马变换 3.4 直方图均衡化 3.5 章节练习 4 图像的几何变换 4.1 基本概念 4.2 平移变换 4.3 缩放变换 4.4 旋转变换 4.5 插值运算 4.6 仿射与投影 4.7 图像配准 4.8 章节练习 5 空间域图像增强 5.1 基本概念 5.2 相关与卷积 5.3 图像的低通滤波与高通滤波 5.4 图像降噪 5.5 图像锐化 5.6 章节练习 6 频率域图像增强 6.1 基本概念 6.2 傅里叶变换 6.3 离散余弦变换 6.4 小波变换 6.5 章节练习 7 图像特征提取 7.1 基本概念 7.2 主元分析 7.2.1 主元分析与人脸识别 7.2.2 分类性能指标 7.2.3 支持向量机 7.3 深度神经网络 7.3.1 简单线性回归与最小二乘法 7.3.2 梯度下降 7.3.3 多元线性回归 7.3.4 逻辑回归与神经元 7.3.5 神经网络与深度神经网络 7.3.6 误差反向传播法 7.3.7 激活函数 7.3.8 全连接网络与卷积神经网络 7.4 基于卷积神经网络的图像分类 7.5 章节练习 8 图像分割 8.1 基本概念 8.2 基于直方图分析的图像分割 8.3 基于神经网络的图像分割 8.3.1 任务类别 8.3.2 应用场景 8.3.3 语义分割模型DeepLabV3Plus 8.3.4 使用PaddlePaddle训练DeepLabV3Plus模型 8.4 章节练习 9 图像修复 9.1 基本概念 9.2 图像修复的研究领域 9.3 基于深度学习的图像修复 9.4 图像修复模型CMFNet 9.5 章节练习 10 图像美颜 10.1 基本概念 10.2 美颜技术 10.3 章节练习 11 图像形态学 11.1 基本概念 11.2 腐蚀操作 11.3 膨胀操作 11.4 开操作 11.5 闭操作 11.6 红细胞计数 11.7 章节练习 12 增强现实 12.1 基本概念 12.2 相机矫正 12.3 姿势估计 12.4 章节练习 13 视频处理 13.1 简介 13.2 目标跟踪 13.3 视频分割 13.4 章节练习 参考文献