機器視覺 從基礎到實戰

第1章 緒論001
1.1 機器視覺的發展及系統構成001
1.1.1 機器視覺的發展001
1.1.2 機器視覺系統構成002
1.1.3 機器視覺在各行各業的應用004
1.2 Marr 視覺計算理論框架007
1.2.1 Marr 視覺計算理論概念007
1.2.2 視覺圖像的形成段008
1.3 機器視覺任務009
1.4 機器視覺與人工智能013
1.4.1 人工智能的發展013
1.4.2 機器視覺和人工智能的融合015

第2章 圖像采集與相機標定018
2.1 亮度與成像018
2.1.1 光度學018
2.1.2 亮度成像模型021
2.2 鏡頭022
2.2.1 針孔成像模型022
2.2.2 鏡頭畸變024
2.2.3 遠心與景深026
2.3 攝像機028
2.3.1 CCD 傳感器029
2.3.2 CMOS 傳感器032
2.3.3 彩色成像034
2.3.4 傳感器尺寸036
2.3.5 攝像機性能036
2.3.6 深度相機037
2.4 相機標定基礎040
2.4.1 空間坐標系定義041
2.4.2 空間坐標系變換041
2.5 相機標定方法044
2.5.1 Tsai 兩步標定法044
2.5.2 張正友標定法049

第3章 數字圖像預處理基礎053
3.1 數字圖像簡介053
3.1.1 數字圖像處理的發展及應用053
3.1.2 圖像采樣和量化055
3.1.3 圖像的表示和可視化058
3.1.4 像素間的關系060
3.2 圖像濾波062
3.2.1 空間濾波基礎062
3.2.2 平滑和銳化處理062
3.2.3 頻域濾波基礎068
3.2.4 低通和高通濾波070
3.3 邊緣檢測073
3.3.1 邊緣檢測的定義073
3.3.2 幾種算子的比較073
3.4 圖像分割080
3.4.1 閾值分割的基本概念080
3.4.2 基於點的全局閾值選取方法081
3.4.3 基於區域的全局閾值選取方法081
3.4.4 局閾值法和多閾值法083
3.4.5 圖像分割的評085
3.5 彩色圖像處理086
3.5.1 彩色視覺 086
3.5.2 彩色模型087
3.5.3 彩色變換089
3.5.4 彩色圖像增強092
3.5.5 彩色圖像的平滑097
3.5.6 彩色圖像的銳化098
3.5.7 彩色圖像的分割099

第4章 數字圖像處理的數學工具103
4.1 傅裏葉變換圖像處理103
4.1.1 傅裏葉變換基礎103
4.1.2 傅裏葉變換在圖像處理中的典型應用104
4.2 離散余弦變換圖像處理110
4.2.1 離散余弦變換基礎110
4.2.2 離散余弦變換在圖像處理中的典型應用111
4.3 偏微分方程圖像處理113
4.3.1 偏微分方程基礎113
4.3.2 偏微分方程在圖像處理中的典型應用114
4.4 小波變換圖像處理121
4.4.1 小波變換基礎121
4.4.2 小波變換在圖像處理中的典型應用124
4.5 形態學圖像處理128
4.5.1 形態學基礎128
4.5.2 形態學在圖像處理中的典型應用131

第5章 圖像的征提取137
5.1 圖像顏色征提取137
5.1.1 顏色直方圖137
5.1.2 顏色矩141
5.1.3 顏色集143
5.1.4 顏色聚合向量144
5.1.5 顏色相關圖146
5.2 圖像紋理征提取148
5.2.1 圖像的紋理148
5.2.2 紋理征描述方法148
5.2.3 Laws 紋理能量測量法150
5.2.4 Gabor 變換151
5.2.5 局二值模式154
5.3 圖像形狀征提取157
5.3.1 簡單形狀征158
5.3.2 傅裏葉描述符160
5.3.3 形狀無關矩162
5.4 圖像邊緣征提取164
5.4.1 梯度邊緣檢測164
5.4.2 一邊緣檢測算子165
5.4.3 二邊緣檢測算子168
5.5 圖像點征提取169
5.5.1 角點檢測169
5.5.2 SIFT 征點173
5.5.3 SURF 征點174
5.6 案例——基於PCA 的人臉識別177

第6章 雙目立體視覺181
6.1 雙目立體視覺原理181
6.1.1 雙目立體視覺測深原理181
6.1.2 線約束 184
6.2 雙目立體視覺系統185
6.2.1 雙目立體視覺系統體系185
6.2.2 雙目立體視覺的度分析187
6.3 雙目立體視覺標定和立體匹配192
6.3.1 雙目立體視覺標定192
6.3.2 雙目立體視覺中的對應點匹配 195
6.4 案例——雙目立體視覺實現深度測量199
6.4.1 實驗圖片采集和校正199
6.4.2 視差和深度計算201
6.4.3 計算三維坐標並輸出三維空間位置202

第7章 機器學習在機器視覺中的應用204
7.1 機器學習及相關數學知識204
7.1.1 機器學習簡介204
7.1.2 機器學習的相關數學知識205
7.2 機器學習的主要方法216
7.2.1 線性分類器216
7.2.2 支持向量機218
7.2.3 貝葉斯分類器 222
7.2.4 K 均值聚類 225
7.2.5 集成學習228
7.3 案例——機器學習在目標跟蹤中的應用230

第8章 深度學習在機器視覺中的應用235
8.1 深度學習基礎235
8.1.1 深度學習的崛起以及存在的問題 235
8.1.2 經網絡的基本概念237
8.1.3 卷積經網絡原理238
8.1.4 卷積經網絡結構演化 239
8.2 基於深度學習的圖像分類算法256
8.2.1 圖像分類算法的發展256
8.2.2 CNN 的計算量與參數量257
8.2.3 案例——基於深度學習的圖像分類應用258
8.3 基於深度學習的目標檢測算法259
8.3.1 目標檢測算法的發展259
8.3.2 目標檢測的重要概念 260
8.3.3 Faster R-CNN 算法262
8.3.4 YOLO 檢測算法266
8.3.5 案例——自然場景文字檢測276

第9章 機器視覺的典型應用實戰278
9.1 寬度測量278
9.1.1 背景介紹278
9.1.2 環境準備278
9.1.3 數據說明與處理278
9.1.4 模型構建與訓練279
9.1.5 模型測試280
9.2 基於Keras 的卷積經網絡實現人臉面表情識別280
9.2.1 背景介紹280
9.2.2 環境準備281
9.2.3 數據說明與處理281
9.2.4 模型構建與訓練281
9.2.5 模型測試284
9.3 基於卷積經網絡的皮膚病分類286
9.3.1 背景介紹286
9.3.2 環境準備286
9.3.3 數據說明與處理287
9.3.4 模型構建與訓練289
9.3.5 模型測試291
9.4 基於深度學習的肝臟腫瘤分割293
9.4.1 背景介紹293
9.4.2 環境準備294
9.4.3 數據說明與處理294
9.4.4 模型構建與訓練295
9.4.5 模型測試297
9.5 人臉關鍵點檢測298
9.5.1 背景介紹298
9.5.2 環境準備298
9.5.3 數據說明與處理299
9.5.4 模型構建與訓練303
9.5.5 模型測試309

參考文獻311
顯示全部信息