图像处理算法及其Python实践

本书采用循序渐进的叙述方式，深入浅出地介 绍了基于Python语言实现图像处理工程中的热点问 题。本书共9章，内容有Python程序设计基础、 Python基本图像处理、深度学习基础、图像分类、 图像分割、目标检测、人脸识别、图像分割迁移和 风格描述。本书内容较为系统，兼顾理论和实践。 在介绍基本图像处理理论知识的基础上，介绍了大 量图像处理的算法，并给出了具体的图像处理实践 案例。每章的最后都有本章小结。

第1章 Python程序设计基础 1.1 Python语言快速入门 1.1.1 Python的版本与安装 1.1.2 编写简单的Python程序 1.1.3 编辑和运行复杂的Python程序 1.2 Python语法速览 1.2.1 数据类型 1.2.2 列表与元组 1.2.3 字典与集合 1.2.4 程序流程控制 1.2.5 函数定义与调用 1.3 类与模块 1.3.1 类与对象 1.3.2 类的继承与多态 1.3.3 模块 1.4 图形用户界面设计 1.4.1 图形用户界面概述 1.4.2 窗体容器和组件 1.4.3 界面布局管理 1.4.4 文本框及其他组件 本章小结 第2章 Python图像处理基础 2.1 图像处理类库PIL 2.1.1 图像打开与模式转换 2.1.2 调整图像尺寸与旋转 2.1.3 创建缩略图 2.2 绘图类库Matplotlib 2.2.1 绘制点和线图像 2.2.2 绘制图像轮廓和直方图 2.2.3 图像交互式标注 2.3 科学计算类库NumPy 2.3.1 图像数组表示 2.3.2 图像灰度转换 2.3.3 直方图均衡化 2.3.4 图像主成分分析PCA 2.4 数值运算类库SciPy 2.4.1 图像平滑 2.4.2 图像形态学 本章小结 第3章 深度学习基础 3.1 深度学习简介 3.2 神经网络基础 3.2.1 全连接神经网络结构 3.2.2 前向传播与反向传播 3.2.3 模型的整体实现 3.3 深度学习框架PyTorch 3.3.1 张量与自动微分 3.3.2 PyTorch常用模块 3.3.3 PyTorch搭建全连接神经网络 3.4 深度学习框架Keras 3.4.1 Keras常用模块 3.4.2 Keras搭建网络模型 3.4.3 Keras搭建全连接神经网络 3.5 卷积神经网络CNN 3.5.1 卷积神经网络结构 3.5.2 卷积与池化 3.5.3 卷积神经网络模型 本章小结 第4章 图像分类 4.1 概述 4.2 图像分类常用数据库 4.3 图像分类常用方法 4.3.1 决策树 4.3.2 K-近邻算法 4.3.3 逻辑回归 4.3.4 基于卷积神经网络的图像分类 4.4 图像分类实现 4.4.1 数据准备 4.4.2 分类网络搭建 4.4.3 分类网络训练 4.4.4 测试与可视化 本章小结 第5章 图像分割 5.1 概述 5.2 图像分割的常用数据集 5.3 图像分割常用方法介绍 5.3.1 传统的图像分割方法 5.3.2 基于深度学习的图像分割方法 5.4 图像分割实现 5.4.1 网络模型构建 5.4.2 网络模型训练 5.4.3 网络模型测试 本章小结 第6章 目标检测 6.1 概述 6.2 常用数据集 6.3 目标检测常用方法介绍 6.3.1 传统的目标检测算法 6.3.2 基于深度学习的目标检测算法 6.4 目标检测实现 6.4.1 文件结构 6.4.2 数据集的准备 6.4.3 训练网络模型 6.4.4 测试网络模型 6.4.5 评估网络模型 本章小结 第7章 人脸识别 7.1 概述 7.2 人脸识别常用方法介绍 7.2.1 特征脸法 7.2.2 OpenCV方法 7.2.3 基于深度学习的方法 7.3 人脸识别实现 7.3.1 数据集获取 7.3.2 图像预处理部分 7.3.3 卷积神经网络搭建 7.3.4 模型训练 7.3.5 模型测试 本章小结 第8章 图像风格迁移 8.1 概述 8.2 图像风格迁移常用方法介绍 8.2.1 基于CNN的图像风格迁移 8.2.2 基于GAN的图像风格迁移 8.2.3 图像风格迁移的发展和挑战 8.3 图像风格迁移实现 8.3.1 加载数据 8.3.2 损失函数 8.3.3 导入VGG模型