Python图像处理实战电子书

版权

版权声明

内容提要

作者简介

审稿人简介

译者简介

前言

第1章 图像处理入门

1.1 什么是图像处理及图像处理的应用

1.1.1 什么是图像以及图像是如何存储的

1.1.2 什么是图像处理

1.1.3 图像处理的应用

1.2 图像处理流程

1.3 在Python中安装不同的图像处理库

1.3.1 安装pip

1.3.2 在Python中安装图像处理库

1.3.3 安装Anaconda发行版

1.3.4 安装Jupyter笔记本

1.4 使用Python进行图像输入/输出和显示

1.4.1 使用PIL读取、保存和显示图像

1.4.2 使用matplotlib读取、保存和显示图像

1.4.3 使用scikit-image读取、保存和显示图像

1.4.4 使用SciPy的misc模块读取、保存和显示图像

1.5 处理不同的文件格式和图像类型，并执行基本的图像操作

1.5.1 处理不同的文件格式和图像类型

1.5.2 执行基本的图像操作

小结

习题

拓展阅读

第2章 采样、傅里叶变换与卷积

2.1 图像形成——采样和量化

2.1.1 采样

2.1.2 量化

2.2 离散傅里叶变换

2.2.1 为什么需要DFT

2.2.2 用快速傅里叶变换算法计算DFT

2.3 理解卷积

2.3.1 为什么需要卷积图像

2.3.2 使用SciPy信号模块的convolve2d函数进行卷积

2.3.3 使用SciPy中的ndimage.convolve函数进行卷积

2.3.4 相关与卷积

模板匹配与图像和模板之间的互相关

小结

习题

第3章 卷积和频域滤波

3.1 卷积定理和频域高斯模糊

卷积定理的应用

3.2 频域滤波

3.2.1 什么是滤波器

3.2.2 高通滤波器

3.2.3 低通滤波器

3.2.4 DoG带通滤波器

3.2.5 带阻（陷波）滤波器

3.2.6 图像复原

小结

习题

第4章 图像增强

4.1 逐点强度变换——像素变换

4.1.1 对数变换

4.1.2 幂律变换

4.1.3 对比度拉伸

4.1.4 二值化

4.2 直方图处理——直方图均衡化和直方图匹配

4.2.1 基于scikit-image的对比度拉伸和直方图均衡化

4.2.2 直方图匹配

4.3 线性噪声平滑

4.3.1 PIL平滑

4.3.2 基于SciPy ndimage进行盒核与高斯核平滑比较

4.4 非线性噪声平滑

4.4.1 PIL平滑

4.4.2 scikit-image平滑（去噪）

4.4.3 SciPy ndimage平滑

小结

习题

第5章 应用导数方法实现图像增强

5.1 图像导数——梯度和拉普拉斯算子

5.1.1 导数与梯度

5.1.2 拉普拉斯算子

5.1.3 噪声对梯度计算的影响

5.2 锐化和反锐化掩模

5.2.1 使用拉普拉斯滤波器锐化图像

5.2.2 反锐化掩模

5.3 使用导数和滤波器进行边缘检测

5.3.1 用偏导数计算梯度大小

5.3.2 scikit-image的Sobel边缘检测器

5.3.3 scikit-image的不同边缘检测器——Prewitt、Roberts、

5.3.4 scikit-image的Canny边缘检测器

5.3.5 LoG滤波器和DoG滤波器

5.3.6 基于LoG滤波器的边缘检测

5.3.7 基于PIL发现和增强边缘

5.4 图像金字塔——融合图像

5.4.1 scikit-image transform pyramid模块的高斯金字塔

5.4.2 scikit-image transform pyramid模块的拉普拉斯金字塔

5.4.3 构造高斯金字塔

5.4.4 仅通过拉普拉斯金字塔重建图像

5.4.5 基于金字塔的图像融合

小结

习题

第6章 形态学图像处理

6.1 基于scikit-image形态学模块的形态学图像处理

6.1.1 对二值图像的操作

6.1.2 利用开、闭运算实现指纹清洗

6.1.3 灰度级操作

6.2 基于scikit-image filter.rank模块的形态学图像处理

6.2.1 形态学对比度增强

6.2.2 使用中值滤波器去噪

6.2.3 计算局部熵

6.3 基于SciPy ndimage.morphology模块的形态学图像处理

6.3.1 填充二值对象中的孔洞

6.3.2 采用开、闭运算去噪

6.3.3 计算形态学Beucher梯度

6.3.4 计算形态学拉普拉斯

小结

习题

第7章 图像特征提取与描述符

7.1 特征检测器与描述符

7.2 哈里斯角点检测器

7.2.1 scikit-image包

7.2.2 哈里斯角点特征在图像匹配中的应用

7.3 基于LoG、DoG和DoH的斑点检测器

7.3.1 高斯拉普拉斯

7.3.2 高斯差分

7.3.3 黑塞矩阵

7.4 基于方向梯度直方图的特征提取

7.4.1 计算HOG描述符的算法

7.4.2 基于scikit-image计算HOG描述符

7.5 尺度不变特征变换

7.5.1 计算SIFT描述符的算法

7.5.2 opencv和opencv-contrib的SIFT函数

7.5.3 基于BRIEF、SIFT和ORB匹配图像的应用

7.6 类Haar特征及其在人脸检测中的应用

7.6.1 基于scikit-image的类Haar特征描述符

7.6.2 基于类Haar特征的人脸检测的应用

小结

习题

第8章 图像分割

8.1 图像分割的概念

8.2 霍夫变换——检测图像中的圆和线

8.3 二值化和Otsu分割

8.4 基于边缘/区域的图像分割

8.4.1 基于边缘的图像分割

8.4.2 基于区域的图像分割

8.5 基于菲尔森茨瓦布高效图的分割算法、SLIC算法、快速移位图像分割算法、紧凑型分水岭算法及使用SimpleITK的区域生长算法

8.5.1 基于菲尔森茨瓦布高效图的分割算法

8.5.2 SLIC算法

8.5.3 快速移位图像分割算法

8.5.4 紧凑型分水岭算法

8.5.5 使用SimpleITK的区域生长算法

8.6 活动轮廓算法、形态学蛇算法和基于OpenCV的GrabCut图像分割算法

8.6.1 活动轮廓算法

8.6.2 形态学蛇算法

8.6.3 基于OpenCV的GrabCut图像分割算法

小结

习题

第9章 图像处理中的经典机器学习方法

9.1 监督学习与无监督学习

9.2 无监督机器学习——聚类、PCA和特征脸

9.2.1 基于图像分割与颜色量化的k均值聚类算法

9.2.2 用于图像分割的谱聚类算法

9.2.3 PCA与特征脸

9.3 监督机器学习——基于手写数字数据集的图像分类

9.3.1 下载MNIST（手写数字）数据集

9.3.2 可视化数据集

9.3.3 通过训练KNN、高斯贝叶斯和SVM模型对MNIST数据集分类

9.4 监督机器学习——目标检测

9.4.1 使用类Haar特征的人脸检测和使用AdaBoost的级联分类器——Viola-Jones算法

9.4.2 使用基于HOG特征的SVM检测目标

小结

习题

第10章 图像处理中的深度学习——图像分类

10.1 图像处理中的深度学习

10.1.1 什么是深度学习

10.1.2 经典学习与深度学习

10.1.3 为何需要深度学习

10.2 卷积神经网络

卷积、池化或全连接层——CNN架构以及它是如何工作的

10.3 使用TensorFlow或Keras进行图像分类

10.3.1 使用TensorFlow进行图像分类

10.3.2 使用Keras对密集全连接层进行分类

10.3.3 使用基于Keras的卷积神经网络进行分类

10.4 应用于图像分类的主流深度卷积神经网络

VGG-16/19

小结

习题

第11章 图像处理中的深度学习——目标检测等

11.1 YOLO v2

11.1.1 对图像进行分类与定位以及目标检测

11.1.2 使用卷积神经网络检测目标

11.1.3 使用YOLO v2

11.2 利用DeepLab v3+的深度语义分割

11.2.1 语义分割

11.2.2 DeepLab v3+

11.3 迁移学习——什么是迁移学习以及什么时候使用迁移学习

用Keras实现迁移学习

11.4 使用预训练的Torch模型和cv2实现神经风格迁移

11.4.1 了解NST算法

11.4.2 使用迁移学习实现NST

11.4.3 计算总损失

11.5 使用Python和OpenCV实现神经风格迁移

小结

习题

第12章 图像处理中的其他问题

12.1 接缝雕刻

12.1.1 使用接缝雕刻进行内容感知的图像大小调整

12.1.2 使用接缝雕刻移除目标

12.2 无缝克隆和泊松图像编辑

12.3 图像修复

12.4 变分图像处理

12.4.1 全变分去噪

12.4.2 使用全变分去噪创建平面纹理卡通图像

12.5 图像绗缝

12.5.1 纹理合成

12.5.2 纹理迁移

12.6 人脸变形

小结

习题