基於深度學習的圖像處理與實踐

目錄 

第1章  圖像識別技術基礎 1

1.1  圖像識別概述 2

1.1.1  什麼是圖像識別 2

1.1.2  圖像識別的發展階段 2

1.1.3  圖像識別的應用 3

1.2  圖像識別的過程 4

1.3  圖像識別技術 4

1.3.1  人工智能 5

1.3.2  機器學習 5

1.3.3  深度學習 6

1.3.4  基於神經網絡的圖像識別 6

1.3.5  基於非線性降維的圖像識別 7

第2章  scikit-image數字圖像處理 9

2.1  scikit-image基礎 10

2.1.1  安裝scikit-image 10

2.1.2  scikit-image中的模塊 10

2.2  顯示圖像 11

2.2.1  使用skimage讀入並顯示外部圖像 11

2.2.2  讀取並顯示外部灰度圖像 12

2.2.3  讀取並顯示內置星空圖片 13

2.2.4  讀取並保存內置星空圖片 14

2.3  常見的圖像操作 14

2.3.1  對內置圖片進行二值化操作 15

2.3.2  對內置圖片進行裁剪處理 16

2.3.3  將RGB圖轉換為灰度圖 17

2.3.4  使用skimage實現繪制圖片功能 18

2.3.5  使用subplot()函數繪制多視圖窗口 19

2.3.6  改變指定圖片的大小 21

2.3.7  使用函數rescale()縮放圖片 22

2.3.8  使用函數rotate()旋轉圖片 22

第3章  OpenCV圖像視覺處理 25

3.1  OpenCV基礎 26

3.1.1  OpenCV和OpenCV-Python介紹 26

3.1.2  安裝OpenCV-Python 26

3.2  OpenCV-Python圖像操作 27

3.2.1  讀取並顯示圖像 27

3.2.2  保存圖像 29

3.2.3  在Matplotlib中顯示圖像 30

3.2.4  繪圖 31

3.2.5  將鼠標作為畫筆 34

3.2.6  調色板程序 36

3.2.7  基本的屬性操作 37

3.3  OpenCV-Python視頻操作 40

3.3.1  讀取視頻 40

3.3.2  播放視頻 41

3.3.3  保存視頻 42

3.3.4  改變顏色空間 43

3.3.5  視頻的背景分離 45

第4章  dlib機器學習和圖像處理 49

4.1  dlib介紹 50

4.2  dlib基本的人臉檢測 50

4.2.1  人臉檢測 50

4.2.2  使用命令行進行人臉識別 52

4.2.3  檢測人臉關鍵點 54

4.2.4  基於CNN的人臉檢測器 56

4.2.5  在攝像頭中識別人臉 58

4.2.6  人臉識別驗證 59

4.2.7  全局優化 60

4.2.8  人臉聚類 62

4.2.9  抖動採樣和增強 64

4.2.10  人臉和姿勢採集 65

4.2.11  物體追蹤 66

4.3  SVM分類算法 67

4.3.1  二進制SVM分類器 68

4.3.2  Ranking SVM算法 69

4.3.3  Struct SVM多分類器 72

4.4  自訓練模型 75

4.4.1  訓練自己的模型 75

4.4.2  自製對象檢測器 78

第5章  face_recognition人臉識別 83

5.1  安裝face_recognition 84

5.2  實現基本的人臉檢測 84

5.2.1  輸出顯示指定人像人臉特徵 84

5.2.2  在指定照片中識別標記出人臉 86

5.2.3  識別出照片中的所有人臉 88

5.2.4  判斷照片中是否包含某個人 91

5.2.5  識別出照片中的人是誰 92

5.2.6  攝像頭實時識別 93

5.3  深入face_recognition人臉檢測 98

5.3.1  檢測用戶眼睛的狀態 99

5.3.2  模糊處理人臉 101

5.3.3  檢測兩個人臉是否匹配 102

5.3.4  識別視頻中的人臉 103

5.3.5  網頁版人臉識別器 106

第6章  採樣、變換和捲積處理 109

6.1  採樣 110

6.1.1  最近鄰插值採樣 110

6.1.2  雙線性插值 112

6.1.3  雙立方插值 116

6.1.4  Lanczos插值 118

6.2　離散傅裏葉變換 119

6.2.1　為什麼使用DFT 119

6.2.2  用庫NumPy實現DFT 120

6.2.3  用庫SciPy實現DFT 121

6.2.4　用快速傅裏葉變換算法計算DFT 122

6.3　捲積 124

6.3.1　為什麼需要捲積圖像 124

6.3.2　使用庫SciPy中的函數

convolve2d()進行捲積 124

6.3.3　使用庫SciPy中的函數ndimage.convolve()進行捲積 126

6.4  頻域濾波 128

6.4.1　什麼是濾波器 128

6.4.2　高通濾波器 128

6.4.3　低通濾波器 130

6.4.4　DoG 帶通濾波器 130

6.4.5　帶阻濾波器 132

第7章  圖像增強 135

7.1  對比度增強 136

7.1.1  直方圖均衡化 136

7.1.2  自適應直方圖均衡化 138

7.1.3  對比度拉伸 140

7.1.4  非線性對比度增強 142

7.2  銳化 144

7.2.1  銳化濾波 145

7.2.2  高頻強調濾波 148

7.2.3  基於梯度的銳化 152

7.3  減少噪聲 156

7.3.1  均值濾波器 156

7.3.2  中值濾波器 158

7.3.3  高斯濾波器 158

7.3.4  雙邊濾波器 159

7.3.5  小波降噪 160

7.4  色彩平衡 161

7.4.1  白平衡 161

7.4.2  顏色校正 163

7.4.3  調整色調和飽和度 164

7.5  超分辨率 165

7.6  去除運動模糊 167

7.6.1  邊緣 167

7.6.2  逆濾波 169

7.6.3  統計方法 170

7.6.4  盲去捲積 171

第8章  圖像特徵提取 173

8.1　圖像特徵提取方法 174

8.2  顏色特徵 174

8.2.1  顏色直方圖 174

8.2.2  其他顏色特徵提取方法 176

8.3  紋理特徵 178

8.3.1  灰度共生矩陣 178

8.3.2  方向梯度直方圖 180

8.3.3  尺度不變特徵變換 181

8.3.4  小波變換 182

8.4  形狀特徵 184

8.4.1  邊界描述子 184

8.4.2  預處理後的輪廓特徵 188

8.4.3  模型擬合方法 190

8.4.4  形狀上的變換 193

8.5  基於LoG、DoG和DoH的斑點檢測器 196

8.5.1  LoG濾波器 197

8.5.2  DoG濾波器 198

8.5.3  DoH算法 200

第9章  圖像分割 203

9.1  圖像分割的重要性 204

9.2  基於閾值的分割 204

9.2.1  灰度閾值分割 205

9.2.2  彩色閾值分割 206

9.3  基於邊緣的分割 207

9.3.1  Canny邊緣檢測 207

9.3.2  邊緣連接方法 208

9.4  基於區域的分割 209

9.4.1  區域生長算法 209

9.4.2  圖割算法 212

9.4.3  基於聚類的分割算法 213

9.5  基於圖論的分割 215

9.5.1  圖割算法 215

9.5.2  最小生成樹算法 215

9.6  基於深度學習的分割 217

9.6.1  FCN 217

9.6.2  U-Net 219

9.6.3  DeepLab 220

9.6.4  Mask R-CNN 220

第10章  目標檢測 223

10.1　目標檢測概述 224

10.1.1  目標檢測的步驟 224

10.1.2  目標檢測的方法 224

10.2　YOLO v5 225

10.2.1  YOLO v5的改進 225

10.2.2  基於YOLO v5的訓練、驗證和預測 226

10.3  語義分割 242

10.3.1　什麼是語義分割 242

10.3.2　DeepLab語義分割 244

10.4  SSD目標檢測 245

10.4.1  攝像頭目標檢測 246

10.4.2  基於圖像的目標檢測 247

第11章  圖像分類 249

11.1　圖像分類介紹 250

11.2  基於特徵提取和機器學習的圖像分類 250

11.2.1  圖像分類的基本流程 250

11.2.2  基於scikit-learn機器學習的圖像分類 251

11.2.3  分類算法 254

11.2.4  聚類算法 257

11.3  基於捲積神經網絡的圖像分類 259

11.3.1  捲積神經網絡的基本結構 259

11.3.2  第一個捲積神經網絡程序 262

11.3.3  使用捲積神經網絡進行圖像分類 267

11.4  基於遷移學習的圖像分類 279

11.4.1  遷移學習介紹 279

11.4.2  基於遷移學習的圖片分類器 280

11.5  基於循環神經網絡的圖像分類 284

11.5.1  循環神經網絡介紹 284

11.5.2  實戰演練 285

11.6  基於捲積循環神經網絡的圖像分類 286

11.6.1  捲積循環神經網絡介紹 286

11.6.2  CRNN圖像識別器 287

第12章  國內常用的第三方人臉識別平臺 291

12.1  百度AI開放平臺 292

12.1.1  百度AI開放平臺介紹 292

12.1.2  使用百度AI之前的準備工作 292

12.1.3  基於百度AI平臺的人臉識別 296

12.2  科大訊飛AI開放平臺 301

12.2.1  科大訊飛AI開放平臺介紹 301

12.2.2  申請試用 301

12.2.3  基於科大訊飛AI的人臉識別 302

第13章  鬥轉星移換圖系統 311

13.1　背景介紹 312

13.1.1  CycleGAN的作用 312

13.1.2  CycleGAN的原理 312

13.2　系統模塊架構 313

13.3　設置數據集 313

13.4　訓練數據 315

13.4.1  加載圖像 315

13.4.2  輔助功能 316

13.4.3  生成對抗網絡模型 319

13.4.4  訓練CycleGAN模型 322

13.5  圖像轉換 326

13.6  調試運行 328

第14章  智能OCR文本檢測識別系統 333

14.1  OCR系統介紹 334

14.1.1  OCR的基本原理和方式 334

14.1.2  深度學習對OCR的影響 335

14.1.3  與OCR相關的深度學習技術 335

14.2  OCR項目介紹 336

14.3  準備模型 337

14.3.1  文本檢測模型 337

14.3.2  文本識別模型 337

14.4  創建工程 337

14.4.1  工程配置 338

14.4.2  配置應用程序 338

14.4.3  導入模型 338

14.5  具體實現 339

14.5.1  頁面佈局 339

14.5.2  實現主Activity 339

14.5.3  圖像操作 343

14.5.4  運行OCR模型 347

14.6  調試運行 354