上篇 理論算法 1
第1章 基礎(chǔ)知識(shí) 2
1.1 圖像與顏色 2
1.1.1 彩色圖像 2
1.1.2 灰度圖像 3
1.1.3 顏色變換 3
1.2 機(jī)器視覺(jué) 4
1.2.1 機(jī)器視覺(jué)構(gòu)成 4
1.2.2 數(shù)字圖像處理 6
1.3 深度學(xué)習(xí) 9
1.3.1 基本概念 9
1.3.2 基本思想 10
1.3.3 深度學(xué)習(xí)常用方法 10

第2章 目標(biāo)提取 21
2.1 灰度目標(biāo) 21
2.1.1 閾值分割 21
2.1.2 自動(dòng)二值化處理 22
2.2 彩色圖像 24
2.2.1 果樹(shù)上紅色桃子的提取 24
2.2.2 綠色麥苗的提取 26
2.3 運(yùn)動(dòng)圖像 27
2.3.1 幀間差分 27
2.3.2 背景差分 27
2.4 C 語(yǔ)言實(shí)現(xiàn) 28
2.4.1 二值化處理 28
2.4.2 雙閾值二值化處理 29
2.4.3 直方圖 30
2.4.4 直方圖平滑化 31
2.4.5 大津法二值化處理 31

第3章 邊緣檢測(cè) 34
3.1 圖像邊緣 34
3.2 微分處理 35
3.2.1 一階微分 35
3.2.2 二階微分 36
3.3 模板匹配 37
3.4 C 語(yǔ)言實(shí)現(xiàn) 39
3.4.1 一階微分邊緣檢測(cè) 39
3.4.2 二階微分邊緣檢測(cè) 40
3.4.3 Prewitt 算子邊緣檢測(cè) 41
3.4.4 二值圖像的細(xì)線化處理 43

第4章 去噪聲處理 46
4.1 移動(dòng)平均 46
4.2 中值濾波 47
4.3 二值圖像去噪聲 49
4.4 C 語(yǔ)言實(shí)現(xiàn) 50
4.4.1 移動(dòng)平均法 50
4.4.2 中值濾波 51
4.4.3 腐蝕處理 52
4.4.4 膨脹處理 53

第5章 幾何參數(shù)檢測(cè) 55
5.1 圖像的幾何參數(shù) 55
5.2 區(qū)域標(biāo)記 58
5.3 幾何參數(shù)檢測(cè)與提取 59
5.4 C 語(yǔ)言實(shí)現(xiàn) 60
5.4.1 區(qū)域標(biāo)記 60
5.4.2 計(jì)算圖像特征參數(shù) 62
5.4.3 根據(jù)圓形度抽出物體 66
5.4.4 復(fù)制掩模領(lǐng)域的原始圖像 67
5.4.5 根據(jù)面積提取對(duì)象物 67

第6章 直線檢測(cè) 69
6.1 傳統(tǒng) Hough 變換的直線檢測(cè) 69
6.2 最小二乘法的直線檢測(cè) 71
6.3 C 語(yǔ)言實(shí)現(xiàn) 72
6.3.1 傳統(tǒng) Hough 變換的直線檢測(cè) 72
6.3.2 最小二乘法的直線檢測(cè) 74

第7章 深度學(xué)習(xí)框架介紹 77
7.1 TensorFlow 78
7.1.1 TensorFlow 的優(yōu)勢(shì) 78
7.1.2 TensorFlow 應(yīng)用場(chǎng)景 79
7.1.3 TensorFlow 開(kāi)發(fā)環(huán)境安裝 79
7.2 Keras 80
7.2.1 Keras 的優(yōu)勢(shì) 81
7.2.2 Keras 應(yīng)用 81
7.2.3 Keras 與 TensorFlow2 的關(guān)系 81
7.2.4 Keras 的安裝 82
7.3 PyTorch 82
7.3.1 PyTorch 的優(yōu)勢(shì) 82
7.3.2 PyTorch 的典型應(yīng)用 83
7.3.3 PyTorch 和 TensorFlow 的比較 83
7.3.4 PyTorch 的安裝 84
7.4 其他深度學(xué)習(xí)框架 85
7.4.1 Caffe 85
7.4.2 MXNet 85
7.4.3 CNTK 86
7.4.4 Theano 86
7.4.5 Darknet 87
7.4.6 PaddlePaddle 87

下篇 編移環(huán)境及系統(tǒng)搭建 89
第8章 平臺(tái)軟件 90
8.1 OpenCV 90
8.1.1 基本功能介紹 90
8.1.2 獲取與安裝 91
8.2 VC++ 92
8.2.1 基本功能介紹 92
8.2.2 獲取與安裝 93
8.3 Python 95
8.3.1 基本功能介紹 95
8.3.2 獲取與安裝 95

第9章 VC++圖像處理工程 98
9.1 工程創(chuàng)建 98
9.1.1 啟動(dòng) Visual Studio 2010 98
9.1.2 創(chuàng)建新建工程 99
9.2 系統(tǒng)設(shè)置 115
9.3 編譯執(zhí)行 117

第10章 Python 圖像處理系統(tǒng) 119
10.1 工程創(chuàng)建 119
10.2 系統(tǒng)設(shè)置 121
10.3 編譯執(zhí)行 127

第11章 TensorFlow 深度學(xué)習(xí)工程 134
11.1 框架獲得 134
11.2 安裝設(shè)置 134
11.3 案例 135
11.3.1 數(shù)據(jù)準(zhǔn)備 135
11.3.2 訓(xùn)練模型 137
11.3.3 驗(yàn)證準(zhǔn)確率 139
11.3.4 導(dǎo)出模型并對(duì)圖片分類 139

第12章 Keras 深度學(xué)習(xí)工程 142
12.1 框架獲得 142
12.2 安裝設(shè)置步驟 143
12.3 工程創(chuàng)建 146
12.4 編譯、訓(xùn)練、評(píng)估與部署 148

第13章 PyTorch 深度學(xué)習(xí)工程 152
13.1 框架獲得 152
13.2 安裝設(shè)置 153
13.2.1 CPU 版本安裝 153
13.2.2 GPU 版本安裝 153
13.3 工程創(chuàng)建 155
13.4 訓(xùn)練、評(píng)估與部署 157
13.4.1 訓(xùn)練 157
13.4.2 評(píng)估 158
13.4.3 部署 159

第14章 Caffe 深度學(xué)習(xí)工程 166
14.1 安裝環(huán)境和依賴項(xiàng)獲得 166
14.2 框架的獲取 167
14.3 編譯 Caffe 及其與 Python 的接口 167
14.3.1 OpenCV 的安裝 167
14.3.2 Caffe 編譯 170
14.4 目標(biāo)分類測(cè)試 181
14.4.1 數(shù)據(jù)集準(zhǔn)備 181
14.4.2 訓(xùn)練模型 186
14.4.3 用訓(xùn)練好的模型對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè) 188

第15章 MXNet 深度學(xué)習(xí)工程 190
15.1 框架獲取及環(huán)境設(shè)置 190
15.1.1 環(huán)境準(zhǔn)備 190
15.1.2 利用 Anaconda 創(chuàng)建運(yùn)行環(huán)境 191
15.2 基于笑臉目標(biāo)檢測(cè)的 MXNet 框架測(cè)試 192
15.2.1 創(chuàng)建訓(xùn)練數(shù)據(jù)集 192
15.2.2 訓(xùn)練模型 197
15.2.3 測(cè)試模型 200

第16章 CNTK 深度學(xué)習(xí)工程 202
16.1 框架的獲取 202
16.2 編譯 202
16.2.1 CPU 版本編譯 202
16.2.2 基于 Linux 系統(tǒng)的 GPU 版本編譯 206
16.3 CNTK 測(cè)試 208
16.3.1 創(chuàng)建數(shù)據(jù)集 208
16.3.2 模型訓(xùn)練 211
16.3.3 模型測(cè)試 213

第17章 Theano 深度學(xué)習(xí)工程 216
17.1 框架獲得 216
17.2 安裝設(shè)置 217
17.3 工程創(chuàng)建 220
17.4 編譯、訓(xùn)練、評(píng)估與部署 222

第18章 YoloV4 深度學(xué)習(xí)工程 226
18.1 框架的獲取 226
18.2 框架源碼編譯及環(huán)境設(shè)置 226
18.2.1 CPU 版本編譯 226
18.2.2 GPU 版本編譯 227
18.2.3 Darknet 測(cè)試 230
18.3 創(chuàng)建 Yolo 訓(xùn)練數(shù)據(jù)集 231
18.4 訓(xùn)練 YoloV4 模型 235
18.5 測(cè)試 YoloV4 模型 237

第19章 PaddlePaddle 深度學(xué)習(xí)工程 238
19.1 框架獲得 240
19.2 安裝設(shè)置 240
19.3 工程創(chuàng)建、編譯、訓(xùn)練、評(píng)估與測(cè)試 243
19.4 基于高層 API 的任務(wù)快速實(shí)現(xiàn) 261

參考文獻(xiàn) 263