Python計算機視覺與機器學習

楊光光，佛山科學技術學院 講師，計算機科學與技術專業博士，研究領域為人工智能、無線通信，編寫《Python計算機視覺實戰分析》和《MATLAB機器學習的經典應用》。

目錄

下載源碼

第1章走進計算機視覺與機器學習

1．1計算機視覺與機器學習概述

1．2計算機視覺

1．2．1計算機視覺的挑戰

1．2．2計算機視覺的應用方向

1．2．3計算機視覺在日常生活中的應用場景

1．2．4計算機視覺面臨的挑戰

1．3機器學習

1．3．1機器學習的發展史

1．3．2典型機器學習應用領域

1．3．3機器學習的一般流程

第2章掀開Python的面紗

2．1Python概述

2．2Python環境搭建

2．2．1Python的安裝

2．2．2Python PC版環境變量配置

2．2．3Python PC版使用方法

2．2．4編譯器Jupyter

2．2．5pip安裝第三方庫

2．3Python的基礎語法

2．3．1字面量

2．3．2字符串

2．3．3註釋

2．3．4多行語句

2．4變量與賦值

2．4．1變量命名

2．4．2變量賦值

2．5數據類型

2．5．1標準數據類型

2．5．2數據類型轉換

2．6流程控制

2．6．1if語句

2．6．2循環語句

2．6．3循環控制

第3章Python科學計算庫

3．1數據處理

3．1．1NumPy的特點

3．1．2NumPy的安裝

3．1．3NumPy ndarray對象

3．1．4NumPy創建數組

3．1．5NumPy切片和索引

3．1．6NumPy高級索引

3．1．7NumPy數組操作

3．1．8NumPy統計函數

3．1．9排序、條件篩選函數

3．1．10NumPy線性代數

3．2SciPy庫

3．2．1SciPy的安裝

3．2．2SciPy的特點

3．2．3線性方程的求解

3．2．4統計分布

3．2．5SciPy積分

3．2．6插值

3．2．7SciPy優化

3．2．8SciPy數據擬合

3．3Pandas庫

3．3．1Pandas的安裝

3．3．2數據結構Series

3．3．3數據結構DataFrame

3．3．4Pandas相關性分析

3．4Matplotlib庫

3．4．1繪圖基礎

3．4．2多圖形的繪制

3．4．3圖形類型

3．5Statsmodels庫

3．5．1安裝與導入Statsmodels

3．5．2移動平均模型

3．5．3自回歸模型

3．5．4ARIMA模型

第4章傳統圖像處理

4．1灰度轉換

4．1．1灰度轉換原理

4．1．2線性灰度變換的目的

4．1．3OpenCV的實現方法

4．2濾波器應用

4．2．1線性濾波器的向量表示

4．2．2非線性濾波器

4．2．3平滑線性濾波器

4．2．4統計排序濾波器

4．3圖像平滑與梯度

4．3．1圖像平滑

4．3．2圖像模糊

4．3．3圖像梯度

4．4直方圖均衡化

4．4．1直方圖計算

4．4．2直方圖均衡化的基本思想

4．4．3直方圖均衡化的實現

4．5形態學變換

4．5．1腐蝕

4．5．2膨脹

4．5．3開運算

4．5．4閉運算

4．5．5形態學梯度變換

4．5．6擊中擊不中變換

4．5．7頂帽運算

4．5．8黑帽運算

4．6閾值處理

4．6．1簡單閾值

4．6．2自適應閾值

4．7特征提取

4．7．1圖像顏色特征提取

4．7．2圖像紋理特征提取

4．7．3圖像邊緣特征提取

4．7．4圖像點特征提取

4．8幾何變換

4．8．1平移變換

4．8．2縮放

4．8．3旋轉變換

4．8．4仿射變換

4．8．5透視變換

4．8．6鏡像變換

4．9圖像融合

第5章目標檢測

5．1目標檢測概述

5．1．1計算機視覺任務

5．1．2目標檢測的核心問題

5．1．3目標檢測算法分類

5．1．4目標檢測模型

5．1．5目標檢測的研究方向

5．1．6邊界框

5．2錨框

5．2．1生成多個錨框

5．2．2交並比

5．2．3標註錨框

5．2．4使用非極大值抑制預測邊界框

5．3區域卷積神經網絡系列

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單發多框檢測算法

5．5．1多尺度錨框

5．5．2多尺度檢測

第6章圖像分析與修復

6．1傅裏葉變換

6．1．1離散傅裏葉變換

6．1．2通過傅裏葉變換計算卷積

6．1．3離散余弦變換

6．2積分圖

6．2．1積分圖概述

6．2．2積分圖的基本原理

6．2．3使用積分圖

6．2．4積分圖的實現

6．3圖像分割

6．3．1圖割

6．3．2從圖像中創建圖

6．3．3利用聚類進行分割

6．3．4閾值與區域分割

6．3．5分水嶺算法

6．4圖像修復

6．4．1圖像修復的基本概念

6．4．2常用的圖像修復方法

第7章特征點檢測與匹配

7．1角點檢測

7．1．1角點

7．1．2Harris角點檢測

7．1．3ShiTomasi角點檢測

7．2特征點檢測

7．2．1關鍵點

7．2．2特征點

7．2．3SIFT角點檢測

7．2．4FAST特征點檢測

7．2．5SURF特征點檢測

7．3特征點匹配

7．3．1暴力匹配

7．3．2FLANN匹配

第8章OpenCV與機器學習

8．1OpenCV與傳統機器學習

8．2OpenCV的機器學習

8．3k均值聚類算法

8．3．1k均值聚類算法的過程

8．3．2k均值聚類算法的實現

8．3．3k均值聚類算法在圖像分割中的應用

8．3．4肘部法則

8．4kNN算法

8．4．1kNN算法的原理

8．4．2kNN算法的應用場景

8．4．3kNN算法的實現

8．4．4kNN算法在圖像識別中的應用

8．5決策樹

8．5．1決策樹的定義

8．5．2熵和信息熵

8．5．3決策樹經典算法

8．6隨機森林

8．6．1與其他算法的比較

8．6．2隨機森林算法

8．6．3隨機森林的應用場景

8．7樸素貝葉斯

8．7．1樸素貝葉斯定理

8．7．2樸素貝葉斯實現圖像分類

8．8支持向量機

8．8．1SVM分類算法

8．8．2SVM的實現

8．8．3實現基於SVM的車牌識別

第9章立體視覺

9．1立體視覺概述

9．2視覺測距

9．2．1單目測距

9．2．2雙目測距

9．2．3雙目測距(zc與z′c不平行)

9．2．4測距實例

第10章視頻分析

10．1視頻分析概述

10．1．1視頻分析的方法

10．1．2視頻分析過程

10．2背景減除法

10．2．1幀差法

 

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傳統視頻跟蹤

10．3．1MeanShift算法

10．3．2CamShift算法

10．4光流法

10．4．1光流法的定義

10．4．2光流法的兩個假設

10．4．3LK光流法

10．4．4稠密光流法

10．5Haar級聯跟蹤人臉

10．5．1Haar級聯的定義

10．5．2Haar級聯的問題與局限性

10．5．3Haar級聯預訓練的模型

10．5．4Haar級聯應用

第11章深度學習實現計算機視覺

11．1核心概念與聯系

11．1．1深度學習

11．1．2深度學習與計算機視覺的結合

11．1．3深度學習在計算機視覺中的應用

11．1．4深度學習在計算機視覺中的優勢

11．1．5未來發展趨勢

11．2卷積神經網絡

11．2．1CNN之卷積計算層

11．2．2CNN激勵層

11．2．3池化層

11．2．4卷積神經網絡實現人臉識別微笑檢測

11．3遷移學習

11．3．1遷移學習的基本原理

11．3．2為什麼要進行遷移學習

11．3．3遷移學習的類型

11．3．4遷移學習的典型算法

11．3．5遷移學習的實現

11．4強化學習

11．4．1強化學習的基本概念

11．4．2Qlearning算法

11．4．3PPO算法

11．4．4強化學習的實現

參考文獻