123,123

內(nèi)容簡(jiǎn)介

　　本書詳細(xì)講解了29個(gè)實(shí)用的MATLAB計(jì)算機(jī)視覺與深度學(xué)習(xí)實(shí)戰(zhàn)案例（含可運(yùn)行程序），涉及圖像去霧、答題卡識(shí)別、圖像分割、肝臟影像輔助分割系統(tǒng)、人臉二維碼編解碼系統(tǒng)、英文印刷體字符識(shí)別、圖像融合、全景圖像拼接、圖像壓縮和重建、視頻處理工具、運(yùn)動(dòng)目標(biāo)檢測(cè)、路面裂縫檢測(cè)識(shí)別系統(tǒng)、車流量計(jì)數(shù)、三維網(wǎng)格模型特征點(diǎn)提取、數(shù)字水印、圖像水印、輔助自動(dòng)駕駛、汽車目標(biāo)檢測(cè)、手寫數(shù)字識(shí)別、以圖搜圖、驗(yàn)證碼識(shí)別、圖像生成、影像識(shí)別、物體識(shí)別、圖像校正、時(shí)間序列分析、交通目標(biāo)檢測(cè)、智能問答等，還講解了深度神經(jīng)網(wǎng)絡(luò)的拆分、編輯、重構(gòu)等多項(xiàng)重要技術(shù)及應(yīng)用，涵蓋了數(shù)字圖像處理中幾乎所有的基本模塊，并延伸到了深度學(xué)習(xí)的理論及應(yīng)用方面。工欲善其事，必先利其器。本書對(duì)每個(gè)數(shù)字圖像處理的知識(shí)點(diǎn)都提供了豐富、生動(dòng)的案例素材，并以MATLAB為工具詳細(xì)講解了實(shí)驗(yàn)的核心程序，涉及DeepLearning Toolbox、TensorFlow、Keras、Java等。通過對(duì)這些程序的閱讀、理解和仿真運(yùn)行，讀者可以更加深刻地理解圖像處理的相關(guān)知識(shí)，并且更加熟練地掌握計(jì)算機(jī)視覺及深度學(xué)習(xí)在不同領(lǐng)域中的應(yīng)用。本書以案例為基礎(chǔ)，結(jié)構(gòu)緊湊，內(nèi)容深入淺出，實(shí)驗(yàn)簡(jiǎn)單高效，適合高等院校計(jì)算機(jī)、通信和自動(dòng)化等相關(guān)專業(yè)的教師、本科生、研究生，以及計(jì)算機(jī)視覺工程人員閱讀和參考。

作者簡(jiǎn)介

　　——劉衍琦技術(shù)圖書主編，擁有企業(yè)、研究所、高校從業(yè)經(jīng)歷，長(zhǎng)期從事大數(shù)據(jù)和人工智能實(shí)踐應(yīng)用相關(guān)工作，主要涉及機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺和自然語言處理等領(lǐng)域。曾主持和參與多個(gè)科研項(xiàng)目，已出版十余部圖書，擁有多項(xiàng)國(guó)家專利。 ——王小超天津工業(yè)大學(xué)副教授，碩士生導(dǎo)師，大連理工大學(xué)博士，北京航空航天大學(xué)計(jì)算機(jī)學(xué)院博士后，中國(guó)計(jì)算機(jī)學(xué)會(huì)會(huì)員，天津市131創(chuàng)新型人才培養(yǎng)工程第三層次人才。研究方向?yàn)閳D形圖像處理，發(fā)表論文30多篇，主持完成國(guó)家自然科學(xué)基金項(xiàng)目1項(xiàng)。 ——詹福宇博士，畢業(yè)于西北工業(yè)大學(xué)航空學(xué)院飛行器設(shè)計(jì)專業(yè)，四川省特聘專家，自貢市“鹽都百千萬英才計(jì)劃”青年拔尖人才，現(xiàn)任中電科航空電子有限公司無人機(jī)領(lǐng)域高級(jí)技術(shù)專家，中電科特種飛機(jī)系統(tǒng)工程有限公司副總工程師。主要從事飛行器設(shè)計(jì)、導(dǎo)航飛控系統(tǒng)、智能控制系統(tǒng)等研究工作。

圖書目錄

第1章  基于圖像增強(qiáng)方法的圖像去霧技術(shù)
1.1 案例背景
1.2 空域圖像增強(qiáng)
1.3 直方圖均衡化
1.4 程序?qū)崿F(xiàn)
1.4.1 設(shè)計(jì)GUI
1.4.2 全局直方圖均衡化處理
1.4.3 限制對(duì)比度的自適應(yīng)直方圖均衡化處理
1.4.4 Retinex增強(qiáng)處理
1.4.5 方法評(píng)測(cè)
第2章  基于Hough變換的答題卡識(shí)別
2.1 案例背景
2.2 圖像二值化
2.3 傾斜校正
2.4 圖像分割
2.5 程序?qū)崿F(xiàn)
2.5.1 圖像灰度化
2.5.2 灰度圖像二值化
2.5.3 圖像平滑濾波
2.5.4 圖像校正
2.5.5 完整性核查
第3章  基于聚類算法的圖像分割
3.1 案例背景
3.2 K-means聚類算法的原理
3.3 K-means聚類算法的特點(diǎn)
3.4 K-means聚類算法的缺點(diǎn)
3.5 基于K-means聚類算法進(jìn)行圖像分割
3.6 程序?qū)崿F(xiàn)
3.6.1 數(shù)據(jù)樣本間的距離
3.6.2 提取特征向量
3.6.3 圖像聚類分割
第4章  基于區(qū)域生長(zhǎng)的肝臟影像輔助分割系統(tǒng)
4.1 案例背景
4.2 閾值分割算法
4.3 區(qū)域生長(zhǎng)算法
4.4 基于閾值預(yù)分割的區(qū)域生長(zhǎng)算法
4.5 程序?qū)崿F(xiàn)
第5章  基于主成分分析的人臉二維碼編解碼系統(tǒng)
5.1 案例背景
5.2 QR編碼簡(jiǎn)介
5.2.1 QR編碼的符號(hào)結(jié)構(gòu)
5.2.2 QR編碼的基本特性
5.2.3 QR編碼的流程
5.2.4 QR譯碼的流程
5.3 主成分分析
5.4 程序?qū)崿F(xiàn)
5.4.1 人臉建庫
5.4.2 人臉識(shí)別
5.4.3 人臉二維碼
第6章  基于特征匹配的英文印刷體字符識(shí)別
6.1 案例背景
6.2 圖像預(yù)處理
6.3 圖像識(shí)別技術(shù)
6.4 程序?qū)崿F(xiàn)
6.4.1 設(shè)計(jì)GUI
6.4.2 回調(diào)識(shí)別
第7章  基于小波變換的圖像融合
7.1 案例背景
7.2 小波變換
7.3 程序?qū)崿F(xiàn)
7.3.1 設(shè)計(jì)GUI
7.3.2 圖像載入
7.3.3 小波融合
第8章  基于塊匹配的全景圖像拼接
8.1 案例背景
8.2 圖像拼接
8.3 圖像匹配
8.4 圖像融合
8.5 程序?qū)崿F(xiàn)
8.5.1 設(shè)計(jì)GUI
8.5.2 載入圖像
8.5.3 圖像匹配
8.5.4 圖像拼接
第9章  基于主成分分析的圖像壓縮和重建
9.1 案例背景
9.2 主成分分析降維的原理
9.3 由得分矩陣重建樣本
9.4 主成分分析數(shù)據(jù)壓縮比
9.5 基于主成分分析的圖像壓縮
9.6 程序?qū)崿F(xiàn)
9.6.1 主成分分析的代碼實(shí)現(xiàn)
9.6.2 圖像與樣本間的轉(zhuǎn)換
9.6.3 基于主成分分析的圖像壓縮
第10章  基于小波變換的圖像壓縮
10.1 案例背景
10.2 圖像壓縮基礎(chǔ)
10.3 程序?qū)崿F(xiàn)
第11章  基于GUI搭建通用的視頻處理工具
11.1 案例背景
11.2 視頻解析
11.3 程序?qū)崿F(xiàn)
11.3.1 設(shè)計(jì)GUI
11.3.2 實(shí)現(xiàn)GUI
第12章  基于幀間差分法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)
12.1 案例背景
12.2 幀間差分法
12.3 背景差分法
12.4 光流法
12.5 程序?qū)崿F(xiàn)
第13章  路面裂縫檢測(cè)識(shí)別系統(tǒng)設(shè)計(jì)
13.1 案例背景
13.2 圖像灰度化
13.3 圖像濾波
13.4 圖像增強(qiáng)
13.5 圖像二值化
13.6 程序?qū)崿F(xiàn)
第14章  基于光流場(chǎng)的車流量計(jì)數(shù)
14.1 案例背景
14.2 光流法檢測(cè)運(yùn)動(dòng)物體的基本原理
14.3 光流場(chǎng)的計(jì)算方法
14.4 梯度光流場(chǎng)約束方程
14.5 Horn-Schunck算法
14.6 程序?qū)崿F(xiàn)
14.6.1 計(jì)算視覺系統(tǒng)工具箱簡(jiǎn)介
14.6.2 基于光流場(chǎng)檢測(cè)汽車運(yùn)動(dòng)
第15章  基于鄰域支持的三維網(wǎng)格模型特征點(diǎn)提取
15.1 案例背景
15.2 網(wǎng)格特征提取
15.2.1 鄰域支持
15.2.2 網(wǎng)格特征點(diǎn)提取
15.3 程序?qū)崿F(xiàn)
第16章  基于小波變換的數(shù)字水印技術(shù)
16.1 案例背景
16.2 數(shù)字水印技術(shù)原理
16.3 典型的數(shù)字水印算法
16.4 數(shù)字水印攻擊和評(píng)價(jià)
16.5 基于小波變換的水印技術(shù)
16.6 程序?qū)崿F(xiàn)
16.6.1 準(zhǔn)備宿主圖像和水印圖像
16.6.2 小波數(shù)字水印的嵌入
16.6.3 小波數(shù)字水印的檢測(cè)和提取
16.6.4 小波數(shù)字水印的攻擊實(shí)驗(yàn)
第17章  基于BEMD與Hilbert曲線的圖像水印技術(shù)
17.1 案例背景
17.2 BEMD與Hilbert曲線
17.2.1 相關(guān)工作
17.2.2 案例算法
17.3 程序?qū)崿F(xiàn)
17.3.1 實(shí)驗(yàn)結(jié)果與分析
17.3.2 核心程
第18章  基于計(jì)算機(jī)視覺的輔助自動(dòng)駕駛
18.1 案例背景
18.2 環(huán)境感知
18.3 行為決策
18.4 路徑規(guī)劃
18.5 運(yùn)動(dòng)控制
18.6 程序?qū)崿F(xiàn)
18.6.1 傳感器數(shù)據(jù)載入
18.6.2 創(chuàng)建追蹤器
18.6.3 碰撞預(yù)警
第19章  基于深度學(xué)習(xí)的汽車目標(biāo)檢測(cè)
19.1 案例背景
19.2 基本架構(gòu)
19.3 卷積層
19.4 池化層
19.5 程序?qū)崿F(xiàn)
19.5.1 加載數(shù)據(jù)
19.5.2 構(gòu)建CNN
19.5.3 訓(xùn)練CNN
19.5.4 評(píng)估訓(xùn)練效果
第20章  基于深度學(xué)習(xí)的手寫數(shù)字識(shí)別
20.1 案例背景
20.2 卷積核
20.3 特征圖
20.4 池化降維
20.5 模型定義
20.6 MATLAB實(shí)現(xiàn)
20.6.1 解析數(shù)據(jù)集
20.6.2 構(gòu)建網(wǎng)絡(luò)模型
20.6.3 構(gòu)建識(shí)別平臺(tái)
20.7 Python實(shí)現(xiàn)
20.7.1 數(shù)據(jù)拆分
20.7.2 訓(xùn)練網(wǎng)絡(luò)
20.7.3 網(wǎng)絡(luò)測(cè)試
20.7.4 集成應(yīng)用
第21章  基于深度學(xué)習(xí)的以圖搜圖
21.1 案例背景
21.2 選擇模型
21.2.1 AlexNet
21.2.2 VGGNet
21.2.3 GoogLeNet
21.3 深度特征
21.4 程序?qū)崿F(xiàn)
21.4.1 構(gòu)建深度索引
21.4.2 構(gòu)建搜索引擎
21.4.3 構(gòu)建搜索平臺(tái)
第22章  基于深度學(xué)習(xí)的驗(yàn)證碼識(shí)別
22.1 案例背景
22.2 生成驗(yàn)證碼數(shù)據(jù)
22.3 驗(yàn)證碼CNN識(shí)別
22.4 程序?qū)崿F(xiàn)
22.4.1 驗(yàn)證碼樣本數(shù)據(jù)集標(biāo)注
22.4.2 驗(yàn)證碼樣本數(shù)據(jù)集分割
22.4.3 訓(xùn)練驗(yàn)證碼識(shí)別模型
22.4.4 測(cè)試驗(yàn)證碼識(shí)別模型
第23章  基于生成對(duì)抗網(wǎng)絡(luò)的圖像生成
23.1 案例背景
23.2 選擇生成對(duì)抗數(shù)據(jù)
23.3 設(shè)計(jì)生成對(duì)抗網(wǎng)絡(luò)
23.4 程序?qū)崿F(xiàn)
23.4.1 訓(xùn)練生成對(duì)抗模型
23.4.2 測(cè)試生成對(duì)抗模型
23.4.3 構(gòu)建生成對(duì)抗平臺(tái)
第24章  基于深度學(xué)習(xí)的影像識(shí)別
24.1 案例背景
24.2 選擇肺部影像數(shù)據(jù)集
24.3 編輯CNN遷移模型
24.4 程序?qū)崿F(xiàn)
24.4.1 訓(xùn)練CNN遷移模型
24.4.2 測(cè)試CNN遷移模型
24.4.3 融合CNN遷移模型
24.4.4 構(gòu)建CNN識(shí)別平臺(tái)

第25章  基于CNN的物體識(shí)別
25.1 案例背景
25.2 CIFAR-10數(shù)據(jù)集
25.3 VGGNet
25.4 ResNet
25.5 程序?qū)崿F(xiàn)
第26章  基于CNN的圖像校正
26.1 案例背景
26.2 傾斜數(shù)據(jù)集
26.3 自定義CNN回歸網(wǎng)絡(luò)
26.4 AlexNet回歸網(wǎng)絡(luò)
26.5 程序?qū)崿F(xiàn)
第27章  基于LSTM的時(shí)間序列分析
27.1 案例背景
27.2 厄爾尼諾-南方濤動(dòng)指數(shù)數(shù)據(jù)
27.3 樣條分析
27.4 用MATLAB實(shí)現(xiàn)LSTM預(yù)測(cè)
27.5 用Python實(shí)現(xiàn)LSTM預(yù)測(cè)
第28章  基于YOLO的交通目標(biāo)檢測(cè)
28.1 案例背景
28.2 車輛YOLO檢測(cè)
28.3 交通標(biāo)志YOLO檢測(cè)
第29章  基于ChatGPT的智能問答
29.1 案例背景
29.2 網(wǎng)絡(luò)URL訪問
29.3 ChatGPT接口說明
29.4 構(gòu)建智能問答應(yīng)用