 |
-- 會員 / 註冊 --
|
 |
|
|
|
Python圖像處理經典實例 ( 簡體 字) |
| 作者：桑迪潘·戴伊（Sandipan Dey） | 類別：1. -> 程式設計 -> Python |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 56203
詢問書籍請說出此書號！【有庫存】
NT售價： 600 元 |
| 出版日：1/1/2023 |
| 頁數：296 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787115588951 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：本書提供了相關工具和算法，能幫助讀者實現分析和可視化圖像處理。本書給出了60 余個具體實例的解決方法，采用“菜譜式”方式組織內容，以期指導讀者快速實踐圖像的分析和可視化處理，應對圖像處理中的常見挑戰，并學習如何執行復雜的任務，如對象檢測、圖像分割和使用大型混合數據集的圖像重建，以及各種圖像增強和圖像恢復技術，如卡通化、梯度混合和稀疏字典學習。?本書適合計算機視覺工程師、圖像處理工程師、軟件工程師和機器學習工程師等專業人士閱讀，也適合具有一定Python編程基礎并希望進一步了解圖像處理的細節和復雜性的讀者參考。 |
目錄：第 1章 圖像處理與變換 1
1.1 技術要求 1
1.2 變換顏色空間（RGB→Lab） 2
1.2.1 準備工作 2
1.2.2 執行步驟 2
1.2.3 工作原理 4
1.2.4 更多實踐 4
1.3 應用仿射變換 4
1.3.1 準備工作 5
1.3.2 執行步驟 5
1.3.3 工作原理 6
1.3.4 更多實踐 7
1.4 應用透視變換和單應性變換 7
1.4.1 準備工作 8
1.4.2 執行步驟 8
1.4.3 工作原理 10
1.4.4 更多實踐 11
1.5 基于圖像創建鉛筆草圖 11
1.5.1 準備工作 11
1.5.2 執行步驟 11
1.5.3 工作原理 13
1.5.4 更多實踐 14
1.6 創建卡通圖像 14
1.6.1 準備工作 15
1.6.2 執行步驟 15
1.6.3 工作原理 16
1.6.4 更多實踐 17
1.7 模擬光藝術/長曝光 17
1.7.1 準備工作 17
1.7.2 執行步驟 17
1.7.3 工作原理 19
1.7.4 更多實踐 19
1.8 在HSV顏色模型中使用顏色進行目標檢測 21
1.8.1 準備工作 21
1.8.2 執行步驟 21
1.8.3 工作原理 22
第 2章 圖像增強 24
2.1 使用濾波器去除圖像中不同類型的噪聲 24
2.1.1 準備工作 24
2.1.2 執行步驟 25
2.1.3 工作原理 26
2.1.4 更多實踐 28
2.2 基于去噪自編碼器的圖像去噪 28
2.2.1 準備工作 28
2.2.2 執行步驟 28
2.2.3 工作原理 31
2.2.4 更多實踐 32
2.3 基于PCA/DFT/DWT的圖像去噪 33
2.3.1 準備工作 33
2.3.2 執行步驟 33
2.3.3 工作原理 35
2.3.4 更多實踐 36
2.4 基于各向異性擴散的圖像去噪 36
2.4.1 準備工作 36
2.4.2 執行步驟 36
2.4.3 工作原理 38
2.4.4 更多實踐 38
2.5 利用直方圖均衡化改善圖像對比度 38
2.5.1 準備工作 39
2.5.2 執行步驟 39
2.5.3 更多實踐 41
2.6 執行直方圖匹配 41
2.6.1 準備工作 41
2.6.2 執行步驟 42
2.6.3 工作原理 43
2.6.4 更多實踐 44
2.7 執行梯度融合 45
2.7.1 準備工作 45
2.7.2 執行步驟 46
2.8 基于Canny、LoG/零交叉以及小波的邊緣檢測 47
2.8.1 準備工作 47
2.8.2 執行步驟 48
2.8.3 工作原理 52
2.8.4 更多實踐 53
第3章 圖像修復 54
3.1 使用維納濾波器來修復圖像 55
3.1.1 準備工作 55
3.1.2 執行步驟 55
3.2 使用約束最小二乘法濾波器來修復圖像 58
3.2.1 準備工作 58
3.2.2 執行步驟 59
3.2.3 工作原理 62
3.2.4 更多實踐 62
3.3 使用馬爾可夫隨機場來修復圖像 63
3.3.1 準備工作 64
3.3.2 執行步驟 64
3.3.3 工作原理 66
3.4 圖像修補 67
3.4.1 準備工作 68
3.4.2 執行步驟 68
3.4.3 工作原理 68
3.4.4 更多實踐 70
3.5 基于深度學習的圖像修復 71
3.5.1 準備工作 72
3.5.2 執行步驟 72
3.5.3 更多實踐 74
3.6 基于字典學習的圖像修復 75
3.6.1 準備工作 75
3.6.2 執行步驟 75
3.6.3 更多實踐 78
3.7 使用小波進行圖像壓縮 79
3.7.1 準備工作 80
3.7.2 執行步驟 80
3.7.3 工作原理 81
3.8 使用隱寫術和隱寫分析技術 82
3.8.1 準備工作 83
3.8.2 執行步驟 83
3.8.3 工作原理 86
3.8.4 更多實踐 86
第4章 二值圖像處理 87
4.1 對二值圖像應用形態學運算 87
4.1.1 準備工作 88
4.1.2 執行步驟 88
4.1.3 工作原理 90
4.1.4 更多實踐 92
4.2 應用形態學濾波器 93
4.2.1 準備工作 94
4.2.2 執行步驟 94
4.2.3 工作原理 100
4.2.4 更多實踐 100
4.3 形態模式匹配 102
4.3.1 準備工作 102
4.3.2 執行步驟 103
4.3.3 工作原理 105
4.3.4 更多實踐 106
4.4 基于形態學的圖像分割 106
4.4.1 準備工作 107
4.4.2 執行步驟 107
4.4.3 工作原理 111
4.4.4 更多實踐 112
4.5 對象計數 113
4.5.1 準備工作 113
4.5.2 執行步驟 113
4.5.3 工作原理 115
4.5.4 更多實踐 116
第5章 圖像配準 117
5.1 基于SimpleITK模塊的醫學圖像配準 117
5.1.1 準備工作 118
5.1.2 執行步驟 118
5.1.3 工作原理 121
5.1.4 更多實踐 121
5.2 使用ECC算法進行圖像對齊和變形 123
5.2.1 準備工作 123
5.2.2 執行步驟 124
5.2.3 工作原理 126
5.2.4 更多實踐 127
5.3 使用dlib庫進行人臉對齊 127
5.3.1 準備工作 128
5.3.2 執行步驟 128
5.3.3 工作原理 130
5.3.4 更多實踐 130
5.4 RANSAC算法的魯棒匹配和單應性 132
5.4.1 準備工作 132
5.4.2 執行步驟 133
5.4.3 工作原理 134
5.5 圖像拼接（全景） 135
5.5.1 準備工作 136
5.5.2 執行步驟 136
5.5.3 工作原理 142
5.5.4 更多實踐 142
5.6 人臉變形 142
5.6.1 準備工作 143
5.6.2 執行步驟 143
5.6.3 工作原理 149
5.6.4 更多實踐 149
5.7 實現圖像搜索引擎 150
5.7.1 準備工作 150
5.7.2 執行步驟 150
5.7.3 更多實踐 158
第6章 圖像分割 159
6.1 使用Otsu和Riddler-Calvard的閾值化進行圖像分割 159
6.1.1 準備工作 160
6.1.2 執行步驟 160
6.1.3 工作原理 161
6.1.4 更多實踐 161
6.2 使用自組織映射進行圖像分割 162
6.2.1 準備工作 163
6.2.2 執行步驟 163
6.2.3 工作原理 166
6.2.4 更多實踐 166
6.3 使用scikit-image進行隨機游走圖像分割 168
6.3.1 準備工作 168
6.3.2 執行步驟 169
6.3.3 工作原理 170
6.3.4 更多實踐 171
6.4 使用GMM-EM算法進行人體皮膚的圖像分割 171
6.4.1 準備工作 172
6.4.2 執行步驟 173
6.4.3 工作原理 175
6.5 醫學圖像分割 176
6.5.1 準備工作 176
6.5.2 執行步驟 176
6.5.3 工作原理 182
6.5.4 更多實踐 183
6.6 深度語義分割 184
6.6.1 準備工作 185
6.6.2 執行步驟 185
6.7 深度實例分割 190
6.7.1 準備工作 191
6.7.2 執行步驟 192
6.7.3 工作原理 194
第7章 圖像分類 195
7.1 使用scikit-learn庫對圖像進行分類（方向梯度直方圖和邏輯回歸） 196
7.1.1 準備工作 196
7.1.2 執行步驟 197
7.1.3 工作原理 200
7.1.4 更多實踐 202
7.2 使用Gabor濾波器組對紋理進行分類 202
7.2.1 準備工作 203
7.2.2 執行步驟 203
7.2.3 工作原理 206
7.2.4 更多實踐 207
7.3 使用VGG19/Inception V3/MobileNet/ResNet101（基于PyTorch庫）
對圖像進行分類 207
7.3.1 準備工作 208
7.3.2 執行步驟 208
7.3.3 工作原理 210
7.3.4 更多實踐 212
7.4 圖像分類的微調（使用遷移學習） 212
7.4.1 準備工作 213
7.4.2 執行步驟 214
7.4.3 工作原理 217
7.4.4 更多實踐 218
7.5 使用深度學習模型對交通標志進行分類（基于PyTorch庫） 219
7.5.1 準備工作 219
7.5.2 執行步驟 219
7.5.3 工作原理 226
7.5.4 更多實踐 227
7.6 使用深度學習實現人體姿勢估計 227
7.6.1 準備工作 228
7.6.2 執行步驟 228
7.6.3 工作原理 231
第8章 圖像中的目標檢測 232
8.1 基于HOG/SVM的目標檢測 232
8.1.1 準備工作 234
8.1.2 執行步驟 234
8.1.3 工作原理 236
8.1.4 更多實踐 237
8.2 基于YOLO v3的目標檢測 237
8.2.1 準備工作 238
8.2.2 執行步驟 238
8.2.3 工作原理 241
8.2.4 更多實踐 242
8.3 基于Faster R-CNN的目標檢測 242
8.3.1 準備工作 243
8.3.2 執行步驟 243
8.3.3 工作原理 245
8.3.4 更多實踐 246
8.4 基于Mask R-CNN的目標檢測 246
8.4.1 準備工作 247
8.4.2 執行步驟 247
8.4.3 工作原理 250
8.4.4 更多實踐 250
8.5 基于Python-OpenCV的多目標跟蹤 250
8.5.1 準備工作 251
8.5.2 執行步驟 251
8.5.3 工作原理 253
8.5.4 更多實踐 253
8.6 使用EAST/Tesseract來檢測/識別圖像中的文本 253
8.6.1 準備工作 255
8.6.2 執行步驟 255
8.6.3 工作原理 257
8.7 使用 Viola-Jones/Haar特征進行人臉檢測 258
8.7.1 準備工作 258
8.7.2 執行步驟 258
8.7.3 工作原理 259
8.7.4 更多實踐 260
第9章 人臉識別、圖像描述及其他技術 261
9.1 使用FaceNet進行人臉識別 261
9.1.1 準備工作 262
9.1.2 執行步驟 263
9.1.3 工作原理 267
9.2 使用深度學習模型來識別年齡、性別和情緒 268
9.2.1 準備工作 268
9.2.2 執行步驟 269
9.2.3 更多實踐 270
9.3 使用深度學習模型進行圖像著色 270
9.3.1 準備工作 271
9.3.2 執行步驟 271
9.4 使用卷積神經網絡和長短期記憶自動生成圖像字幕 273
9.4.1 準備工作 274
9.4.2 執行步驟 274
9.4.3 工作原理 275
9.5 使用GAN生成圖像 276
9.5.1 準備工作 277
9.5.2 執行步驟 278
9.5.3 工作原理 283
9.5.4 更多實踐 284
9.6 使用變分自編碼器重建并生成圖像 284
9.6.1 準備工作 285
9.6.2 執行步驟 285
9.6.3 更多實踐 290
9.7 使用受限玻耳茲曼機重建孟加拉語MNIST圖像 291
9.7.1 準備工作 292
9.7.2 執行步驟 292 |
| 序： |
|
