内 容 简 介本书详细讲解了使用Python语言开发AI图像视觉处理程序的知识。全书共11章，依次讲解了图像视觉技术基础，图像的采样、变换和卷积处理，图像增强处理，图像特征提取处理，图像分割处理，目标检测处理，图像分类处理，鲜花识别系统开发，智能素描绘图系统开发，小区AI停车计费管理系统开发和机器人智能物体识别系统开发。书中在详细讲解每个知识点的同时，还穿插了大量的实例来演示每个知识点的用法，**读者扎实掌握基于AI的图像视觉开发技术。

计算机视觉

目录第1章 图像视觉技术基础1.1 图像识别概述 11.1.1 什么是图像识别 11.1.2 图像识别的发展阶段 11.1.3 图像识别的应用 21.2 图像识别的步骤 21.3 图像识别技术 31.3.1 人工智能 31.3.2 机器学习 41.3.3 深度学习 41.3.4 基于神经网络的图像识别 41.3.5 基于非线性降维的图像识别 5第2章 图像的采样、变换和卷积处理2.1 采样 62.1.1 *近邻插值采样 62.1.2 双线性插值 82.1.3 双立方插值 112.1.4 lanczos插值 132.2 离散傅里叶变换（DFT） 142.2.1 为什么使用DFT 142.2.2 使用NumPy库实现DFT 152.2.3 使用SciPy库实现DFT 162.2.4 用快速傅里叶变换算法计算DFT 172.3 卷积 182.3.1 为什么需要卷积图像 182.3.2 使用SciPy库中的函数convolve2d()进行卷积操作 192.3.3 使用SciPy库中的函数ndimage.convolve()进行卷积操作 202.4 频域滤波 222.4.1 什么是滤波器 222.4.2 高通滤波器 222.4.3 低通滤波器 232.4.4 DoG带通滤波器 242.4.5 带阻滤波器 26第3章 图像增强处理3.1 对比度增强 283.1.1 直方图均衡化 283.1.2 自适应直方图均衡化 303.1.3 对比度拉伸 323.1.4 非线性对比度增强 343.2 锐化 353.2.1 锐化滤波器 363.2.2 高频强调滤波 393.2.3 基于梯度的锐化 423.3 噪声减少 463.3.1 均值滤波器 463.3.2 中值滤波器 473.3.3 高斯滤波器 483.3.4 双边滤波器 493.3.5 小波降噪 493.4 色彩平衡 503.4.1 白平衡 513.4.2 颜色校正 523.4.3 调整色调和饱和度 533.5 超分辨率 543.6 去除运动模糊 563.6.1 边缘 563.6.2 逆滤波 573.6.3 统计方法 583.6.4 盲去卷积 59第4章 图像特征提取处理4.1 图像特征提取方法 614.2 颜色特征 614.2.1 颜色直方图 624.2.2 其他颜色特征提取方法 634.3 纹理特征 654.3.1 灰度共生矩阵 654.3.2 方向梯度直方图 664.3.3 尺度不变特征变换 674.3.4 小波变换 684.4 形状特征 704.4.1 边界描述子 704.4.2 预处理后的轮廓特征 734.4.3 模型拟合方法 754.4.4 形状上的变换 784.5 基于LoG、DoG和DoH的斑点检测器 804.5.1 LoG 804.5.2 DoG 814.5.3 DoH 82第5章 图像分割处理5.1 图像分割的重要性 845.2 基于阈值的分割 845.2.1 灰度阈值分割 855.2.2 彩色阈值分割 855.3 基于边缘的分割 865.3.1 canny边缘检测 865.3.2 边缘连接方法 875.4 基于区域的分割 885.4.1 区域生长算法 895.4.2 基于图论的分割算法 905.4.3 基于聚类的分割算法 925.5 *小生成树算法 945.6 基于深度学习的分割 955.6.1 FCN（全卷积网络） 965.6.2 U-Net 975.6.3 DeepLab 975.6.4 Mask R-CNN 98第6章 目标检测处理6.1 目标检测介绍 1006.1.1 目标检测的步骤 1006.1.2 目标检测的方法 1006.2 YOLO v5 1006.2.1 YOLO v5的改进 1016.2.2 基于YOLO v5的训练、验证和预测 1016.3 语义分割 1146.3.1 什么是语义分割 1146.3.2 DeepLab语义分割 1166.4 SSD目标检测 1186.4.1 摄像头目标检测 1186.4.2 基于图像的目标检测 119第7章 图像分类处理7.1 图像分类介绍 1217.2 基于特征提取和机器学习的图像分类 1217.2.1 基本流程 1227.2.2 基于scikit-learn机器学习的图像分类 1227.2.3 分类算法 1257.2.4 聚类算法 1277.3 基于卷积神经网络的图像分类 1297.3.1 卷积神经网络基本结构 1297.3.2 **个卷积神经网络程序 1327.3.3 使用卷积神经网络进行图像分类 1367.4 基于迁移学习的图像分类 1467.4.1 迁移学习介绍 1467.4.2 基于迁移学习的图片分类器 1477.5 基于循环神经网络的图像分类 1507.5.1 循环神经网络介绍 1507.5.2 实战演练 1517.6 基于卷积循环神经网络的图像分类 1517.6.1 卷积循环神经网络介绍 1527.6.2 CRNN图像识别器 152第8章 鲜花识别系统开发8.1 系统介绍 1558.2 创建模型 1558.2.1 创建TensorFlow数据模型 1558.2.2 将Keras模型转换为TensorFlow Lite 1608.2.3 量化处理 1618.2.4 更改模型 1628.3 识别器的具体实现 1638.3.1 准备工作 1638.3.2 页面布局 1658.3.3 实现UI Activity 1678.3.4 实现主Activity 1688.3.5 图像转换 1728.3.6 使用GPU委托加速 176第9章 智能素描绘图系统开发9.1 背景介绍 1779.2 需求分析 1779.3 功能模块 1789.4 预处理 1799.4.1 低动态范围配置 1799.4.2 图像处理和调整 1809.4.3 获取原始图像的笔画 1819.4.4 方向检测 1849.4.5 去蓝处理 1879.4.6 图像合成 1889.4.7 快速排序 1919.4.8 侧窗滤波 1929.5 开始绘图 1949.5.1 基于边缘绘画的绘图程序 1959.5.2 绘制铅笔画 203第10章 小区AI停车计费管理系统开发10.1 背景介绍 20510.2 系统功能分析和模块设计 20510.2.1 功能分析 20510.2.2 系统模块设计 20610.3 系统GUI 20610.3.1 设置基本信息 20610.3.2 绘制操作按钮 20710.3.3 绘制背景和文字 20710.4 车牌识别和收费 20810.4.1 登记业主的车辆信息 20810.4.2 识别车牌 20810.4.3 计算停车时间 20910.4.4 识别车牌并计费 21010.5 主程序 213第11章 机器人智能物体识别系统开发11.1 背景介绍 21611.2 物体识别 21611.2.1 物体识别介绍 21711.2.2 物体识别的挑战 21711.2.3 图像特征的提取方法 21811.3 系统介绍 21911.4 准备模型 22011.4.1 模型介绍 22011.4.2 自定义模型 22111.5 基于Android的机器人智能检测器 22311.5.1 准备工作 22311.5.2 页面布局 22511.5.3 实现主Activity 22811.5.4 物体识别界面 23311.5.5 摄像机预览界面拼接 23511.5.6 lib_task_api方案 24211.5.7 lib_interpreter方案 24311.6 基于iOS的机器人智能检测器 24711.6.1 系统介绍 24711.6.2 视图文件 24811.6.3 摄像机处理 25911.6.4 处理TensorFlow Lite模型 26411.7 调试运行 270