目录

下载源码

第1章走进计算机视觉与机器学习

1．1计算机视觉与机器学习概述

1．2计算机视觉

1．2．1计算机视觉的挑战

1．2．2计算机视觉的应用方向

1．2．3计算机视觉在日常生活中的应用场景

1．2．4计算机视觉面临的挑战

1．3机器学习

1．3．1机器学习的发展史

1．3．2典型机器学习应用领域

1．3．3机器学习的一般流程

第2章掀开Python的面纱

2．1Python概述

2．2Python环境搭建

2．2．1Python的安装

2．2．2Python PC版环境变量配置

2．2．3Python PC版使用方法

2．2．4编译器Jupyter

2．2．5pip安装第三方库

2．3Python的基础语法

2．3．1字面量

2．3．2字符串

2．3．3注释

2．3．4多行语句

2．4变量与赋值

2．4．1变量命名

2．4．2变量赋值

2．5数据类型

2．5．1标准数据类型

2．5．2数据类型转换

2．6流程控制

2．6．1if语句

2．6．2循环语句

2．6．3循环控制

第3章Python科学计算库

3．1数据处理

3．1．1NumPy的特点

3．1．2NumPy的安装

3．1．3NumPy ndarray对象

3．1．4NumPy创建数组

3．1．5NumPy切片和索引

3．1．6NumPy高级索引

3．1．7NumPy数组操作

3．1．8NumPy统计函数

3．1．9排序、条件筛选函数

3．1．10NumPy线性代数

3．2SciPy库

3．2．1SciPy的安装

3．2．2SciPy的特点

3．2．3线性方程的求解

3．2．4统计分布

3．2．5SciPy积分

3．2．6插值

3．2．7SciPy优化

3．2．8SciPy数据拟合

3．3Pandas库

3．3．1Pandas的安装

3．3．2数据结构Series

3．3．3数据结构DataFrame

3．3．4Pandas相关性分析

3．4Matplotlib库

3．4．1绘图基础

3．4．2多图形的绘制

3．4．3图形类型

3．5Statsmodels库

3．5．1安装与导入Statsmodels

3．5．2移动平均模型

3．5．3自回归模型

3．5．4ARIMA模型

第4章传统图像处理

4．1灰度转换

4．1．1灰度转换原理

4．1．2线性灰度变换的目的

4．1．3OpenCV的实现方法

4．2滤波器应用

4．2．1线性滤波器的向量表示

4．2．2非线性滤波器

4．2．3平滑线性滤波器

4．2．4统计排序滤波器

4．3图像平滑与梯度

4．3．1图像平滑

4．3．2图像模糊

4．3．3图像梯度

4．4直方图均衡化

4．4．1直方图计算

4．4．2直方图均衡化的基本思想

4．4．3直方图均衡化的实现

4．5形态学变换

4．5．1腐蚀

4．5．2膨胀

4．5．3开运算

4．5．4闭运算

4．5．5形态学梯度变换

4．5．6击中击不中变换

4．5．7顶帽运算

4．5．8黑帽运算

4．6阈值处理

4．6．1简单阈值

4．6．2自适应阈值

4．7特征提取

4．7．1图像颜色特征提取

4．7．2图像纹理特征提取

4．7．3图像边缘特征提取

4．7．4图像点特征提取

4．8几何变换

4．8．1平移变换

4．8．2缩放

4．8．3旋转变换

4．8．4仿射变换

4．8．5透视变换

4．8．6镜像变换

4．9图像融合

第5章目标检测

5．1目标检测概述

5．1．1计算机视觉任务

5．1．2目标检测的核心问题

5．1．3目标检测算法分类

5．1．4目标检测模型

5．1．5目标检测的研究方向

5．1．6边界框

5．2锚框

5．2．1生成多个锚框

5．2．2交并比

5．2．3标注锚框

5．2．4使用非极大值抑制预测边界框

5．3区域卷积神经网络系列

5．3．1RCNN算法

5．3．2Fast RCNN算法

5．3．3Faster RCNN算法

5．3．4Mask RCNN算法

5．4SPPNet算法

5．5单发多框检测算法

5．5．1多尺度锚框

5．5．2多尺度检测

第6章图像分析与修复

6．1傅里叶变换

6．1．1离散傅里叶变换

6．1．2通过傅里叶变换计算卷积

6．1．3离散余弦变换

6．2积分图

6．2．1积分图概述

6．2．2积分图的基本原理

6．2．3使用积分图

6．2．4积分图的实现

6．3图像分割

6．3．1图割

6．3．2从图像中创建图

6．3．3利用聚类进行分割

6．3．4阈值与区域分割

6．3．5分水岭算法

6．4图像修复

6．4．1图像修复的基本概念

6．4．2常用的图像修复方法

第7章特征点检测与匹配

7．1角点检测

7．1．1角点

7．1．2Harris角点检测

7．1．3ShiTomasi角点检测

7．2特征点检测

7．2．1关键点

7．2．2特征点

7．2．3SIFT角点检测

7．2．4FAST特征点检测

7．2．5SURF特征点检测

7．3特征点匹配

7．3．1暴力匹配

7．3．2FLANN匹配

第8章OpenCV与机器学习

8．1OpenCV与传统机器学习

8．2OpenCV的机器学习

8．3k均值聚类算法

8．3．1k均值聚类算法的过程

8．3．2k均值聚类算法的实现

8．3．3k均值聚类算法在图像分割中的应用

8．3．4肘部法则

8．4kNN算法

8．4．1kNN算法的原理

8．4．2kNN算法的应用场景

8．4．3kNN算法的实现

8．4．4kNN算法在图像识别中的应用

8．5决策树

8．5．1决策树的定义

8．5．2熵和信息熵

8．5．3决策树经典算法

8．6随机森林

8．6．1与其他算法的比较

8．6．2随机森林算法

8．6．3随机森林的应用场景

8．7朴素贝叶斯

8．7．1朴素贝叶斯定理

8．7．2朴素贝叶斯实现图像分类

8．8支持向量机

8．8．1SVM分类算法

8．8．2SVM的实现

8．8．3实现基于SVM的车牌识别

第9章立体视觉

9．1立体视觉概述

9．2视觉测距

9．2．1单目测距

9．2．2双目测距

9．2．3双目测距(zc与z′c不平行)

9．2．4测距实例

第10章视频分析

10．1视频分析概述

10．1．1视频分析的方法

10．1．2视频分析过程

10．2背景减除法

10．2．1帧差法

10．2．2MOG法

10．2．3MOG2法

10．2．4kNN法

10．2．5GMG法

10．2．6CNT法

10．2．7LOBSTER法

10．3传统视频跟踪

10．3．1MeanShift算法

10．3．2CamShift算法

10．4光流法

10．4．1光流法的定义

10．4．2光流法的两个假设

10．4．3LK光流法

10．4．4稠密光流法

10．5Haar级联跟踪人脸

10．5．1Haar级联的定义

10．5．2Haar级联的问题与局限性

10．5．3Haar级联预训练的模型

10．5．4Haar级联应用

第11章深度学习实现计算机视觉

11．1核心概念与联系

11．1．1深度学习

11．1．2深度学习与计算机视觉的结合

11．1．3深度学习在计算机视觉中的应用

11．1．4深度学习在计算机视觉中的优势

11．1．5未来发展趋势

11．2卷积神经网络

11．2．1CNN之卷积计算层

11．2．2CNN激励层

11．2．3池化层

11．2．4卷积神经网络实现人脸识别微笑检测

11．3迁移学习

11．3．1迁移学习的基本原理

11．3．2为什么要进行迁移学习

11．3．3迁移学习的类型

11．3．4迁移学习的典型算法

11．3．5迁移学习的实现

11．4强化学习

11．4．1强化学习的基本概念

11．4．2Qlearning算法

11．4．3PPO算法

11．4．4强化学习的实现

参考文献