計算機視覺應用構建：OpenCV 與 TensorFlow 實例 Building Computer Vision Applications Using Artificial Neural Networks: With Step-By-Step Examples in Opencv and Tensorflow with Python

Shamshad Ansari
是人工智能自動化公司Accure的創始人、總裁兼首席執行官。
他比較擅長計算機視覺、機器學習、人工智能、認知科學、
自然語言處理和大數據等技術，設計並開發了自動化AI解決方案開發平臺Momentum。
同時，他還是一名發明家，在人工智能和計算認知領域擁有4項美國專利。
Shamshad Ansari曾擔任IBM的高級軟件工程師、Orbit Solutions的工程副總裁，以及Apixio的首席架構師和工程總監。

譯者序
前言
致謝
第1章前提條件和軟件安裝 1
1.1 Python和PIP 1
1.2 virtualenv 3
1.3 TensorFlow 4
1.4 PyCharm IDE 4
1.5 OpenCV 5
1.6 附加庫 6
第2章圖像和視頻處理的核心概念 7
2.1 圖像處理 7
2.2 圖像基礎 7
2.3 像素 8
2.4 坐標系 8
2.5 操作圖像的Python和OpenCV代碼 10
2.6 畫圖 13
2.7 總結 18
第3章圖像處理技術 19
3.1 圖像轉換 19
3.2 圖像算術運算與位運算 28
3.3 掩碼 36
3.4 通道分割與合併 38
3.5 利用平滑處理和模糊處理降噪 40
3.6 閾值二值化 46
3.7 梯度和邊緣檢測 52
3.8 輪廓 56
3.9 總結 58
第4章構建基於機器學習的計算機視覺系統 59
4.1 圖像處理流水線 59
4.2 特徵提取 60
4.3 特徵選擇 79
4.4 模型訓練 80
4.5 模型部署 82
4.6 總結 84
第5章深度學習與人工神經網絡 85
5.1 人工神經網絡 85
5.2 TensorFlow 102
5.3 第一個使用深度學習的計算機視覺模型：手寫數字分類 104
5.4 模型評估 110
5.5 超參數 113
5.6 保存模型和恢復模型 117
5.7 捲積神經網絡 121
5.8 總結 135
第6章深度學習用於目標檢測 136
6.1 目標檢測 136
6.2 交並比 137
6.3 R-CNN 138
6.4 Fast R-CNN 139
6.5 Faster R-CNN 140
6.6 Mask R-CNN 141
6.7 單發多盒檢測 144
6.8 YOLO 148
6.9 YOLO的局限性 150
6.10 目標檢測算法的比較 153
6.11 利用TensorFlow訓練目標檢測模型 155
6.12 利用訓練的模型檢測目標 171
6.13 用於目標檢測的YOLOv3模型訓練 182
6.14 利用訓練的YOLOv3模型檢測目標 190
6.15 總結 194
第7章實例：視頻中的目標跟蹤 195
7.1 準備工作環境 196
7.2 讀取視頻流 197
7.3 加載目標檢測模型 199
7.4 檢測視頻幀中的目標 199
7.5 利用dHash算法為目標創建唯一標識 201
7.6 用漢明距離法計算圖像相似度 202
7.7 目標跟蹤 202
7.8 在Web瀏覽器中顯示實時視頻流 204
7.9 整合 207
7.10 總結 214
第8章實例：人臉識別 215
8.1 FaceNet及其架構 215
8.2 人臉識別模型的訓練 220
8.3 實時人臉識別系統的開發 226
8.4 總結 230
第9章工業應用：工業製造中的實時缺陷檢測 231
9.1 實時錶面缺陷檢測系統 231
9.2 圖像註釋 244
9.3 總結 248
第10章雲上計算機視覺建模 249
10.1 TensorFlow分佈式訓練 250
10.2 TensorFlow分佈策略 251
10.3 TF_CONFIG：TensorFlow集群配置 255
10.4 使用參數服務器的分佈式訓練示例代碼 256
10.5 在雲上執行分佈式訓練的步驟 259
10.6 基於谷歌雲的分佈式訓練 260
10.7 基於Azure的分佈式訓練 267
10.8 基於AWS的分佈式訓練 275
10.9 總結 285