作者：段先华，徐丹，陈建军编著
页数：199页
出版社：西安电子科技大学出版社
出版日期：2023
ISBN：9787560667447
电子书格式：pdf/epub/txt
内容简介
本书详细讲解了传统计算机视觉和基于深度学习的计算机视觉的一般原理和典型方法。在传统计算机视觉方面，介绍了图像几何变换、颜色变换、直方图处理、图像滤波等，并详细讲解了图像底层特征和传统分类算法。在深度学习计算机视觉方面，详细介绍了如何将卷积神经网络应用于物体分类、目标检测等任务中。最后探讨了其他深度学习网络，如循环神经网络、深度信念网络以及对抗生成网络在计算机视觉领域的最新应用。
本书特色
本书在内容设置、模块划分和形式编排方面紧密联系实际，注重学以致用，具有以下特点：
(1) 在内容设置方面，依据计算机视觉技术发展的时间线设置教学内容，详细讲解了基于底层图像特征和分类的传统计算机视觉算法，及以卷积神经网络为主的基于深度学习的计算机视觉算法。
(2) 在模块划分方面，把内容分为基础理论、案例分析及实验拓展训练三个部分。本书本着“力求简单，又不影响理解”的原则讲解计算机视觉技术的概念和原理；在案例分析部分，通过代码和实验图像让读者直观感受计算机视觉算法处理的效果，帮助其理解计算机视觉的核心内容；实验拓展以任务为驱动，以算法实现为目标，提升学生解决实际问题的能力。
(3) 在形式编排方面，在讲解相关理论知识的基础上，主要章节均设置了实验任务，提供了相应算法的Python实现代码，引导学生动手实践，帮助学生解决实际问题并掌握计算机视觉算法在相关领域的应用，培养学生的创新实践能力。
目录
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-最近邻分类器 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
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-最近邻分类器 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
