計算機視覺核心技術演算法與開發實戰
王麗
- 出版商: 中國鐵道
- 出版日期: 2024-06-01
- 售價: $479
- 貴賓價: 9.5 折 $455
- 語言: 簡體中文
- 頁數: 270
- 裝訂: 平裝
- ISBN: 7113311520
- ISBN-13: 9787113311520
-
相關分類:
Algorithms-data-structures、Computer Vision
立即出貨
買這商品的人也買了...
-
$458直擊招聘 : 程序員面試筆試數據結構深度解析 -
低功耗藍牙智能硬件開發實戰$594$564 -
$387Qt 5/PyQt 5 實戰指南 — 手把手教你掌握 100個精彩案例 -
$602嵌入式 C語言自我修養 — 從芯片、編譯器到操作系統 -
現代 C++ 語言核心特性解析$719$683 -
空中機器人$479$455 -
深度神經網絡 FPGA 設計與實現$210$200 -
C++20 高級編程$654$621 -
$759Android Studio 開發實戰：從零基礎到 App 上線, 3/e -
社群經營一定要會的影音剪輯與動畫製作術 (附範例素材/範本/Canva手機版示範影音教學)$420$332 -
Arduino 自造趣：結合 JavaScript x Vue x Phaser 輕鬆打造個人遊戲機 (iThome鐵人賽系列書)$690$538 -
智慧門市管理｜收銀大師 2 流通管理資訊系統$390$308 -
OAuth 2.0 從入門到實戰：利用驗證和授權守護 API 的安全$600$468 -
人手一本的資安健診實作課：不是專家也能自己動手做！（Win10 / Win11適用）$560$437 -
大話自動駕駛$654$621 -
$509YOLO 目標檢測 -
跟 NVIDIA 學深度學習！從基本神經網路到 ......、GPT、BERT...，紮穩機器視覺與大型語言模型 (LLM) 的建模基礎$880$695 -
新一代 Keras 3.x 重磅回歸：跨 TensorFlow 與 PyTorch 建構 Transformer、CNN、RNN、LSTM 深度學習模型$750$593 -
線性代數與Python解法$419$398 -
$458智能駕駛之激光雷達算法詳解 -
Python推薦系統實戰：基於深度學習、NLP和圖算法的應用型推薦系統$594$564 -
$662深度學習高手筆記 捲2：經典應用 -
迷宮程式設計$599$569 -
編譯原理, 5/e$408$388 -
機器學習的訓練資料 (Training Data for Machine Learning)$780$616
相關主題
商品描述
內容簡介本書詳細講解了使用Python語言開發AI影像視覺處理程序的知識。
全書共11章，依序講解了影像視覺技術基礎，影像的取樣、變換與卷積處理，影像處理，影像徵擷取處理，影像分割處理，
目標偵測處理，影像分類處理，鮮花辨識系統開發，智慧素描繪圖系統開發，小區AI停車計費管理系統開發及機器人智慧物體辨識系統開發。
書中在詳細講解每個知識點的同時，也穿了大量的實例來示範每個知識點的用法， 讀者紮實掌握基於AI的圖像視覺開發技術。
目錄大綱
第1章影像視覺技術基礎
1.1 影像辨識概述
1.1.1 什麼是影像辨識
1.1.2 影像辨識的發展階段
1.1.3 影像辨識的應用
1.2 影像辨識的步驟
1.3 影像辨識技術
1.3.1 人工智慧
1.3.2機器學習
1.3.3 深度學習
1.3.4 基於神經網路的影像辨識
1.3.5 基於非線性降維的影像辨識
第2章影像的取樣、變換與卷積處理
2.1 取樣
2.1.1 最近鄰插值取樣
2.1. 2 雙線性插值
2.1.3 雙立方插值
2.1.4 lanczos插值
2.2 離散傅立葉變換（DFT）
2.2.1 為什麼使用DFT
2.2.2 使用NumPy庫實現DFT
2.2.3 使用SciPy庫實現DFT
2.2.4用快速傅立葉變換演算法計算DFT
2.3 卷積
2.3.1 為什麼需要卷積圖像
2.3.2 使用SciPy庫中的函數convolve2d()進行卷積操作
2.3.3 使用SciPy庫中的函數ndimage.convolve()進行卷積操作
2.4 頻域濾波
2.4.1 什麼是濾波器
2.4.2 高通濾波器
2.4.3 低通濾波器
2.4.4 DoG帶通濾波器
2.4.5 帶阻濾波器
第3章影像增強處理
3.1對比增強
3.1.1 直方圖均衡化
3.1.2 自適應直方圖均衡化
3.1.3 對比拉伸
3.1.4 非線性對比增強
3.2 銳利化
3.2.1 銳化濾波器
3.2.2 高頻強調濾波
3.2. 3 基於梯度的銳利化
3.3 雜訊減少
3.3.1 均值濾波器
3.3.2 中值濾波器
3.3.3 高斯濾波器
3.3.4 雙邊濾波器
3.3.5 小波降噪
3.4 色彩平衡
3.4.1 白平衡
3.4. 2 色彩校正
3.4.3 調整色調與飽和度
3.5 超解析度
3.6 去除運動模糊
3.6.1 邊緣
3.6.2 逆濾波
3.6.3 統計方法
3.6.4 盲去卷積
第4章影像特徵擷取處理
4.1 影像特徵提取方法
4.2 顏色特徵
4.2.1 顏色直方圖
4.2.2 其他顏色特徵提取方法
4.3 紋理特徵
4.3.1 灰階共生矩陣
4.3.2 方向梯度直方圖
4.3.3 尺度不變特徵轉換
4.3.4 小波轉換
4.4形狀特徵
4.4.1 邊界描述子
4.4.2 預處理後的輪廓特徵
4.4.3 模型擬合方法
4.4.4 形狀上的變換
4.5 基於LoG、DoG和：DoH的斑點檢測器
4.5.1 LoG
4.5.2 DoG
4.5.3 DoH
第5章影像分割處理
5.1 影像分割的重要性
5.2 基於閾值的分割
5.2.1 灰階閾值分割
5.2.2 彩色閾值分割
5.3 基於邊緣的分割
5.3.1 canny邊緣檢測
5.3.2 邊緣連接方法
5.4 基於區域的分割
5.4.1 區域生長演算法
5.4.2 基於圖論的分割演算法
5.4.3 基於聚類的分割演算法
5.5 最小生成樹演算法
5.6 基於深度學習的分割
5.6.1 FCN（全卷積網路）
5.6.2 U-Net
5.6.3 DeepLab
5.6.4 Mask R-CNN
第6章目標偵測處理
6.1 目標偵測介紹
6.1.1 目標偵測的步驟
6.1.2 目標偵測的方法
6.2 YOLO v5
6.2.1 YOLO v5的改進
6.2.2 基於YOLO v5的訓練、驗證與預測
6.3 語意分割
6.3 .1 什麼是語意分割
6.3.2 DeepLab語意分割
6.4 SSD目標偵測
6.4.1 相機目標偵測
6.4.2 以影像為基礎的目標偵測
第7章影像分類處理
7.1 影像分類介紹
7.2 基於特徵擷取與機器學習的影像分類
7.2.1 基本流程
7.2.2 基於scikit-learn機器學習的影像分類
7.2.3 分類演算法
7.2.4 聚類演算法
7.3 基於卷積神經網路的影像分類
7.3.1 卷積神經網路基本結構
。 7.3.2 第一個卷積神經網路程式
7.3.3 使用卷積神經網路進行影像分類
7.4 基於遷移學習的影像分類
7.4.1 遷移學習介紹
7.4.2 基於遷移學習的圖片分類器
7.5 基於循環神經網絡的圖像分類
7.5.1 循環神經網路介紹
7.5.2 實戰演練
7.6 基於卷積循環神經網路的圖像分類
7.6.1 卷積循環神經網路介紹
7.6.2 CRNN圖像辨識器
第8章花卉系統開發
8.1花卉系統識別介紹
8.2 建立模型
8.2.1 建立TensorFlow資料模型
8.2.2 將Keras模型轉換為TensorFlow Lite
8.2.3 量化處理
8.2.4 變更模型
8.3 辨識器的具體實現
8.3.1 準備工作
8.3.2 頁面佈局
8.3.3實現UI Activity
8.3.4 實現主Activity
8.3.5 影像轉換
8.3.6 使用GPU委託加速
第9章智能素描繪圖系統開發
9.1 背景介紹
9.2 需求分析
9.3 功能模組
9.4 預處理
9.4.1 低動態範圍配置
9.4. 2 影像處理與調整
9.4.3 取得原始影像的筆畫
9.4.4 方向偵測
9.4.5 去藍處理
9.4.6 影像合成
9.4.7 快速排序
9.4.8 側窗濾波
9.5 開始繪圖
9.5.1 基於邊緣繪畫
