OpenCV 4机器学习算法原理与编程实战电子书

前折页

内容简介

前言

第1章 概述

1.1 OpenCV简述

1.2 OpenCV的功能

1.3 OpenCV中的机器学习与深度神经网络模块

1.4 基本数据类型

1.4.1 数据类型概述

1.4.2 cv::Vec类

1.4.3 cv::Point类

1.4.4 cv::Scalar类

1.4.5 cv::Size类

1.4.6 cv::Rect类

1.4.7 cv::RotatedRect类

1.4.8 cv::Mat类

1.4.9 基本矩阵运算

参考文献

第2章 OpenCV在机器学习任务中的基本图像操作

2.1 基本图像操作

2.1.1 读取、显示和存储图像

2.1.2 颜色空间转换

2.1.3 图像的几何变换

2.1.4 直方图均衡化

2.1.5 标注文字和矩形框

2.2 基本视频操作

2.2.1 读取和播放视频文件

2.2.2 处理视频文件

2.2.3 存储视频文件

参考文献

第3章 机器学习的基本原理与OpenCV机器学习模块

3.1 机器学习的基本概念

3.1.1 机器学习的定义

3.1.2 机器学习的分类

3.2 机器学习的一般流程

3.2.1 机器学习流程

3.2.2 数据集

3.2.3 偏差与方差

3.2.4 评估分类器性能的方法

3.3 逻辑回归分类示例

3.3.1 图像数据与数据表示

3.3.2 逻辑回归模型

3.3.3 逻辑回归的损失函数

3.4 OpenCV支持的机器学习算法

3.4.1 机器学习模块的结构

3.4.2 机器学习模块中的算法

3.4.3 数据集准备

3.4.4 特征选择

参考文献

第4章 K-means和KNN

4.1 算法原理

4.1.1 K-means原理

4.1.2 KNN原理

4.2 OpenCV实现

4.2.1 K-means的实现

4.2.2 KNN的实现

4.3 应用示例

4.3.1 K-means聚类示例

4.3.2 KNN手写数字识别示例

4.3.3 应用提示

参考文献

第5章 决策树

5.1 决策树原理

5.1.1 决策树的基本思想

5.1.2 决策树的表示方法

5.1.3 最佳切分属性的选择

5.1.4 停止标准

5.1.5 剪枝

5.2 OpenCV实现

5.2.1 创建决策树

5.2.2 训练决策树

5.2.3 使用决策树预测

5.3 应用示例

5.3.1 蘑菇可食性分类

5.3.2 预测波士顿房价

5.3.3 应用提示

参考文献

第6章 随机森林

6.1 随机森林原理

6.1.1 随机森林的基本思想

6.1.2 Bagging算法

6.2 OpenCV实现

6.2.1 OpenCV中的随机森林

6.2.2 创建随机森林

6.2.3 训练随机森林

6.2.4 使用随机森林预测

6.3 应用示例

6.3.1 蘑菇可食性分类

6.3.2 预测波士顿房价

6.3.3 应用提示

参考文献

第7章 Boosting算法

7.1 Boosting算法原理

7.1.1 Boosting算法的基本思想

7.1.2 Boosting算法的学习流程

7.1.3 AdaBoost算法

7.2 OpenCV实现

7.2.1 创建AdaBoost模型

7.2.2 训练AdaBoost模型

7.2.3 使用AdaBoost模型预测

7.3 应用示例

7.3.1 蘑菇可食性分类

7.3.2 英文字母分类问题

7.3.3 应用提示

参考文献

第8章 支持向量机

8.1 支持向量机原理

8.1.1 统计学习理论概述

8.1.2 线性SVM算法的基本原理

8.1.3 非线性SVM算法的基本原理

8.1.4 SVM回归算法的基本原理

8.1.5 SVM算法执行SRM准则的解释

8.2 OpenCV实现

8.2.1 OpenCV中的SVM算法

8.2.2 创建SVM模型

8.2.3 训练SVM模型

8.2.4 使用SVM模型预测

8.3 应用示例

8.3.1 使用HOG特征与SVM算法识别手写数字

8.3.2 应用提示

参考文献

第9章 神经网络

9.1 神经网络原理

9.1.1 神经网络的结构与表示

9.1.2 单隐层前馈神经网络

9.1.3 多隐层前馈神经网络

9.1.4 梯度下降法

9.1.5 反向传播算法

9.2 OpenCV实现

9.2.1 OpenCV中的MLP算法

9.2.2 创建MLP模型

9.2.3 训练MLP模型

9.2.4 使用MLP模型预测

9.3 应用示例

9.3.1 使用神经网络识别手写数字

9.3.2 应用提示

参考文献

第10章 深度神经网络

10.1 卷积神经网络的基本原理

10.1.1 卷积神经网络的结构

10.1.2 卷积层

10.1.3 池化层

10.1.4 Softmax层

10.1.5 CNN特征学习的过程

10.1.6 CNN特征学习的原理

10.2 OpenCV的DNN模块

10.2.1 OpenCV支持的深度学习框架

10.2.2 支持的层类型

10.2.3 编译支持GPU加速的OpenCV

10.2.4 DNN模块的使用

10.3 应用示例

10.3.1 典型计算机视觉任务

10.3.2 使用GoogLeNet实现图像分类

10.3.3 使用YOLOv4实现目标检测

10.3.4 使用Mask R-CNN实现实例分割

10.3.5 使用GOTURN实现目标跟踪

10.3.6 使用DB算法实现场景文本检测

10.3.7 使用CRNN实现场景文本识别

10.3.8 应用提示

参考文献

后折页