Python + OpenCV — 機器學習 + 深度學習 40大電腦視覺案例入門到實戰

【新書簡介】

★☆★ 全面掌握機器學習的影像處理，豐富實例等你來挖掘！ ★☆★

 

機器學習的影像處理，是當前最熱門的研究領域之一，而這其中OpenCV-Python整合了OpenCV C++API和Python的最佳特性，使其成為電腦視覺領域內極具影響力和實用性的工具。

 

本書透過案例來介紹所有影像相關的技術，包含了基礎演算法、機器學習、深度學習。在基礎部分，有影像安全（影像加密、影像關鍵部位打碼、隱身術）、影像辨識（答題卡辨識、手勢辨識、車牌辨識、指紋辨識、手寫數字辨識）、物體計數、影像檢索、缺陷檢測等。

 

在機器學習部分，則實作了KNN實現字元（手寫數字、英文字母）辨識、數獨影像求解（KNN）、SVM手寫數字辨識、行人檢測、藝術畫（K平均值聚類）等。在深度學習方面，包括了影像分類、物件辨識（YOLO演算法、SSD演算法）、語義分割、實例分割、風格遷移、姿勢辨識等。

 

另外在最流行的人臉辨識相關方面，則提供了人臉檢測、人臉辨識、勾勒五官輪廓、人臉對齊、表情辨識、駕駛員疲勞檢測、易容術、性別和年齡辨識等。

 

本書對電腦視覺涉及的基礎知識進行了全面且系統性的深入梳理，能夠幫助讀者快速掌握該領域的核心基礎知識，此外，透過豐富的實例介紹，也能避免將案例作為單一問題看待的窘境，並且可以從不同的角度理解及分析問題，讓讀者能夠加以組合運用，創建屬於自己獨特的影像處理法寶！

 

※ 本書附程式碼，可至深智官網下載：https://deepmind.com.tw/

李立宗

南開大學碩士，天津職業技術師範大學資訊技術工程學院副教授，從事電腦視覺領域的教學和研究，對數位影像處理鑽研頗深。主編《OpenCV程式設計案例詳解》等多本圖書，在網易雲課堂主講《OpenCV圖窮匕見》等多門課程。

【第一部分　基礎知識導讀篇】

01 數位影像基礎

1.1 影像表示基礎

1.2 彩色影像的表示

1.3 應用基礎

1.4 智慧影像處理基礎

1.5 抽象

 

02 Python基礎

2.1 如何開始

2.2 基礎語法

2.3 資料型態

2.4 選擇結構

2.5 迴圈結構

2.6 函數

2.7 模組

 

03 OpenCV基礎

3.1 基礎

3.2 影像處理

3.3 感興趣區域

3.4 遮罩

3.5 色彩處理

3.6 濾波處理

3.7 形態學

 

【第二部分　基礎案例篇】

04 影像加密與解密

4.1 加密與解密原理

4.2 影像整體加密與解密

4.3 臉部馬賽克及解馬賽克

 

05 數位浮水印

5.1 位元平面

5.2 數位浮水印原理

5.3 實現方法

5.4 具體實現

5.5 視覺化浮水印

5.6 擴充學習

 

06 物體計數

6.1 理論基礎

6.2 核心程式

6.3 程式設計

6.4 實現程式

 

07 缺陷檢測

7.1 理論基礎

7.2 程式設計

7.3 實現程式

 

08 手勢辨識

8.1 理論基礎

8.2 辨識過程

8.3 擴充學習：石頭、剪刀、布的辨識

 

09 答題卡辨識

9.1 單道題目的辨識

9.2 整張答題卡辨識原理

9.3 整張答題卡辨識程式

 

10 隱身術

10.1 影像的隱身術

10.2 視訊隱身術

 

11 以圖搜圖

11.1 原理與實現

11.2 實現程式

11.3 擴充學習

 

12 手寫數字辨識

12.1 基本原理

12.2 實現細節

12.3 實現程式

12.4 擴充閱讀

 

13 車牌辨識

13.1 基本原理

13.2 實現程式

13.3 下一步學習

 

14 指紋辨識

14.1 指紋辨識基本原理

14.2 指紋辨識演算法概述

14.3 尺度不變特徵變換

14.4 基於SIFT的指紋辨識

 

【第三部分　機器學習篇】

15 機器學習導讀

15.1 機器學習是什麼

15.2 機器學習基礎概念

15.3 OpenCV中的機器學習模組

15.4 OpenCV機器學習模組的使用

 

16 KNN實現字元辨識

16.1 手寫數字辨識

16.2 英文字母辨識

 

17 求解數獨影像

17.1 基本過程

17.2 定位數獨影像內的儲存格

17.3 建構KNN模型

17.4 辨識數獨影像內的數字

17.5 求解數獨

17.6 繪製數獨求解結果

17.7 實現程式

17.8 擴充學習

 

18 SVM數字辨識

18.1 基本流程

18.2 傾斜校正

18.3 HOG特徵提取

18.4 資料處理

18.5 建構及使用SVM分類器

18.6 實現程式

18.7 參考學習

 

19 行人檢測

19.1 方向梯度長條圖特徵

19.2 基礎實現

19.3 函數detectMultiScale參數及最佳化

19.4 完整程式

19.5 參考學習

 

20 K均值聚類實現藝術畫

20.1 理論基礎

20.2 K均值聚類別模組

20.3 藝術畫

 

【第四部份　深度學習篇】

21 深度學習導讀

21.1從感知機到類神經網路

21.2 類神經網路如何學習

21.3 深度學習是什麼

21.4 啟動函數的分類

21.5 損失函數

21.6 學習的技能與方法

21.7 深度學習遊樂場

 

22 卷積神經網路基礎

22.1 卷積基礎

22.2 卷積原理

22.3 填充和步進值

22.4 池化操作

22.5 感受野

22.6 前置處理與初始化

22.7 CNN

 

23 DNN模組

23.1 工作流程

23.2 模型匯入

23.3 影像前置處理

23.4 推理相關函數

 

24 深度學習應用實踐

24.1 影像分類

24.2 物件辨識

24.3 影像分割

24.4 風格遷移

24.5 姿勢辨識

24.6 說明

 

【第五部分　人臉辨識篇】

25 人臉檢測

25.1 基本原理

25.2 串聯分類器的使用

25.3 函數介紹

25.4 人臉檢測實現

25.5 表情檢測

 

26 人臉辨識

26.1 人臉辨識基礎

26.2 LBPH人臉辨識

26.3 EigenFaces人臉辨識

26.4 FisherFaces人臉辨識

26.5 人臉資料庫

 

27 dlib 函數庫

27.1 定位人臉

27.2 繪製關鍵點

27.3 勾勒五官輪廓

27.4 人臉對齊

27.5 呼叫CNN實現人臉檢測

 

28 人臉辨識應用案例

28.1 表情辨識

28.2 駕駛員疲勞檢測

28.3 易容術

28.4 年齡和性別辨識

 

A 參考文獻