計算機視覺與深度學(xué)習(xí)實戰(zhàn)：以MATLAB、Python為工具

第1章基于直方圖優(yōu)化的圖像去霧技術(shù)1

\n

1.1案例背景1

\n

1.2理論基礎(chǔ)1

\n

1.2.1空域圖像增強1

\n

1.2.2直方圖均衡化2

\n

1.3程序?qū)崿F(xiàn)3

\n

1.3.1設(shè)計GUI界面4

\n

1.3.2全局直方圖處理4

\n

1.3.3局部直方圖處理6

\n

1.3.4Retinex增強處理8

\n

1.4延伸閱讀12

\n

\n

第2章基于形態(tài)學(xué)的權(quán)重自適應(yīng)圖像去噪13

\n

2.1案例背景13

\n

2.2理論基礎(chǔ)14

\n

2.2.1圖像去噪的方法14

\n

2.2.2數(shù)學(xué)形態(tài)學(xué)的原理15

\n

2.2.3權(quán)重自適應(yīng)的多結(jié)構(gòu)形態(tài)學(xué)去噪15

\n

2.3程序?qū)崿F(xiàn)16

\n

2.4延伸閱讀22

\n

\n

第3章基于多尺度形態(tài)學(xué)提取眼前節(jié)組織24

\n

3.1案例背景24

\n

3.2理論基礎(chǔ)25

\n

3.3程序?qū)崿F(xiàn)28

\n

3.3.1多尺度結(jié)構(gòu)設(shè)計28

\n

3.3.2多尺度邊緣提取29

\n

3.3.3多尺度邊緣融合31

\n

3.4延伸閱讀33

\n

\n

第4章基于Hough變化的答題卡識別34

\n

4.1案例背景34

\n

4.2理論基礎(chǔ)34

\n

4.2.1圖像二值化35

\n

4.2.2傾斜校正35

\n

4.2.3圖像分割38

\n

4.3程序?qū)崿F(xiàn)40

\n

4.3.1圖像灰度化40

\n

4.3.2灰度圖像二值化41

\n

4.3.3圖像平滑濾波41

\n

4.3.4圖像矯正41

\n

4.3.5完整性核查42

\n

4.4延伸閱讀51

\n

\n

第5章基于閾值分割的車牌定位識別53

\n

5.1案例背景53

\n

5.2理論基礎(chǔ)53

\n

5.2.1車牌圖像處理54

\n

5.2.2車牌定位原理58

\n

5.2.3車牌字符處理58

\n

5.2.4車牌字符識別60

\n

5.3程序?qū)崿F(xiàn)62

\n

5.4延伸閱讀69

\n

\n

第6章基于分水嶺分割進行肺癌診斷71

\n

6.1案例背景71

\n

6.2理論基礎(chǔ)71

\n

6.2.1模擬浸水的過程72

\n

6.2.2模擬降水的過程72

\n

6.2.3過度分割問題72

\n

6.2.4標(biāo)記分水嶺分割算法72

\n

6.3程序?qū)崿F(xiàn)73

\n

6.4延伸閱讀77

\n

\n

第7章基于主成分分析的人臉二維碼識別79

\n

7.1案例背景79

\n

7.2理論基礎(chǔ)79

\n

7.2.1QR二維碼簡介80

\n

7.2.2QR二維碼的編碼和譯碼流程82

\n

7.2.3主成分分析方法84

\n

7.3程序?qū)崿F(xiàn)85

\n

7.3.1人臉建庫85

\n

7.3.2人臉識別87

\n

7.3.3人臉二維碼87

\n

7.4延伸閱讀92

\n

\n

第8章基于知識庫的手寫體數(shù)字識別94

\n

8.1案例背景94

\n

8.2理論基礎(chǔ)94

\n

8.2.1算法流程94

\n

8.2.2特征提取95

\n

8.2.3模式識別96

\n

8.3程序?qū)崿F(xiàn)97

\n

8.3.1圖像處理97

\n

8.3.2特征提取98

\n

8.3.3模式識別101

\n

8.4延伸閱讀102

\n

8.4.1識別器選擇102

\n

8.4.2特征庫改善102

\n

\n

第9章基于特征匹配的英文印刷字符識別103

\n

9.1案例背景103

\n

9.2理論基礎(chǔ)104

\n

9.2.1圖像預(yù)處理104

\n

9.2.2圖像識別技術(shù)105

\n

9.3程序?qū)崿F(xiàn)106

\n

9.3.1界面設(shè)計106

\n

9.3.2回調(diào)識別111

\n

9.4延伸閱讀112

\n

\n

第10章基于不變矩的數(shù)字驗證碼識別113

\n

10.1案例背景113

\n

10.2理論基礎(chǔ)114

\n

10.3程序?qū)崿F(xiàn)114

\n

10.3.1設(shè)計GUI界面114

\n

10.3.2載入驗證碼圖像115

\n

10.3.3驗證碼圖像去噪116

\n

10.3.4驗證碼數(shù)字定位118

\n

10.3.5驗證碼歸一化120

\n

10.3.6驗證碼數(shù)字識別121

\n

10.3.7手動確認(rèn)并入庫124

\n

10.3.8重新生成模板庫125

\n

10.4延伸閱讀128

\n

\n

第11章基于小波技術(shù)進行圖像融合129

\n

11.1案例背景129

\n

11.2理論基礎(chǔ)130

\n

11.3程序?qū)崿F(xiàn)132

\n

11.3.1設(shè)計GUI界面132

\n

11.3.2圖像載入133

\n

11.3.3小波融合135

\n

11.4延伸閱讀137

\n

\n

第12章基于塊匹配的全景圖像拼接138

\n

12.1案例背景138

\n

12.2理論基礎(chǔ)138

\n

12.2.1圖像匹配139

\n

12.2.2圖像融合141

\n

12.3程序?qū)崿F(xiàn)142

\n

12.3.1設(shè)計GUI界面142

\n

12.3.2載入圖片143

\n

12.3.3圖像匹配144

\n

12.3.4圖像拼接148

\n

12.4延伸閱讀153

\n

\n

第13章基于霍夫曼圖像編碼的圖像壓縮和重建155

\n

13.1案例背景155

\n

13.2理論基礎(chǔ)155

\n

13.2.1霍夫曼編碼的步驟156

\n

13.2.2霍夫曼編碼的特點157

\n

13.3程序?qū)崿F(xiàn)158

\n

13.3.1設(shè)計GUI界面158

\n

13.3.2壓縮和重建159

\n

13.3.3效果對比164

\n

13.4延伸閱讀167

\n

\n

第14章基于主成分分析的圖像壓縮和重建168

\n

14.1案例背景168

\n

14.2理論基礎(chǔ)168

\n

14.2.1主成分降維分析原理168

\n

14.2.2由得分矩陣重建樣本169

\n

14.2.3主成分分析數(shù)據(jù)壓縮比170

\n

14.2.4基于主成分分析的圖像壓縮170

\n

14.3程序?qū)崿F(xiàn)171

\n

14.3.1主成分分析的源代碼171

\n

14.3.2圖像數(shù)組和樣本矩陣之間的轉(zhuǎn)換172

\n

14.3.3基于主成分分析的圖像壓縮173

\n

14.4延伸閱讀176

\n

\n

第15章基于小波的圖像壓縮技術(shù)177

\n

15.1案例背景177

\n

15.2理論基礎(chǔ)178

\n

15.3程序?qū)崿F(xiàn)180

\n

15.4延伸閱讀188

\n

\n

第16章基于融合特征的以圖搜圖技術(shù)189

\n

16.1案例背景189

\n

16.2理論基礎(chǔ)189

\n

16.3程序?qū)崿F(xiàn)191

\n

16.3.1圖像預(yù)處理191

\n

16.3.2計算特征191

\n

16.3.3圖像檢索194

\n

16.3.4結(jié)果分析194

\n

16.4延伸閱讀196

\n

\n

第17章基于Harris的角點特征檢測198

\n

17.1案例背景198

\n

17.2理論基礎(chǔ)199

\n

17.2.1Harris的基本原理199

\n

17.2.2Harris算法的流程201

\n

17.2.3Harris角點的性質(zhì)201

\n

17.3程序?qū)崿F(xiàn)202

\n

17.3.1Harris算法的代碼202

\n

17.3.2角點檢測實例204

\n

17.4延伸閱讀205

\n

\n

第18章基于GUI搭建通用視頻處理工具206

\n

18.1案例背景206

\n

18.2理論基礎(chǔ)206

\n

18.3程序?qū)崿F(xiàn)208

\n

18.3.1設(shè)計GUI界面208

\n

18.3.2實現(xiàn)GUI界面209

\n

18.4延伸閱讀220

\n

\n

第19章基于語音識別的信號燈圖像

\n

模擬控制技術(shù)221

\n

19.1案例背景221

\n

19.2理論基礎(chǔ)221

\n

19.3程序?qū)崿F(xiàn)223

\n

19.4延伸閱讀232

\n

\n

第20章基于幀間差法進行視頻目標(biāo)檢測234

\n

20.1案例背景234

\n

20.2理論基礎(chǔ)234

\n

20.2.1幀間差分法235

\n

20.2.2背景差分法236

\n

20.2.3光流法236

\n

20.3程序?qū)崿F(xiàn)237

\n

20.4延伸閱讀24

\n

\n

第21章路面裂縫檢測系統(tǒng)設(shè)計247

\n

21.1案例背景247

\n

21.2理論基礎(chǔ)247

\n

21.2.1圖像灰度化248

\n

21.2.2圖像濾波250

\n

21.2.3圖像增強252

\n

21.2.4圖像二值化253

\n

21.3程序?qū)崿F(xiàn)255

\n

21.4延伸閱讀267

\n

\n

第22章基于K-means聚類算法的圖像分割268

\n

22.1案例背景268

\n

22.2理論基礎(chǔ)268

\n

22.2.1K-means聚類算法的原理268

\n

22.2.2K-means聚類算法的要點269

\n

22.2.3K-means聚類算法的缺點270

\n

22.2.4基于K-means聚類算法進行圖像分割270

\n

22.3程序?qū)崿F(xiàn)271

\n

22.3.1樣本間的距離271

\n

22.3.2提取特征向量272

\n

22.3.3圖像聚類分割273

\n

22.4延伸閱讀275

\n

\n

第23章基于光流場的車流量計數(shù)應(yīng)用276

\n

23.1案例背景276

\n

23.2理論基礎(chǔ)276

\n

23.2.1基于光流法檢測運動的原理276

\n

23.2.2光流場的主要計算方法277

\n

23.2.3梯度光流場約束方程278

\n

23.2.4Horn-Schunck光流算法280

\n

23.3程序?qū)崿F(xiàn)281

\n

23.3.1計算視覺系統(tǒng)工具箱簡介281

\n

23.3.2基于光流法檢測汽車運動282

\n

23.4延伸閱讀287

\n

\n

第24章基于Simulink進行圖像和視頻處理289

\n

24.1案例背景289

\n

24.2模塊介紹289

\n

24.2.1分析和增強模塊庫（Analysis和Enhancement）290

\n

24.2.2轉(zhuǎn)化模塊庫（Conversions）291

\n

24.2.3濾波模塊庫（Filtering）292

\n

24.2.4幾何變換模塊庫（GeometricTransformations）292

\n

24.2.5形態(tài)學(xué)操作模塊庫（MorphologicalOperations）292

\n

24.2.6輸入模塊庫（Sources）293

\n

24.2.7輸出模塊庫（Sinks）293

\n

24.2.8統(tǒng)計模塊庫（Statistics）294

\n

24.2.9文本和圖形模塊庫（Text和Graphic）295

\n

24.2.10變換模塊庫（Transforms）295

\n

24.2.11其他工具模塊庫（Utilities）295

\n

24.3仿真案例296

\n

24.3.1搭建組織模型296

\n

24.3.2仿真執(zhí)行模型298

\n

24.3.3自動生成報告299

\n

24.4延伸閱讀302

\n

\n

第25章基于小波變換的數(shù)字水印技術(shù)304

\n

25.1案例背景304

\n

25.2理論基礎(chǔ)304

\n

25.2.1數(shù)字水印技術(shù)的原理305

\n

25.2.2典型的數(shù)字水印算法307

\n

25.2.3數(shù)字水印攻擊和評價309

\n

25.2.4基于小波的水印技術(shù)310

\n

25.3程序?qū)崿F(xiàn)312

\n

25.3.1準(zhǔn)備載體和水印圖像312

\n

25.3.2小波數(shù)字水印的嵌入313

\n

25.3.3小波數(shù)字水印的提取317

\n

25.3.4小波水印的攻擊試驗319

\n

25.4延伸閱讀323

\n

\n

第26章基于最小誤差法的胸片分割技術(shù)325

\n

26.1案例背景325

\n

26.2理論基礎(chǔ)325

\n

26.2.1圖像增強326

\n

26.2.2區(qū)域選擇326

\n

26.2.3形態(tài)學(xué)濾波327

\n

26.2.4基于最小誤差法進行胸片分割328

\n

26.3程序?qū)崿F(xiàn)329

\n

26.3.1設(shè)計GUI界面329

\n

26.3.2圖像預(yù)處理330

\n

26.3.3基于最小誤差法進行圖像分割333

\n

26.3.4形態(tài)學(xué)后處理335

\n

26.4延伸閱讀338

\n

\n

第27章基于區(qū)域生長的肝臟影像分割系統(tǒng)339

\n

27.1案例背景339

\n

27.2理論基礎(chǔ)340

\n

27.2.1閾值分割340

\n

27.2.2區(qū)域生長340

\n

27.2.3基于閾值預(yù)分割的區(qū)域生長341

\n

27.3程序?qū)崿F(xiàn)342

\n

27.4延伸閱讀346

\n

\n

第28章基于計算機視覺的自動駕駛應(yīng)用347

\n

28.1案例背景347

\n

28.2理論基礎(chǔ)348

\n

28.2.1環(huán)境感知348

\n

28.2.2行為決策348

\n

28.2.3路徑規(guī)劃349

\n

28.2.4運動控制349

\n

28.3程序?qū)崿F(xiàn)349

\n

28.3.1傳感器數(shù)據(jù)載入349

\n

28.3.2追蹤器創(chuàng)建351

\n

28.3.3碰撞預(yù)警353

\n

28.4延伸閱讀358

\n

\n

第29章基于深度學(xué)習(xí)的汽車目標(biāo)檢測359

\n

29.1案例背景359

\n

29.2理論基礎(chǔ)360

\n

29.2.1基本架構(gòu)360

\n

29.2.2卷積層360

\n

29.2.3池化層362

\n

29.3程序?qū)崿F(xiàn)362

\n

29.3.1加載數(shù)據(jù)362

\n

29.3.2構(gòu)建CNN364

\n

29.3.3訓(xùn)練CNN365

\n

29.3.4評估訓(xùn)練效果367

\n

29.4延伸閱讀368

\n

\n

第30章基于深度學(xué)習(xí)的視覺場景

\n

識別370

\n

30.1案例背景370

\n

30.2理論基礎(chǔ)371

\n

30.3程序?qū)崿F(xiàn)371

\n

30.3.1環(huán)境配置372

\n

30.3.2數(shù)據(jù)集制作373

\n

30.3.3網(wǎng)絡(luò)訓(xùn)練375

\n

30.3.4網(wǎng)絡(luò)測試381

\n

30.4延伸閱讀383

\n

\n

第31章深度學(xué)習(xí)綜合應(yīng)用385

\n

31.1應(yīng)用背景385

\n

31.2理論基礎(chǔ)387

\n

31.2.1分類識別387

\n

31.2.2目標(biāo)檢測391

\n

31.3案例實現(xiàn)1：基于CNN的數(shù)字識別395

\n

31.3.1自定義CNN397

\n

31.3.2AlexNet399

\n

31.3.3基于MATLAB進行實驗設(shè)計405

\n

31.3.4基于TensorFlow進行實驗設(shè)計413

\n

31.3.5實驗小結(jié)418

\n

31.4案例實現(xiàn)2：基于CNN的物體識別418

\n

31.4.1CIFAR-10數(shù)據(jù)集418

\n

31.4.2VggNet421

\n

31.4.3ResNet422

\n

31.4.4實驗設(shè)計424

\n

31.4.5實驗小結(jié)432

\n

31.5案例實現(xiàn)3：基于CNN的圖像矯正432

\n

31.5.1傾斜數(shù)據(jù)集432

\n

31.5.2自定義CNN回歸網(wǎng)絡(luò)434

\n

31.5.3AlexNet回歸網(wǎng)絡(luò)436

\n

31.5.4實驗設(shè)計437

\n

31.5.5實驗小結(jié)445

\n

31.6案例實現(xiàn)4：基于LSTM的時間序列分析445

\n

31.6.1厄爾尼諾南方濤動指數(shù)數(shù)據(jù)446

\n

31.6.2樣條擬合分析446

\n

31.6.3基于MATLAB進行LSTM分析448

\n

31.6.4基于Keras進行LSTM分析451

\n

31.6.5實驗小結(jié)455

\n

31.7案例實現(xiàn)5：基于深度學(xué)習(xí)的以圖搜圖技術(shù)455

\n

31.7.1人臉的深度特征455

\n

31.7.2AlexNet的特征460

\n

31.7.3GoogleNet的特征461

\n

31.7.4深度特征融合計算462

\n

31.7.5實驗設(shè)計462

\n

31.7.6實驗小結(jié)467

\n

31.8案例實現(xiàn)6：基于YOLO的交通目標(biāo)檢測應(yīng)用467

\n

31.8.1車輛目標(biāo)的YOLO檢測468

\n

31.8.2交通標(biāo)志的YOLO檢測475

\n

31.9延伸閱讀481

\n