1、深度学习和传统机器视觉技术相融合，可以大大提高AI技术的效率和精度。2、本书内容全面，着眼应用，分为上、下两篇共19章内容，详细讲解了机器视觉及深度学习的理论和编程实践。3、介绍了经典图像处理算法、深度学习框架。4、讲解了编程工具VC 、Python和OpenCV；利用VC 和Python工具，搭建图像处理的工程界面。5、介绍了常用的9种深度学习框架的获得方法、安装设置、工程创建，以及深度学习工程的编译、训练、评估与部署方法。6、每一个搭建的工程，都提供一套可下载的源代码例程序，方便读者下载学习。
售 价：¥
纸质售价：¥112.10购买纸书
6.4
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
书名页
内容提要
前言
上篇 理论算法
第1章 基础知识
1.1 图像与颜色
1.1.1 彩色图像
1.1.2 灰度图像
1.1.3 颜色变换
1.2 机器视觉
1.2.1 机器视觉构成
1.2.2 数字图像处理
1.3 深度学习
1.3.1 基本概念
1.3.2 基本思想
1.3.3 深度学习常用方法
第2章 目标提取
2.1 灰度目标
2.1.1 阈值分割
2.1.2 自动二值化处理
2.2 彩色图像
2.2.1 果树上红色桃子的提取
2.2.2 绿色麦苗的提取
2.3 运动图像
2.3.1 帧间差分
2.3.2 背景差分
2.4 C语言实现
2.4.1 二值化处理
2.4.2 双阈值二值化处理
2.4.3 直方图
2.4.4 直方图平滑化
2.4.5 大津法二值化处理
第3章 边缘检测
3.1 图像边缘
3.2 微分处理
3.2.1 一阶微分
3.2.2 二阶微分
3.3 模板匹配
3.4 C语言实现
3.4.1 一阶微分边缘检测
3.4.2 二阶微分边缘检测
3.4.3 Prewitt算子边缘检测
3.4.4 二值图像的细线化处理
第4章 去噪声处理
4.1 移动平均
4.2 中值滤波
4.3 二值图像去噪声
4.4 C语言实现
4.4.1 移动平均法
4.4.2 中值滤波
4.4.3 腐蚀处理
4.4.4 膨胀处理
第5章 几何参数检测
5.1 图像的几何参数
5.2 区域标记
5.3 几何参数检测与提取
5.4 C语言实现
5.4.1 区域标记
5.4.2 计算图像特征参数
5.4.3 根据圆形度抽出物体
5.4.4 复制掩模领域的原始图像
5.4.5 根据面积提取对象物
第6章 直线检测
6.1 传统Hough变换的直线检测
6.2 最小二乘法的直线检测
6.3 C语言实现
6.3.1 传统Hough变换的直线检测
6.3.2 最小二乘法的直线检测
第7章 深度学习框架介绍
7.1 TensorFlow
7.1.1 TensorFlow的优势
7.1.2 TensorFlow应用场景
7.1.3 TensorFlow开发环境安装
7.2 Keras
7.2.1 Keras的优势
7.2.2 Keras应用
7.2.3 Keras与TensorFlow2的关系
7.2.4 Keras的安装
7.3 PyTorch
7.3.1 PyTorch的优势
7.3.2 PyTorch的典型应用
7.3.3 PyTorch和TensorFlow的比较
7.3.4 PyTorch的安装
7.4 其他深度学习框架
7.4.1 Caffe
7.4.2 MXNet
7.4.3 CNTK
7.4.4 Theano
7.4.5 Darknet
7.4.6 PaddlePaddle
下篇 编移环境及系统搭建
第8章 平台软件
8.1 OpenCV
8.1.1 基本功能介绍
8.1.2 获取与安装
8.2 VC++
8.2.1 基本功能介绍
8.2.2 获取与安装
8.3 Python
8.3.1 基本功能介绍
8.3.2 获取与安装
第9章 VC++图像处理工程
9.1 工程创建
9.1.1 启动Visual Studio 2010
9.1.2 创建新建工程
9.2 系统设置
9.3 编译执行
第10章 Python图像处理系统
10.1 工程创建
10.2 系统设置
10.3 编译执行
第11章 TensorFlow深度学习工程
11.1 框架获得
11.2 安装设置
11.3 案例
11.3.1 数据准备
11.3.2 训练模型
11.3.3 验证准确率
11.3.4 导出模型并对图片分类
第12章 Keras深度学习工程
12.1 框架获得
12.2 安装设置步骤
12.3 工程创建
12.4 编译、训练、评估与部署
第13章 PyTorch深度学习工程
13.1 框架获得
13.2 安装设置
13.2.1 CPU版本安装
13.2.2 GPU版本安装
13.3 工程创建
13.4 训练、评估与部署
13.4.1 训练
13.4.2 评估
13.4.3 部署
第14章 Caffe深度学习工程
14.1 安装环境和依赖项获得
14.2 框架的获取
14.3 编译Caffe及其与Python的接口
14.3.1 OpenCV的安装
14.3.2 Caffe编译
14.4 目标分类测试
14.4.1 数据集准备
14.4.2 训练模型
14.4.3 用训练好的模型对数据进行预测
第15章 MXNet深度学习工程
15.1 框架获取及环境设置
15.1.1 环境准备
15.1.2 利用Anaconda创建运行环境
15.2 基于笑脸目标检测的MXNet框架测试
15.2.1 创建训练数据集
15.2.2 训练模型
15.2.3 测试模型
第16章 CNTK深度学习工程
16.1 框架的获取
16.2 编译
16.2.1 CPU版本编译
16.2.2 基于Linux系统的GPU版本编译
16.3 CNTK测试
16.3.1 创建数据集
16.3.2 模型训练
16.3.3 模型测试
第17章 Theano深度学习工程
17.1 框架获得
17.2 安装设置
17.3 工程创建
17.4 编译、训练、评估与部署
第18章 YoloV4深度学习工程
18.1 框架的获取
18.2 框架源码编译及环境设置
18.2.1 CPU版本编译
18.2.2 GPU版本编译
18.2.3 Darknet测试
18.3 创建Yolo训练数据集
18.4 训练YoloV4模型
18.5 测试YoloV4模型
第19章 PaddlePaddle深度学习工程
19.1 框架获得
19.2 安装设置
19.3 工程创建、编译、训练、评估与测试
19.4 基于高层API的任务快速实现
参考文献
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
