上篇 理論算法 1
第1章 基礎知識 2
1.1 圖像與顏色 2
1.1.1 彩色圖像 2
1.1.2 灰度圖像 3
1.1.3 顏色變換 3
1.2 機器視覺 4
1.2.1 機器視覺構成 4
1.2.2 數(shù)字圖像處理 6
1.3 深度學習 9
1.3.1 基本概念 9
1.3.2 基本思想 10
1.3.3 深度學習常用方法 10

第2章 目標提取 21
2.1 灰度目標 21
2.1.1 閾值分割 21
2.1.2 自動二值化處理 22
2.2 彩色圖像 24
2.2.1 果樹上紅色桃子的提取 24
2.2.2 綠色麥苗的提取 26
2.3 運動圖像 27
2.3.1 幀間差分 27
2.3.2 背景差分 27
2.4 C 語言實現(xiàn) 28
2.4.1 二值化處理 28
2.4.2 雙閾值二值化處理 29
2.4.3 直方圖 30
2.4.4 直方圖平滑化 31
2.4.5 大津法二值化處理 31

第3章 邊緣檢測 34
3.1 圖像邊緣 34
3.2 微分處理 35
3.2.1 一階微分 35
3.2.2 二階微分 36
3.3 模板匹配 37
3.4 C 語言實現(xiàn) 39
3.4.1 一階微分邊緣檢測 39
3.4.2 二階微分邊緣檢測 40
3.4.3 Prewitt 算子邊緣檢測 41
3.4.4 二值圖像的細線化處理 43

第4章 去噪聲處理 46
4.1 移動平均 46
4.2 中值濾波 47
4.3 二值圖像去噪聲 49
4.4 C 語言實現(xiàn) 50
4.4.1 移動平均法 50
4.4.2 中值濾波 51
4.4.3 腐蝕處理 52
4.4.4 膨脹處理 53

第5章 幾何參數(shù)檢測 55
5.1 圖像的幾何參數(shù) 55
5.2 區(qū)域標記 58
5.3 幾何參數(shù)檢測與提取 59
5.4 C 語言實現(xiàn) 60
5.4.1 區(qū)域標記 60
5.4.2 計算圖像特征參數(shù) 62
5.4.3 根據(jù)圓形度抽出物體 66
5.4.4 復制掩模領域的原始圖像 67
5.4.5 根據(jù)面積提取對象物 67

第6章 直線檢測 69
6.1 傳統(tǒng) Hough 變換的直線檢測 69
6.2 最小二乘法的直線檢測 71
6.3 C 語言實現(xiàn) 72
6.3.1 傳統(tǒng) Hough 變換的直線檢測 72
6.3.2 最小二乘法的直線檢測 74

第7章 深度學習框架介紹 77
7.1 TensorFlow 78
7.1.1 TensorFlow 的優(yōu)勢 78
7.1.2 TensorFlow 應用場景 79
7.1.3 TensorFlow 開發(fā)環(huán)境安裝 79
7.2 Keras 80
7.2.1 Keras 的優(yōu)勢 81
7.2.2 Keras 應用 81
7.2.3 Keras 與 TensorFlow2 的關系 81
7.2.4 Keras 的安裝 82
7.3 PyTorch 82
7.3.1 PyTorch 的優(yōu)勢 82
7.3.2 PyTorch 的典型應用 83
7.3.3 PyTorch 和 TensorFlow 的比較 83
7.3.4 PyTorch 的安裝 84
7.4 其他深度學習框架 85
7.4.1 Caffe 85
7.4.2 MXNet 85
7.4.3 CNTK 86
7.4.4 Theano 86
7.4.5 Darknet 87
7.4.6 PaddlePaddle 87

下篇 編移環(huán)境及系統(tǒng)搭建 89
第8章 平臺軟件 90
8.1 OpenCV 90
8.1.1 基本功能介紹 90
8.1.2 獲取與安裝 91
8.2 VC++ 92
8.2.1 基本功能介紹 92
8.2.2 獲取與安裝 93
8.3 Python 95
8.3.1 基本功能介紹 95
8.3.2 獲取與安裝 95

第9章 VC++圖像處理工程 98
9.1 工程創(chuàng)建 98
9.1.1 啟動 Visual Studio 2010 98
9.1.2 創(chuàng)建新建工程 99
9.2 系統(tǒng)設置 115
9.3 編譯執(zhí)行 117

第10章 Python 圖像處理系統(tǒng) 119
10.1 工程創(chuàng)建 119
10.2 系統(tǒng)設置 121
10.3 編譯執(zhí)行 127

第11章 TensorFlow 深度學習工程 134
11.1 框架獲得 134
11.2 安裝設置 134
11.3 案例 135
11.3.1 數(shù)據(jù)準備 135
11.3.2 訓練模型 137
11.3.3 驗證準確率 139
11.3.4 導出模型并對圖片分類 139

第12章 Keras 深度學習工程 142
12.1 框架獲得 142
12.2 安裝設置步驟 143
12.3 工程創(chuàng)建 146
12.4 編譯、訓練、評估與部署 148

第13章 PyTorch 深度學習工程 152
13.1 框架獲得 152
13.2 安裝設置 153
13.2.1 CPU 版本安裝 153
13.2.2 GPU 版本安裝 153
13.3 工程創(chuàng)建 155
13.4 訓練、評估與部署 157
13.4.1 訓練 157
13.4.2 評估 158
13.4.3 部署 159

第14章 Caffe 深度學習工程 166
14.1 安裝環(huán)境和依賴項獲得 166
14.2 框架的獲取 167
14.3 編譯 Caffe 及其與 Python 的接口 167
14.3.1 OpenCV 的安裝 167
14.3.2 Caffe 編譯 170
14.4 目標分類測試 181
14.4.1 數(shù)據(jù)集準備 181
14.4.2 訓練模型 186
14.4.3 用訓練好的模型對數(shù)據(jù)進行預測 188

第15章 MXNet 深度學習工程 190
15.1 框架獲取及環(huán)境設置 190
15.1.1 環(huán)境準備 190
15.1.2 利用 Anaconda 創(chuàng)建運行環(huán)境 191
15.2 基于笑臉目標檢測的 MXNet 框架測試 192
15.2.1 創(chuàng)建訓練數(shù)據(jù)集 192
15.2.2 訓練模型 197
15.2.3 測試模型 200

第16章 CNTK 深度學習工程 202
16.1 框架的獲取 202
16.2 編譯 202
16.2.1 CPU 版本編譯 202
16.2.2 基于 Linux 系統(tǒng)的 GPU 版本編譯 206
16.3 CNTK 測試 208
16.3.1 創(chuàng)建數(shù)據(jù)集 208
16.3.2 模型訓練 211
16.3.3 模型測試 213

第17章 Theano 深度學習工程 216
17.1 框架獲得 216
17.2 安裝設置 217
17.3 工程創(chuàng)建 220
17.4 編譯、訓練、評估與部署 222

第18章 YoloV4 深度學習工程 226
18.1 框架的獲取 226
18.2 框架源碼編譯及環(huán)境設置 226
18.2.1 CPU 版本編譯 226
18.2.2 GPU 版本編譯 227
18.2.3 Darknet 測試 230
18.3 創(chuàng)建 Yolo 訓練數(shù)據(jù)集 231
18.4 訓練 YoloV4 模型 235
18.5 測試 YoloV4 模型 237

第19章 PaddlePaddle 深度學習工程 238
19.1 框架獲得 240
19.2 安裝設置 240
19.3 工程創(chuàng)建、編譯、訓練、評估與測試 243
19.4 基于高層 API 的任務快速實現(xiàn) 261

參考文獻 263