计算机视觉

第1章 计算机视觉概述 1 1.1 计算机视觉的研究目标及相关历史 2 1.2 计算机视觉的发展 3 1.3 计算机视觉的任务 4 1.4 计算机视觉与其他学科的联系 6 本章小结 6 课后习题 7 第2章 Python与OpenCV运行环境 8 2.1 Anaconda 8 2.2 编译器 12 2.3 OpenCV视觉库 13 2.3.1 OpenCV功能模块 13 2.3.2 OpenCV基本数据结构 14 2.3.3 OpenCV图像基本操作 15 本章小结 25 课后习题 25 第3章 图像预处理 27 3.1 直方图修正 27 3.1.1 灰度直方图 27 3.1.2 直方图均衡化 28 3.1.3 直方图规定化 31 3.2 空域滤波 34 3.2.1 空域平滑滤波器 35 3.2.2 空域锐化滤波器 39 3.3 频域滤波 44 3.3.1 频域平滑滤波器 46 3.3.2 频域锐化滤波器 49 本章小结 50 课后习题 50 第4章 图像特征提取 52 4.1 HOG特征 52 4.2 SIFT特征 55 4.3 哈希(Hash)特征 65 4.3.1 平均哈希算法 65 4.3.2 感知哈希算法 68 4.3.3 差异哈希算法 69 本章小结 72 课后习题 72 第5章 图像分类 73 5.1 k-*近邻分类器 75 5.2 朴素贝叶斯分类器 76 5.2.1 朴素贝叶斯分类法 78 5.2.2 朴素贝叶斯分类法实例 79 5.3 SVM分类器 81 5.3.1 SVM算法原理 81 5.3.2 多类SVM损失函数 91 5.3.3 Softmax分类器 95 5.4 分类器预测结果评估 96 本章小结 97 课后习题 97 第6章 神经网络基础 98 6.1 神经网络基本概念 98 6.2 激活函数 99 6.3 神经网络设计 102 6.4 损失函数 103 6.5 梯度下降 104 6.6 神经网络反向传播 107 6.6.1 链式法则和反向传播 107 6.6.2 信号前向传播和误差反向传播 109 6.6.3 神经网络训练 110 本章小结 111 课后习题 111 第7章 卷积神经网络的基本概念 112 7.1 卷积层 112 7.2 池化层 114 7.3 激活层 115 7.4 全连接层 115 7.5 卷积神经网络示例 116 7.6 卷积的有效性 117 本章小结 120 课后习题 120 第8章 目标检测 121 8.1 目标检测的发展历程 121 8.1.1 传统目标检测算法 122 8.1.2 基于深度学习的目标检测算法 122 8.2 候选区域提取 122 8.2.1 滑动窗口法 122 8.2.2 选择性搜索法 125 8.3 目标定位和分类 125 8.4 两阶段目标检测算法 126 8.4.1 RCNN算法 126 8.4.2 Fast RCNN算法 129 8.4.3 Faster RCNN算法 131 8.5 一阶段目标检测算法 133 8.5.1 YOLO算法 133 8.5.2 SSD算法 136 8.6 采用YOLO算法进行目标检测的实例 139 本章小结 144 课后习题 144 第9章 其他深度学习网络 146 9.1 循环神经网络 146 9.1.1 基本概念 146 9.1.2 双向循环神经网络 148 9.1.3 LSTM网络 148 9.1.4 LSTM网络模型训练 152 9.2 深度信念网络 152 9.2.1 受限玻尔兹曼机 152 9.2.2 构建深度信念网络 154 9.3 生成对抗网络 155 9.3.1 基本概念 155 9.3.2 生成对抗网络模型 155 9.3.3 训练过程 156 9.3.4 目标函数 157 9.3.5 生成对抗网络的应用 158 本章小结 159 课后习题 159 第10章 人脸表情识别研究 160 10.1 人脸表情识别的发展历史 160 10.2 人脸表情识别的主要方法 162 10.3 人脸表情识别的实现过程 163 10.4 人脸表情识别的算法实现 164 10.5 人脸表情识别的评价指标 172 10.6 人脸表情识别的挑战 173 本章小结 173 第11章 计算机视觉实验 174 11.1 图像基础变换 174 11.2 图像空域滤波 175 11.3 边缘检测 176 11.4 特征提取 178 11.5 传统图像分类 185 11.6 神经网络分类 190 11.7 卷积神经网络分类 192 11.8 YOLO目标检测 194 本章小结 195 参考文献 196