- Python编程与计算机视觉应用(高等学校计算机类专业系列教材)
- - 作者：编者:刘国华|责编:雷鸿俊
  - 出版社：西安电子科大
  - ISBN：9787560668369
  - 出版日期：2023/05/01
  - 页数：252
- 售价：18.8

内容大纲
本书共11章，分为三部分。第一部分（第1章至第5章）介绍了Python在计算机视觉中的图像基本操作、图像增强、形态学处理、局部图像特征提取、图像分割等方面的编程应用。第二部分（第6章至第8章）梳理了计算机视觉的相关基础理论，包括深度神经网络基础、卷积神经网络基础和PyTorch深度学习框架。第三部分（第9章至第11章）列举了Python在计算机视觉中的典型应用，即在图像分类、目标检测和语义分割中的应用。各章都附有相关的习题，可供自学练习，以便读者加深对本书所述内容的理解。
本书深度适中，内容力求精练，可作为高等学校计算机科学与技术、电子信息工程、通信与信息工程等专业本科生与研究生的教材，也可供人工智能、模式识别等相关领域的科研人员和工程技术人员参考。
作者介绍
目录
第1章  图像基本操作
  1.1  软件安装及环境配置
    1.1.1  Anaconda安装
    1.1.2  PyCharm安装
    1.1.3  在Python中安装图像处理库
  1.2  基于PIL的图像处理
    1.2.1  读取及保存图像
    1.2.2  图像区域的裁剪和粘贴
    1.2.3  调整图像尺寸和旋转图像
    1.2.4  其他图像处理操作
  1.3  基于Matplotlib的图像处理
    1.3.1  绘制点和线
    1.3.2  绘制图像轮廓和直方图
    1.3.3  分离与合并图像的通道
  1.4  基于NumPy的图像处理
    1.4.1  图像的数组化
    1.4.2  图像的灰度变换
  1.5  基于SciPy的图像处理
    1.5.1  图像模糊
    1.5.2  图像导数
  1.6  基于scikit-image的图像处理
    1.6.1  图像的旋流变换
    1.6.2  图像的添噪
  本章小结
  习题
第2章  图像增强
  2.1  图像增强的概念和分类
  2.2  强度变换
    2.2.1  图像的二值化
    2.2.2  图像的对比度拉伸
    2.2.3  彩色图像的对数变换
    2.2.4  彩色图像的幂律变换
  2.3  直方图处理
    2.3.1  直方图均衡化
    2.3.2  直方图匹配
  2.4  图像的平滑
    2.4.1  图像噪声
    2.4.2  线性噪声平滑
    2.4.3  非线性噪声平滑
  2.5  图像的锐化
    2.5.1  一阶微分算子法
    2.5.2  拉普拉斯算子法
    2.5.3  锐化和反锐化掩模
  本章小结
  习题
第3章  形态学处理
  3.1  数学形态学基础知识
  3.2  二值图像的形态学处理
    3.2.1  腐蚀
    3.2.2  膨胀

    3.2.3  开、闭运算
    3.2.4  骨架化
    3.2.5  边界提取
    3.2.6  孔洞填充
    3.2.7  白顶帽与黑顶帽变换
  3.3  灰度图像的形态学处理
    3.3.1  灰度腐蚀
    3.3.2  灰度膨胀
    3.3.3  灰度开、闭运算
  本章小结
  习题
第4章  局部图像特征提取
  4.1  特征检测器与描述符
  4.2  Harris角点检测器
    4.2.1  角点检测
    4.2.2  角点匹配
  4.3  斑点检测器
  4.4  尺度不变特征变换
    4.4.1  兴趣点
    4.4.2  描述符
    4.4.3  检测兴趣点
    4.4.4  匹配描述符
  本章小结
  习题
第5章  图像分割
  5.1  基于阀值的图像分割
  5.2  基于边缘或区域的图像分割
    5.2.1  基于边缘的图像分割
    5.2.2  基于区域的图像分割
  5.3  图割
    5.3.1  从图像创建图
    5.3.2  用户交互式分割
  5.4  使用聚类进行分割
    5.4.1  k-means聚类
    5.4.2  谱聚类
    5.4.3  聚类分割算法
  5.5  其他分割算法
    5.5.1  菲尔森茨瓦布算法
    5.5.2  活动轮廓算法
  本章小结
  习题
第6章  深度神经网络基础
  6.1  神经网络的基本概念
  6.2  神经网络的基本结构
  6.3  监督学习和无监督学习
    6.3.1  监督学习
    6.3.2  无监督学习
  6.4  欠拟合和过拟合
    6.4.1  欠拟合
    6.4.2  过拟合

  6.5  反向传播
  6.6  损失和优化
    6.6.1  损失函数
    6.6.2  优化函数
  6.7  激活函数
    6.7.1  Sigmoid函数
    6.7.2  tanh函数
    6.7.3  ReLU 函数
  本章小结
  习题
第7章  卷积神经网络基础
  7.1  卷积神经网络的基本概念
  7.2  卷积神经网络的基本结构
    7.2.1  卷积层
    7.2.2  池化层
    7.2.3  全连接层
  7.3  卷积运算与边缘检测
  7.4  填充与卷积步距
  7.5  单层卷积神经网络
  7.6  卷积神经网络范例
  本章小结
  习题
第8章  PyTorch深度学习框架
  8.1  PyTorch框架简介
  8.2  PyTorch环境配置与安装
  8.3  PyTorch中的Tensor
    8.3.1  Tensor的创建
    8.3.2  Tensor的基本操作
  8.4  PyTorch常用模块及库
    8.4.1  torch.autograd模块（自动求导）
    8.4.2  torch.nn模块
    8.4.3  torch.optim模块
    8.4.4  torchvision库
  本章小结
  习题
第9章  计算机视觉应用——图像分类
  9.1  图像分类简介
  9.2  VGGNet的基本原理
    9.2.1  VGGNet的起源
    9.2.2  CNN网络结构中感受野的概念
    9.2.3  VGGNet的基本网络结构
    9.2.4  VGGNet模型的代码实现
  9.3  训练过程
    9.3.1  数据集准备（花卉数据集）
    9.3.2  图像数据预处理
    9.3.3  训练VGG网络
  9.4  模型结果评估
  本章小结
  习题
第10章  计算机视觉应用——目标检测

  10.1  目标检测简介
  10.2  两阶段式目标检测网络
  Faster R-CNN
    10.2.1  特征提取部分
    10.2.2  候选区域网络
    10.2.3  兴趣域池化
    10.2.4  分类回归部分
  10.3  单阶段式目标检测网络YOLOv3
    10.3.1  数据输入
    10.3.2  特征提取网络DarkNet53
    10.3.3  特征金字塔结构
    10.3.4  YOLOv3中的锚框机制
    10.3.5  损失函数
  10.4  目标检测算法评价指标
    10.4.1  综合指标
    10.4.2  PR曲线与ROC曲线
    10.4.3  均值平均精度mAP
  本章小结
  习题
第11章  计算机视觉应用——语义分割
  11.1  语义分割概述
  11.2  经典的语义分割模型
    11.2.1  全卷积神经网络（FCN）
    11.2.2  编-解码器卷积神经网络
    11.2.3  DeepLab系列语义分割网络
  11.3  语义分割常用数据集介绍
  11.4  语义分割评价指标
  本章小结
  习题
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目