第1章 圖像識別技術(shù)基礎(chǔ) 1
1.1 圖像識別概述 2
1.1.1 什么是圖像識別 2
1.1.2 圖像識別的發(fā)展階段 2
1.1.3 圖像識別的應(yīng)用 3
1.2 圖像識別的過程 4
1.3 圖像識別技術(shù) 4
1.3.1 人工智能 5
1.3.2 機(jī)器學(xué)習(xí) 5
1.3.3 深度學(xué)習(xí) 6
1.3.4 基于神經(jīng)網(wǎng)絡(luò)的圖像識別 6
1.3.5 基于非線性降維的圖像識別 7
第2章 scikit-image數(shù)字圖像處理 9
2.1 scikit-image基礎(chǔ) 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讀入并顯示外部圖像 11
2.2.2 讀取并顯示外部灰度圖像 12
2.2.3 讀取并顯示內(nèi)置星空圖片 13
2.2.4 讀取并保存內(nèi)置星空圖片 14
2.3 常見的圖像操作 14
2.3.1 對內(nèi)置圖片進(jìn)行二值化操作 15
2.3.2 對內(nèi)置圖片進(jìn)行裁剪處理 16
2.3.3 將RGB圖轉(zhuǎn)換為灰度圖 17
2.3.4 使用skimage實現(xiàn)繪制圖片功能 18
2.3.5 使用subplot()函數(shù)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(shù)rescale()縮放圖片 22
2.3.8 使用函數(shù)rotate()旋轉(zhuǎn)圖片 22
第3章 OpenCV圖像視覺處理 25
3.1 OpenCV基礎(chǔ) 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 讀取并顯示圖像 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(biāo)作為畫筆 34
3.2.6 調(diào)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(jī)器學(xué)習(xí)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(jìn)行人臉識別 52
4.2.3 檢測人臉關(guān)鍵點 54
4.2.4 基于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(yōu)化 60
4.2.8 人臉聚類 62
4.2.9 抖動采樣和增強(qiáng) 64
4.2.10 人臉和姿勢采集 65
4.2.11 物體追蹤 66
4.3 SVM分類算法 67
4.3.1 二進(jìn)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(xùn)練模型 75
4.4.1 訓(xùn)練自己的模型 75
4.4.2 自制對象檢測器 78
第5章 face_recognition人臉識別 83
5.1 安裝face_recognition 84
5.2 實現(xiàn)基本的人臉檢測 84
5.2.1 輸出顯示指定人像人臉特征 84
5.2.2 在指定照片中識別標(biāo)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(tài) 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(wǎng)頁版人臉識別器 106
第6章 采樣、變換和卷積處理 109
6.1 采樣 110
6.1.1 最近鄰插值采樣 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　離散傅里葉變換 119
6.2.1　為什么使用DFT 119
6.2.2 用庫NumPy實現(xiàn)DFT 120
6.2.3 用庫SciPy實現(xiàn)DFT 121
6.2.4　用快速傅里葉變換算法計算DFT 122
6.3　卷積 124
6.3.1　為什么需要卷積圖像 124
6.3.2　使用庫SciPy中的函數(shù)
convolve2d()進(jìn)行卷積 124
6.3.3　使用庫SciPy中的函數(shù)ndimage.convolve()進(jìn)行卷積 126
6.4 頻域濾波 128
6.4.1　什么是濾波器 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(qiáng) 135
7.1 對比度增強(qiáng) 136
7.1.1 直方圖均衡化 136
7.1.2 自適應(yīng)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(qiáng) 142
7.2 銳化 144
7.2.1 銳化濾波 145
7.2.2 高頻強(qiáng)調(diào)濾波 148
7.2.3 基于梯度的銳化 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(diào)整色調(diào)和飽和度 164
7.5 超分辨率 165
7.6 去除運(yùn)動模糊 167
7.6.1 邊緣 167
7.6.2 逆濾波 169
7.6.3 統(tǒng)計方法 170
7.6.4 盲去卷積 171
第8章 圖像特征提取 173
8.1　圖像特征提取方法 174
8.2 顏色特征 174
8.2.1 顏色直方圖 174
8.2.2 其他顏色特征提取方法 176
8.3 紋理特征 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 尺度不變特征變換 181
8.3.4 小波變換 182
8.4 形狀特征 184
8.4.1 邊界描述子 184
8.4.2 預(yù)處理后的輪廓特征 188
8.4.3 模型擬合方法 190
8.4.4 形狀上的變換 193
8.5 基于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 基于閾值的分割 204
9.2.1 灰度閾值分割 205
9.2.2 彩色閾值分割 206
9.3 基于邊緣的分割 207
9.3.1 Canny邊緣檢測 207
9.3.2 邊緣連接方法 208
9.4 基于區(qū)域的分割 209
9.4.1 區(qū)域生長算法 209
9.4.2 圖割算法 212
9.4.3 基于聚類的分割算法 213
9.5 基于圖論的分割 215
9.5.1 圖割算法 215
9.5.2 最小生成樹算法 215
9.6 基于深度學(xué)習(xí)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(biāo)檢測 223
10.1　目標(biāo)檢測概述 224
10.1.1 目標(biāo)檢測的步驟 224
10.1.2 目標(biāo)檢測的方法 224
10.2　YOLO v5 225
10.2.1 YOLO v5的改進(jìn) 225
10.2.2 基于YOLO v5的訓(xùn)練、驗證和預(yù)測 226
10.3 語義分割 242
10.3.1　什么是語義分割 242
10.3.2　DeepLab語義分割 244
10.4 SSD目標(biāo)檢測 245
10.4.1 攝像頭目標(biāo)檢測 246
10.4.2 基于圖像的目標(biāo)檢測 247
第11章 圖像分類 249
11.1　圖像分類介紹 250
11.2 基于特征提取和機(jī)器學(xué)習(xí)的圖像分類 250
11.2.1 圖像分類的基本流程 250
11.2.2 基于scikit-learn機(jī)器學(xué)習(xí)的圖像分類 251
11.2.3 分類算法 254
11.2.4 聚類算法 257
11.3 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類 259
11.3.1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu) 259
11.3.2 第一個卷積神經(jīng)網(wǎng)絡(luò)程序 262
11.3.3 使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類 267
11.4 基于遷移學(xué)習(xí)的圖像分類 279
11.4.1 遷移學(xué)習(xí)介紹 279
11.4.2 基于遷移學(xué)習(xí)的圖片分類器 280
11.5 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的圖像分類 284
11.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)介紹 284
11.5.2 實戰(zhàn)演練 285
11.6 基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的圖像分類 286
11.6.1 卷積循環(huán)神經(jīng)網(wǎng)絡(luò)介紹 286
11.6.2 CRNN圖像識別器 287
第12章 國內(nèi)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(zhǔn)備工作 292
12.1.3 基于百度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 基于科大訊飛AI的人臉識別 302
第13章 斗轉(zhuǎn)星移換圖系統(tǒng) 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(tǒng)模塊架構(gòu) 313
13.3　設(shè)置數(shù)據(jù)集 313
13.4　訓(xùn)練數(shù)據(jù) 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(wǎng)絡(luò)模型 319
13.4.4 訓(xùn)練CycleGAN模型 322
13.5 圖像轉(zhuǎn)換 326
13.6 調(diào)試運(yùn)行 328
第14章 智能OCR文本檢測識別系統(tǒng) 333
14.1 OCR系統(tǒng)介紹 334
14.1.1 OCR的基本原理和方式 334
14.1.2 深度學(xué)習(xí)對OCR的影響 335
14.1.3 與OCR相關(guān)的深度學(xué)習(xí)技術(shù) 335
14.2 OCR項目介紹 336
14.3 準(zhǔn)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(chuàng)建工程 337
14.4.1 工程配置 338
14.4.2 配置應(yīng)用程序 338
14.4.3 導(dǎo)入模型 338
14.5 具體實現(xiàn) 339
14.5.1 頁面布局 339
14.5.2 實現(xiàn)主Activity 339
14.5.3 圖像操作 343
14.5.4 運(yùn)行OCR模型 347
14.6 調(diào)試運(yùn)行 354