计算机 类型
可以朗读 语音朗读
250千字 字数
2010-01-01 发行日期
展开全部

主编推荐语

本书教授Python图像处理库、机器学习和深度学习实现高效算法。

内容简介

本书将使用Python工具和框架探索用于解决图像处理挑战的算法。读者将学习图像处理库（PIL、skimage、scipy）的使用方法，并能够在Python 3中快速实现复杂的图像处理算法（图像增强、过滤、分割、对象检测、分类等）。读者将使用机器学习模型以及cikit-learn和深度学习模型，探索图像绗缝、各向异性扩散、泊松图像混合等高级问题，最后学习如何通过各种算法以实现高效的图像处理。

目录

  • 版权信息
  • 版权声明
  • 内容提要
  • 作者简介
  • 审稿人简介
  • 译者简介
  • 前言
  • 第1章 图像处理入门
  • 1.1 什么是图像处理及图像处理的应用
  • 1.1.1 什么是图像以及图像是如何存储的
  • 1.1.2 什么是图像处理
  • 1.1.3 图像处理的应用
  • 1.2 图像处理流程
  • 1.3 在Python中安装不同的图像处理库
  • 1.3.1 安装pip
  • 1.3.2 在Python中安装图像处理库
  • 1.3.3 安装Anaconda发行版
  • 1.3.4 安装Jupyter笔记本
  • 1.4 使用Python进行图像输入/输出和显示
  • 1.4.1 使用PIL读取、保存和显示图像
  • 1.4.2 使用matplotlib读取、保存和显示图像
  • 1.4.3 使用scikit-image读取、保存和显示图像
  • 1.4.4 使用SciPy的misc模块读取、保存和显示图像
  • 1.5 处理不同的文件格式和图像类型，并执行基本的图像操作
  • 1.5.1 处理不同的文件格式和图像类型
  • 1.5.2 执行基本的图像操作
  • 小结
  • 习题
  • 拓展阅读
  • 第2章 采样、傅里叶变换与卷积
  • 2.1 图像形成——采样和量化
  • 2.1.1 采样
  • 2.1.2 量化
  • 2.2 离散傅里叶变换
  • 2.2.1 为什么需要DFT
  • 2.2.2 用快速傅里叶变换算法计算DFT
  • 2.3 理解卷积
  • 2.3.1 为什么需要卷积图像
  • 2.3.2 使用SciPy信号模块的convolve2d函数进行卷积
  • 2.3.3 使用SciPy中的ndimage.convolve函数进行卷积
  • 2.3.4 相关与卷积
  • 模板匹配与图像和模板之间的互相关
  • 小结
  • 习题
  • 第3章 卷积和频域滤波
  • 3.1 卷积定理和频域高斯模糊
  • 卷积定理的应用
  • 3.2 频域滤波
  • 3.2.1 什么是滤波器
  • 3.2.2 高通滤波器
  • 3.2.3 低通滤波器
  • 3.2.4 DoG带通滤波器
  • 3.2.5 带阻（陷波）滤波器
  • 3.2.6 图像复原
  • 小结
  • 习题
  • 第4章 图像增强
  • 4.1 逐点强度变换——像素变换
  • 4.1.1 对数变换
  • 4.1.2 幂律变换
  • 4.1.3 对比度拉伸
  • 4.1.4 二值化
  • 4.2 直方图处理——直方图均衡化和直方图匹配
  • 4.2.1 基于scikit-image的对比度拉伸和直方图均衡化
  • 4.2.2 直方图匹配
  • 4.3 线性噪声平滑
  • 4.3.1 PIL平滑
  • 4.3.2 基于SciPy ndimage进行盒核与高斯核平滑比较
  • 4.4 非线性噪声平滑
  • 4.4.1 PIL平滑
  • 4.4.2 scikit-image平滑（去噪）
  • 4.4.3 SciPy ndimage平滑
  • 小结
  • 习题
  • 第5章 应用导数方法实现图像增强
  • 5.1 图像导数——梯度和拉普拉斯算子
  • 5.1.1 导数与梯度
  • 5.1.2 拉普拉斯算子
  • 5.1.3 噪声对梯度计算的影响
  • 5.2 锐化和反锐化掩模
  • 5.2.1 使用拉普拉斯滤波器锐化图像
  • 5.2.2 反锐化掩模
  • 5.3 使用导数和滤波器进行边缘检测
  • 5.3.1 用偏导数计算梯度大小
  • 5.3.2 scikit-image的Sobel边缘检测器
  • 5.3.3 scikit-image的不同边缘检测器——Prewitt、Roberts、
  • 5.3.4 scikit-image的Canny边缘检测器
  • 5.3.5 LoG滤波器和DoG滤波器
  • 5.3.6 基于LoG滤波器的边缘检测
  • 5.3.7 基于PIL发现和增强边缘
  • 5.4 图像金字塔——融合图像
  • 5.4.1 scikit-image transform pyramid模块的高斯金字塔
  • 5.4.2 scikit-image transform pyramid模块的拉普拉斯金字塔
  • 5.4.3 构造高斯金字塔
  • 5.4.4 仅通过拉普拉斯金字塔重建图像
  • 5.4.5 基于金字塔的图像融合
  • 小结
  • 习题
  • 第6章 形态学图像处理
  • 6.1 基于scikit-image形态学模块的形态学图像处理
  • 6.1.1 对二值图像的操作
  • 6.1.2 利用开、闭运算实现指纹清洗
  • 6.1.3 灰度级操作
  • 6.2 基于scikit-image filter.rank模块的形态学图像处理
  • 6.2.1 形态学对比度增强
  • 6.2.2 使用中值滤波器去噪
  • 6.2.3 计算局部熵
  • 6.3 基于SciPy ndimage.morphology模块的形态学图像处理
  • 6.3.1 填充二值对象中的孔洞
  • 6.3.2 采用开、闭运算去噪
  • 6.3.3 计算形态学Beucher梯度
  • 6.3.4 计算形态学拉普拉斯
  • 小结
  • 习题
  • 第7章 图像特征提取与描述符
  • 7.1 特征检测器与描述符
  • 7.2 哈里斯角点检测器
  • 7.2.1 scikit-image包
  • 7.2.2 哈里斯角点特征在图像匹配中的应用
  • 7.3 基于LoG、DoG和DoH的斑点检测器
  • 7.3.1 高斯拉普拉斯
  • 7.3.2 高斯差分
  • 7.3.3 黑塞矩阵
  • 7.4 基于方向梯度直方图的特征提取
  • 7.4.1 计算HOG描述符的算法
  • 7.4.2 基于scikit-image计算HOG描述符
  • 7.5 尺度不变特征变换
  • 7.5.1 计算SIFT描述符的算法
  • 7.5.2 opencv和opencv-contrib的SIFT函数
  • 7.5.3 基于BRIEF、SIFT和ORB匹配图像的应用
  • 7.6 类Haar特征及其在人脸检测中的应用
  • 7.6.1 基于scikit-image的类Haar特征描述符
  • 7.6.2 基于类Haar特征的人脸检测的应用
  • 小结
  • 习题
  • 第8章 图像分割
  • 8.1 图像分割的概念
  • 8.2 霍夫变换——检测图像中的圆和线
  • 8.3 二值化和Otsu分割
  • 8.4 基于边缘/区域的图像分割
  • 8.4.1 基于边缘的图像分割
  • 8.4.2 基于区域的图像分割
  • 8.5 基于菲尔森茨瓦布高效图的分割算法、SLIC算法、快速移位图像分割算法、紧凑型分水岭算法及使用SimpleITK的区域生长算法
  • 8.5.1 基于菲尔森茨瓦布高效图的分割算法
  • 8.5.2 SLIC算法
  • 8.5.3 快速移位图像分割算法
  • 8.5.4 紧凑型分水岭算法
  • 8.5.5 使用SimpleITK的区域生长算法
  • 8.6 活动轮廓算法、形态学蛇算法和基于OpenCV的GrabCut图像分割算法
  • 8.6.1 活动轮廓算法
  • 8.6.2 形态学蛇算法
  • 8.6.3 基于OpenCV的GrabCut图像分割算法
  • 小结
  • 习题
  • 第9章 图像处理中的经典机器学习方法
  • 9.1 监督学习与无监督学习
  • 9.2 无监督机器学习——聚类、PCA和特征脸
  • 9.2.1 基于图像分割与颜色量化的k均值聚类算法
  • 9.2.2 用于图像分割的谱聚类算法
  • 9.2.3 PCA与特征脸
  • 9.3 监督机器学习——基于手写数字数据集的图像分类
  • 9.3.1 下载MNIST（手写数字）数据集
  • 9.3.2 可视化数据集
  • 9.3.3 通过训练KNN、高斯贝叶斯和SVM模型对MNIST数据集分类
  • 9.4 监督机器学习——目标检测
  • 9.4.1 使用类Haar特征的人脸检测和使用AdaBoost的级联分类器——Viola-Jones算法
  • 9.4.2 使用基于HOG特征的SVM检测目标
  • 小结
  • 习题
  • 第10章 图像处理中的深度学习——图像分类
  • 10.1 图像处理中的深度学习
  • 10.1.1 什么是深度学习
  • 10.1.2 经典学习与深度学习
  • 10.1.3 为何需要深度学习
  • 10.2 卷积神经网络
  • 卷积、池化或全连接层——CNN架构以及它是如何工作的
  • 10.3 使用TensorFlow或Keras进行图像分类
  • 10.3.1 使用TensorFlow进行图像分类
  • 10.3.2 使用Keras对密集全连接层进行分类
  • 10.3.3 使用基于Keras的卷积神经网络进行分类
  • 10.4 应用于图像分类的主流深度卷积神经网络
  • VGG-16/19
  • 小结
  • 习题
  • 第11章 图像处理中的深度学习——目标检测等
  • 11.1 YOLO v2
  • 11.1.1 对图像进行分类与定位以及目标检测
  • 11.1.2 使用卷积神经网络检测目标
  • 11.1.3 使用YOLO v2
  • 11.2 利用DeepLab v3+的深度语义分割
  • 11.2.1 语义分割
  • 11.2.2 DeepLab v3+
  • 11.3 迁移学习——什么是迁移学习以及什么时候使用迁移学习
  • 用Keras实现迁移学习
  • 11.4 使用预训练的Torch模型和cv2实现神经风格迁移
  • 11.4.1 了解NST算法
  • 11.4.2 使用迁移学习实现NST
  • 11.4.3 计算总损失
  • 11.5 使用Python和OpenCV实现神经风格迁移
  • 小结
  • 习题
  • 第12章 图像处理中的其他问题
  • 12.1 接缝雕刻
  • 12.1.1 使用接缝雕刻进行内容感知的图像大小调整
  • 12.1.2 使用接缝雕刻移除目标
  • 12.2 无缝克隆和泊松图像编辑
  • 12.3 图像修复
  • 12.4 变分图像处理
  • 12.4.1 全变分去噪
  • 12.4.2 使用全变分去噪创建平面纹理卡通图像
  • 12.5 图像绗缝
  • 12.5.1 纹理合成
  • 12.5.2 纹理迁移
  • 12.6 人脸变形
  • 小结
  • 习题
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。