Python图像处理经典实例

封面

版权信息

版权

版权声明

内容提要

前言

读者对象

各章内容概述

如何更有效地学习本书的内容

下载实例代码文件

体例约定

体例说明

第1章 图像处理与变换

1.1 技术要求

1.2 变换颜色空间（RGB→Lab）

1.3 应用仿射变换

1.4 应用透视变换和单应性变换

1.5 基于图像创建铅笔草图

1.6 创建卡通图像

1.7 模拟光艺术/长曝光

1.8 在HSV颜色模型中使用颜色进行目标检测

第2章 图像增强

2.1 使用滤波器去除图像中不同类型的噪声

2.2 基于去噪自编码器的图像去噪

2.3 基于PCA/DFT/DWT的图像去噪

2.4 基于各向异性扩散的图像去噪

2.5 利用直方图均衡化改善图像对比度

2.6 执行直方图匹配

2.7 执行梯度融合

2.8 基于Canny、LoG/零交叉以及小波的边缘检测

第3章 图像修复

3.1 使用维纳滤波器来修复图像

3.2 使用约束最小二乘法滤波器来修复图像

3.3 使用马尔可夫随机场来修复图像

3.4 图像修补

3.5 基于深度学习的图像修复

3.6 基于字典学习的图像修复

3.7 使用小波进行图像压缩

3.8 使用隐写术和隐写分析技术

第4章 二值图像处理

4.1 对二值图像应用形态学运算

4.2 应用形态学滤波器

4.3 形态模式匹配

4.4 基于形态学的图像分割

4.5 对象计数

第5章 图像配准

5.1 基于SimpleITK模块的医学图像配准

5.2 使用ECC算法进行图像对齐和变形

5.3 使用dlib库进行人脸对齐

5.4 RANSAC算法的鲁棒匹配和单应性

5.5 图像拼接（全景）

5.6 人脸变形

5.7 实现图像搜索引擎

第6章 图像分割

6.1 使用Otsu和Riddler-Calvard的阈值化进行图像分割

6.2 使用自组织映射进行图像分割

6.3 使用scikit-image进行随机游走图像分割

6.4 使用GMM-EM算法进行人体皮肤的图像分割

6.5 医学图像分割

6.6 深度语义分割

6.7 深度实例分割

第7章 图像分类

7.1 使用scikit-learn库对图像进行分类（方向梯度直方图和逻辑回归）

7.2 使用Gabor滤波器组对纹理进行分类

7.3 使用VGG19/Inception V3/MobileNet/ResNet101（基于PyTorch库）对图像进行分类

7.4 图像分类的微调（使用迁移学习）

7.5 使用深度学习模型对交通标志进行分类（基于PyTorch库）

7.6 使用深度学习实现人体姿势估计

第8章 图像中的目标检测

8.1 基于HOG/SVM的目标检测

8.2 基于YOLO v3的目标检测

8.3 基于Faster R-CNN的目标检测

8.4 基于Mask R-CNN的目标检测

8.5 基于Python-OpenCV的多目标跟踪

8.6 使用EAST/Tesseract来检测/识别图像中的文本

8.7 使用 Viola-Jones/Haar特征进行人脸检测

第9章 人脸识别、图像描述及其他技术

9.1 使用FaceNet进行人脸识别

9.2 使用深度学习模型来识别年龄、性别和情绪

9.3 使用深度学习模型进行图像着色

9.4 使用卷积神经网络和长短期记忆自动生成图像字幕

9.5 使用GAN生成图像

9.6 使用变分自编码器重建并生成图像