机器视觉:从基础到实战电子书

版权页

前言

目录

1.1 机器视觉的发展及系统构成

1.1.1 机器视觉的发展

1.1.2 机器视觉系统构成

1.1.3 机器视觉在各行各业的应用

1.2 Marr视觉计算理论框架

1.2.1 Marr视觉计算理论概念

1.2.2 视觉图像的形成阶段

1.3 机器视觉任务

1.4 机器视觉与人工智能

1.4.1 人工智能的发展

1.4.2 机器视觉和人工智能的融合

2.1 亮度与成像

2.1.1 光度学

2.1.2 亮度成像模型

2.2 镜头

2.2.1 针孔成像模型

2.2.2 镜头畸变

2.2.3 远心与景深

2.3 摄像机

2.3.1 CCD传感器

2.3.2 CMOS传感器

2.3.3 彩色成像

2.3.4 传感器尺寸

2.3.5 摄像机性能

2.3.6 深度相机

2.4 相机标定基础

2.4.1 空间坐标系定义

2.4.2 空间坐标系变换

2.5 相机标定方法

2.5.1 Tsai两步标定法

2.5.2 张正友标定法

3.1 数字图像简介

3.1.1 数字图像处理的发展及应用

3.1.2 图像采样和量化

3.1.3 图像的表示和可视化

3.1.4 像素间的关系

3.2 图像滤波

3.2.1 空间滤波基础

3.2.2 平滑和锐化处理

3.2.3 频域滤波基础

3.2.4 低通和高通滤波

3.3 边缘检测

3.3.1 边缘检测的定义

3.3.2 几种算子的比较

3.4 图像分割

3.4.1 阈值分割的基本概念

3.4.2 基于点的全局阈值选取方法

3.4.3 基于区域的全局阈值选取方法

3.4.4 局部阈值法和多阈值法

3.4.5 图像分割的评价

3.5 彩色图像处理

3.5.1 彩色视觉

3.5.2 彩色模型

3.5.3 彩色变换

3.5.4 彩色图像增强

3.5.5 彩色图像的平滑

3.5.6 彩色图像的锐化

3.5.7 彩色图像的分割

4.1 傅里叶变换图像处理

4.1.1 傅里叶变换基础

4.1.2 傅里叶变换在图像处理中的典型应用

4.2 离散余弦变换图像处理

4.2.1 离散余弦变换基础

4.2.2 离散余弦变换在图像处理中的典型应用

4.3 偏微分方程图像处理

4.3.1 偏微分方程基础

4.3.2 偏微分方程在图像处理中的典型应用

4.4 小波变换图像处理

4.4.1 小波变换基础

4.4.2 小波变换在图像处理中的典型应用

4.5 形态学图像处理

4.5.1 形态学基础

4.5.2 形态学在图像处理中的典型应用

5.1 图像颜色特征提取

5.1.1 颜色直方图

5.1.2 颜色矩

5.1.3 颜色集

5.1.4 颜色聚合向量

5.1.5 颜色相关图

5.2 图像纹理特征提取

5.2.1 图像的纹理

5.2.2 纹理特征描述方法

5.2.3 Laws纹理能量测量法

5.2.4 Gabor变换

5.2.5 局部二值模式

5.3 图像形状特征提取

5.3.1 简单形状特征

5.3.2 傅里叶描述符

5.3.3 形状无关矩

5.4 图像边缘特征提取

5.4.1 梯度边缘检测

5.4.2 一阶边缘检测算子

5.4.3 二阶边缘检测算子

5.5 图像点特征提取

5.5.1 角点检测

5.5.2 SIFT特征点

5.5.3 SURF特征点

5.6 案例——基于PCA的人脸识别

6.1 双目立体视觉原理

6.1.1 双目立体视觉测深原理

6.1.2 极线约束

6.2 双目立体视觉系统

6.2.1 双目立体视觉系统体系

6.2.2 双目立体视觉的精度分析

6.3 双目立体视觉标定和立体匹配

6.3.1 双目立体视觉标定

6.3.2 双目立体视觉中的对应点匹配

6.4 案例——双目立体视觉实现深度测量

6.4.1 实验图片采集和校正

6.4.2 视差和深度计算

6.4.3 计算三维坐标并输出三维空间位置

7.1 机器学习及相关数学知识

7.1.1 机器学习简介

7.1.2 机器学习的相关数学知识

7.2 机器学习的主要方法

7.2.1 线性分类器

7.2.2 支持向量机

7.2.3 贝叶斯分类器

7.2.4 K均值聚类

7.2.5 集成学习

7.3 案例——机器学习在目标跟踪中的应用

8.1 深度学习基础

8.1.1 深度学习的崛起以及存在的问题

8.1.2 神经网络的基本概念

8.1.3 卷积神经网络原理

8.1.4 卷积神经网络结构演化

8.2 基于深度学习的图像分类算法

8.2.1 图像分类算法的发展

8.2.2 CNN的计算量与参数量

8.2.3 案例——基于深度学习的图像分类应用

8.3 基于深度学习的目标检测算法

8.3.1 目标检测算法的发展

8.3.2 目标检测的重要概念

8.3.3 Faster R-CNN算法

8.3.4 YOLO检测算法

8.3.5 案例——自然场景文字检测

9.1 宽度测量

9.1.1 背景介绍

9.1.2 环境准备

9.1.3 数据说明与处理

9.1.4 模型构建与训练

9.1.5 模型测试

9.2 基于Keras的卷积神经网络实现人脸面部表情识别

9.2.1 背景介绍

9.2.2 环境准备

9.2.3 数据说明与处理

9.2.4 模型构建与训练

9.2.5 模型测试

9.3 基于卷积神经网络的皮肤病分类

9.3.1 背景介绍

9.3.2 环境准备

9.3.3 数据说明与处理

9.3.4 模型构建与训练

9.3.5 模型测试

9.4 基于深度学习的肝脏肿瘤分割

9.4.1 背景介绍

9.4.2 环境准备

9.4.3 数据说明与处理

9.4.4 模型构建与训练

9.4.5 模型测试

9.5 人脸关键点检测

9.5.1 背景介绍

9.5.2 环境准备

9.5.3 数据说明与处理

9.5.4 模型构建与训练

9.5.5 模型测试

文后彩插

注释页