目錄第1章 圖像視覺技術(shù)基礎(chǔ)1.1 圖像識別概述 11.1.1 什么是圖像識別 11.1.2 圖像識別的發(fā)展階段 11.1.3 圖像識別的應(yīng)用 21.2 圖像識別的步驟 21.3 圖像識別技術(shù) 31.3.1 人工智能 31.3.2 機(jī)器學(xué)習(xí) 41.3.3 深度學(xué)習(xí) 41.3.4 基于神經(jīng)網(wǎng)絡(luò)的圖像識別 41.3.5 基于非線性降維的圖像識別 5第2章 圖像的采樣、變換和卷積處理2.1 采樣 62.1.1 最近鄰插值采樣 62.1.2 雙線性插值 82.1.3 雙立方插值 112.1.4 lanczos插值 132.2 離散傅里葉變換（DFT） 142.2.1 為什么使用DFT 142.2.2 使用NumPy庫實(shí)現(xiàn)DFT 152.2.3 使用SciPy庫實(shí)現(xiàn)DFT 162.2.4 用快速傅里葉變換算法計(jì)算DFT 172.3 卷積 182.3.1 為什么需要卷積圖像 182.3.2 使用SciPy庫中的函數(shù)convolve2d()進(jìn)行卷積操作 192.3.3 使用SciPy庫中的函數(shù)ndimage.convolve()進(jìn)行卷積操作 202.4 頻域?yàn)V波 222.4.1 什么是濾波器 222.4.2 高通濾波器 222.4.3 低通濾波器 232.4.4 DoG帶通濾波器 242.4.5 帶阻濾波器 26第3章 圖像增強(qiáng)處理3.1 對比度增強(qiáng) 283.1.1 直方圖均衡化 283.1.2 自適應(yīng)直方圖均衡化 303.1.3 對比度拉伸 323.1.4 非線性對比度增強(qiáng) 343.2 銳化 353.2.1 銳化濾波器 363.2.2 高頻強(qiáng)調(diào)濾波 393.2.3 基于梯度的銳化 423.3 噪聲減少 463.3.1 均值濾波器 463.3.2 中值濾波器 473.3.3 高斯濾波器 483.3.4 雙邊濾波器 493.3.5 小波降噪 493.4 色彩平衡 503.4.1 白平衡 513.4.2 顏色校正 523.4.3 調(diào)整色調(diào)和飽和度 533.5 超分辨率 543.6 去除運(yùn)動模糊 563.6.1 邊緣 563.6.2 逆濾波 573.6.3 統(tǒng)計(jì)方法 583.6.4 盲去卷積 59第4章 圖像特征提取處理4.1 圖像特征提取方法 614.2 顏色特征 614.2.1 顏色直方圖 624.2.2 其他顏色特征提取方法 634.3 紋理特征 654.3.1 灰度共生矩陣 654.3.2 方向梯度直方圖 664.3.3 尺度不變特征變換 674.3.4 小波變換 684.4 形狀特征 704.4.1 邊界描述子 704.4.2 預(yù)處理后的輪廓特征 734.4.3 模型擬合方法 754.4.4 形狀上的變換 784.5 基于LoG、DoG和DoH的斑點(diǎn)檢測器 804.5.1 LoG 804.5.2 DoG 814.5.3 DoH 82第5章 圖像分割處理5.1 圖像分割的重要性 845.2 基于閾值的分割 845.2.1 灰度閾值分割 855.2.2 彩色閾值分割 855.3 基于邊緣的分割 865.3.1 canny邊緣檢測 865.3.2 邊緣連接方法 875.4 基于區(qū)域的分割 885.4.1 區(qū)域生長算法 895.4.2 基于圖論的分割算法 905.4.3 基于聚類的分割算法 925.5 最小生成樹算法 945.6 基于深度學(xué)習(xí)的分割 955.6.1 FCN（全卷積網(wǎng)絡(luò)） 965.6.2 U-Net 975.6.3 DeepLab 975.6.4 Mask R-CNN 98第6章 目標(biāo)檢測處理6.1 目標(biāo)檢測介紹 1006.1.1 目標(biāo)檢測的步驟 1006.1.2 目標(biāo)檢測的方法 1006.2 YOLO v5 1006.2.1 YOLO v5的改進(jìn) 1016.2.2 基于YOLO v5的訓(xùn)練、驗(yàn)證和預(yù)測 1016.3 語義分割 1146.3.1 什么是語義分割 1146.3.2 DeepLab語義分割 1166.4 SSD目標(biāo)檢測 1186.4.1 攝像頭目標(biāo)檢測 1186.4.2 基于圖像的目標(biāo)檢測 119第7章 圖像分類處理7.1 圖像分類介紹 1217.2 基于特征提取和機(jī)器學(xué)習(xí)的圖像分類 1217.2.1 基本流程 1227.2.2 基于scikit-learn機(jī)器學(xué)習(xí)的圖像分類 1227.2.3 分類算法 1257.2.4 聚類算法 1277.3 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類 1297.3.1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu) 1297.3.2 第一個卷積神經(jīng)網(wǎng)絡(luò)程序 1327.3.3 使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類 1367.4 基于遷移學(xué)習(xí)的圖像分類 1467.4.1 遷移學(xué)習(xí)介紹 1467.4.2 基于遷移學(xué)習(xí)的圖片分類器 1477.5 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的圖像分類 1507.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)介紹 1507.5.2 實(shí)戰(zhàn)演練 1517.6 基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的圖像分類 1517.6.1 卷積循環(huán)神經(jīng)網(wǎng)絡(luò)介紹 1527.6.2 CRNN圖像識別器 152第8章 鮮花識別系統(tǒng)開發(fā)8.1 系統(tǒng)介紹 1558.2 創(chuàng)建模型 1558.2.1 創(chuàng)建TensorFlow數(shù)據(jù)模型 1558.2.2 將Keras模型轉(zhuǎn)換為TensorFlow Lite 1608.2.3 量化處理 1618.2.4 更改模型 1628.3 識別器的具體實(shí)現(xiàn) 1638.3.1 準(zhǔn)備工作 1638.3.2 頁面布局 1658.3.3 實(shí)現(xiàn)UI Activity 1678.3.4 實(shí)現(xiàn)主Activity 1688.3.5 圖像轉(zhuǎn)換 1728.3.6 使用GPU委托加速 176第9章 智能素描繪圖系統(tǒng)開發(fā)9.1 背景介紹 1779.2 需求分析 1779.3 功能模塊 1789.4 預(yù)處理 1799.4.1 低動態(tài)范圍配置 1799.4.2 圖像處理和調(diào)整 1809.4.3 獲取原始圖像的筆畫 1819.4.4 方向檢測 1849.4.5 去藍(lán)處理 1879.4.6 圖像合成 1889.4.7 快速排序 1919.4.8 側(cè)窗濾波 1929.5 開始繪圖 1949.5.1 基于邊緣繪畫的繪圖程序 1959.5.2 繪制鉛筆畫 203第10章 小區(qū)AI停車計(jì)費(fèi)管理系統(tǒng)開發(fā)10.1 背景介紹 20510.2 系統(tǒng)功能分析和模塊設(shè)計(jì) 20510.2.1 功能分析 20510.2.2 系統(tǒng)模塊設(shè)計(jì) 20610.3 系統(tǒng)GUI 20610.3.1 設(shè)置基本信息 20610.3.2 繪制操作按鈕 20710.3.3 繪制背景和文字 20710.4 車牌識別和收費(fèi) 20810.4.1 登記業(yè)主的車輛信息 20810.4.2 識別車牌 20810.4.3 計(jì)算停車時(shí)間 20910.4.4 識別車牌并計(jì)費(fèi) 21010.5 主程序 213第11章 機(jī)器人智能物體識別系統(tǒng)開發(fā)11.1 背景介紹 21611.2 物體識別 21611.2.1 物體識別介紹 21711.2.2 物體識別的挑戰(zhàn) 21711.2.3 圖像特征的提取方法 21811.3 系統(tǒng)介紹 21911.4 準(zhǔn)備模型 22011.4.1 模型介紹 22011.4.2 自定義模型 22111.5 基于Android的機(jī)器人智能檢測器 22311.5.1 準(zhǔn)備工作 22311.5.2 頁面布局 22511.5.3 實(shí)現(xiàn)主Activity 22811.5.4 物體識別界面 23311.5.5 攝像機(jī)預(yù)覽界面拼接 23511.5.6 lib_task_api方案 24211.5.7 lib_interpreter方案 24311.6 基于iOS的機(jī)器人智能檢測器 24711.6.1 系統(tǒng)介紹 24711.6.2 視圖文件 24811.6.3 攝像機(jī)處理 25911.6.4 處理TensorFlow Lite模型 26411.7 調(diào)試運(yùn)行 270