機器視覺與機器學習：算法原理、框架應(yīng)用與代碼實現(xiàn)

前言
第1章 緒論
1．1 機器視覺
1．1．1 機器視覺的發(fā)展
1．1．2 機器視覺與其他領(lǐng)域的關(guān)系
1．2 機器視覺研究的任務(wù)、基本內(nèi)容、應(yīng)用領(lǐng)域與困難
1．2．1 任務(wù)
1．2．2 基本內(nèi)容
1．2．3 應(yīng)用領(lǐng)域
1．2．4 困難
1．2．5 機器視覺與人類視覺的關(guān)系
1．3 馬爾視覺理論
1．3．1 視覺是一個復(fù)雜的信息加工過程
1．3．2 視覺系統(tǒng)研究的三個層次
1．3．3 視覺系統(tǒng)處理的三個階段
1．4 習題

第2章 數(shù)字圖像處理
2．1 圖像預(yù)處理
2．1．1 圖像濾波
2．1．2 二值化
2．1．3 邊緣提取
2．2 圖像分割
2．3 數(shù)字圖像處理的數(shù)學工具
2．3．1 傅里葉變換圖像處理
2．3．2 離散余弦變換
2．3．3 偏微分方程圖像處理
2．3．4 小波變換等時頻分析方法
2．3．5 形態(tài)學處理
2．4 圖像特征提取
2．4．1 特征提取算法
2．4．2 主成分分析
2．4．3 SIFT特征點
2．4．4 SURF特征點
2．5 案例——燈泡燈腳檢測中的圖像處理
2．5．1 檢測背景
2．5．2 圖像處理過程與結(jié)果
2．6 習題

第3章 相機成像
3．1 影幾何與幾何變換
3．1．1 空間幾何變換
3．1．2 三維到二維投影
3．2 成像模型
3．2．1 線性模型
3．2．2 非線性模型
3．3 圖像亮度
3．3．1 亮度模式
3．3．2 傳感器
3．3．3 感知顏色
3．4 數(shù)字相機與光源
3．4．1 光源
3．4．2 鏡頭
3．4．3 相機接口
3．5 案例——光源對成像的影響
3．5．1 實驗設(shè)備
3．5．2 光源照明效果
3．5．3 鉚釘光源實驗
3．6 習題

第4章 相機標定
4．1 相機標定基礎(chǔ)
4．1．1 空間坐標系
4．1．2 空間坐標系變換
4．2 相機標定方法
4．2．1 Tsai相機標定
4．2．2 張正友標定
4．3 相機標定的MATLAB與OpenCV實現(xiàn)
4．3．1 MATLAB棋盤格標定
4．3．2 OpenCV棋盤格標定
4．4 圓形板標定方法
4．4．1 單相機標定
4．4．2 立體相機標定
4．5 單相機與光源系統(tǒng)標定
4．5．1 背景
4．5．2 原理與方法
4．6 案例——顯微測量標定
4．6．1 顯微標定模型
4．6．2 相機標定實驗
4．7 案例——機器人手眼標定
4．7．1 機械臂坐標系
4．7．2 手眼標定
4．8 習題

第5章 Shape from X
5．1 Shape from X技術(shù)
5．2 光度立體
5．2．1 典型算法介紹
5．2．2 典型算法實現(xiàn)
5．2．3 算法實例
5．3 從影恢復(fù)形狀
5．3．1 SFS問題的起源
5．3．2 SFS問題的解決方案
5．3．3 小值方法
5．3．4 演化方法
5．3．5 局部分析法
5．3．6 線性化方法
5．4 從運動求取結(jié)構(gòu)
5．4．1 光流與運動場
5．4．2 多視圖求取結(jié)構(gòu)
5．5 從紋理中恢復(fù)形狀
5．5．1 從紋理恢復(fù)形狀的三種方法
5．5．2 紋理模式假設(shè)
5．6 案例——從影恢復(fù)形狀
5．6．1 三維缺陷自動檢測
5．6．2 氣泡大小的自動檢測
5．7 習題

第6章 雙目立體視覺
6．1 雙目立體視覺原理
6．1．1 雙目立體視覺測深原理
6．1．2 極線約束
6．2 雙目立體視覺系統(tǒng)
6．2．1 雙目立體視覺系統(tǒng)分析
6．2．2 雙目立體視覺：平行光軸的系統(tǒng)結(jié)構(gòu)
6．2．3 雙目立體視覺的精度分析
6．3 雙目標定和立體匹配
6．3．1 雙目立體視覺坐標系
6．3．2 雙目立體視覺標定
6．3．3 雙目立體視覺中的對應(yīng)點匹配
6．4 案例——雙目立體視覺實現(xiàn)深度測量
6．4．1 相機標定
6．4．2 實驗圖片采集和矯正
6．4．3 圓心坐標提取
6．4．4 視差和深度計算
6．4．5 計算三維坐標并輸出三維空間位置
6．5 案例——雙目立體視覺三維測量
6．5．1 相機標定
6．5．2 立體匹配
6．5．3 三維重建
6．6 習題

第7章 結(jié)構(gòu)光三維視覺
7．1 條紋投影結(jié)構(gòu)光三維形貌測量方法
7．1．1 傅里葉變換法
7．1．2 相移法
7．2 條紋投影輪廓術(shù)
7．2．1 基本原理
7．2．2 DLP技術(shù)
7．3 條紋投影中的條紋相位提取方法
7．3．1 傅里葉變換法
7．3．2 窗傅里葉脊法
7．3．3 二維連續(xù)小波變換法
7．3．4 BEMD法
7．3．5 VMD法
7．3．6 變分圖像分解法
7．4 條紋投影三維測量
7．5 案例——基于條紋投影結(jié)構(gòu)光三維掃描儀的牙模掃描
7．6 案例——線激光三維測量
7．6．1 線激光三維測量原理（激光三角法）
7．6．2 系統(tǒng)設(shè)計與搭建
7．6．3 結(jié)果與分析
7．7 習題

第8章 深度相機
8．1 三維測量原理
8．1．1 飛行時間法
8．1．2 結(jié)構(gòu)光原理
8．2 深度相機
8．2．1 Kinect
8．2．2 Intel RealSense
8．2．3 MESA SR4000深度相機
8．3 案例——基于Kinect的SLAM
8．3．1 RGB-D視覺SLAM算法流程
8．3．2 RGB-D視覺SLAM前端算法
8．3．3 RGB-D視覺SLAM后端算法
8．3．4 實驗設(shè)計與結(jié)果分析
8．4 案例——大場景三維重建
8．4．1 三維激光掃描
8．4．2 法如三維激光掃描儀的使用方法
8．4．3 測量試驗與結(jié)果
8．5 習題

第9章 機器學習基礎(chǔ)
9．1 機器學習簡介
9．2 機器學習的相關(guān)數(shù)學知識
9．2．1 矩陣運算
9．2．2 優(yōu)化
9．2．3 概率論
9．3 機器學習的主要方法
9．3．1 人工神經(jīng)網(wǎng)絡(luò)
9．3．2 支持向量機
9．3．3 K均值聚類
9．3．4 集成學習
9．3．5 深度學習和深度神經(jīng)網(wǎng)絡(luò)
9．4 習題

第10章 機器學習在機器視覺領(lǐng)域的應(yīng)用
10．1 機器學習在分辨率重建中的應(yīng)用
10．2 機器學習在模式識別中的應(yīng)用
10．2．1 基于Pytorch的LeNet-5手寫字符識別
10．2．2 基于TensorFlow的交通標志識別
10．2．3 基于深度學習框架MatConvNet的圖像識別
10．2．4 基于深度學習框架MatConvNet的圖像語義分割
10．3 機器學習在圖像去噪領(lǐng)域中的應(yīng)用
10．4 機器學習在目標跟蹤中的應(yīng)用
10．5 機器學習在三維重建中的應(yīng)用
10．5．1 雙目視覺
10．5．2 光場成像與重建
參考文獻