第1章 图像识别技术基础
1.1 图像识别概述
1.1.1 什么是图像识别
1.1.2 图像识别的发展阶段
1.1.3 图像识别的应用
1.2 图像识别的过程
1.3 图像识别技术
1.3.1 人工智能
1.3.2 机器学习
1.3.3 深度学习
1.3.4 基于神经网络的图像识别
1.3.5 基于非线性降维的图像识别
第2章 scikit-image数字图像处理
2.1 scikit-image基础
2.1.1 安装scikit-image
2.1.2 scikit-image中的模块
2.2 显示图像
2.2.1 使用skimage读入并显示外部图像
2.2.2 读取并显示外部灰度图像
2.2.3 读取并显示内置星空图片
2.2.4 读取并保存内置星空图片
2.3 常见的图像操作
2.3.1 对内置图片进行二值化操作
2.3.2 对内置图片进行裁剪处理
2.3.3 将RGB图转换为灰度图
2.3.4 使用skimage实现绘制图片功能
2.3.5 使用subplot()函数绘制多视图窗口
2.3.6 改变指定图片的大小
2.3.7 使用函数rescale()缩放图片
2.3.8 使用函数rotate()旋转图片
第3章 OpenCV图像视觉处理
3.1 OpenCV基础
3.1.1 OpenCV和OpenCV-Python介绍
3.1.2 安装OpenCV-Python
3.2 OpenCV-Python图像操作
3.2.1 读取并显示图像
3.2.2 保存图像
3.2.3 在Matplotlib中显示图像
3.2.4 绘图
3.2.5 将鼠标作为画笔
3.2.6 调色板程序
3.2.7 基本的属性操作
3.3 OpenCV-Python视频操作
3.3.1 读取视频
3.3.2 播放视频
3.3.3 保存视频
3.3.4 改变颜色空间
3.3.5 视频的背景分离
第4章 dlib机器学习和图像处理
4.1 dlib介绍
4.2 dlib基本的人脸检测
4.2.1 人脸检测
4.2.2 使用命令行进行人脸识别
4.2.3 检测人脸关键点
4.2.4 基于CNN的人脸检测器
4.2.5 在摄像头中识别人脸
4.2.6 人脸识别验证
4.2.7 全局优化
4.2.8 人脸聚类
4.2.9 抖动采样和增强
4.2.10 人脸和姿势采集
4.2.11 物体追踪
4.3 SVM分类算法
4.3.1 二进制SVM分类器
4.3.2 Ranking SVM算法
4.3.3 Struct SVM多分类器
4.4 自训练模型
4.4.1 训练自己的模型
4.4.2 自制对象检测器
第5章 face_recognition人脸识别
5.1 安装face_recognition
5.2 实现基本的人脸检测
5.2.1 输出显示指定人像人脸特征
5.2.2 在指定照片中识别标记出人脸
5.2.3 识别出照片中的所有人脸
5.2.4 判断照片中是否包含某个人
5.2.5 识别出照片中的人是谁
5.2.6 摄像头实时识别
5.3 深入face_recognition人脸检测
5.3.1 检测用户眼睛的状态
5.3.2 模糊处理人脸
5.3.3 检测两个人脸是否匹配
5.3.4 识别视频中的人脸
5.3.5 网页版人脸识别器
第6章 采样、变换和卷积处理
6.1 采样
6.1.1 最近邻插值采样
6.1.2 双线性插值
6.1.3 双立方插值
6.1.4 Lanczos插值
6.2 离散傅里叶变换
6.2.1 为什么使用DFT
6.2.2 用库NumPy实现DFT
6.2.3 用库SciPy实现DFT
6.2.4 用快速傅里叶变换算法计算DFT
6.3 卷积
6.3.1 为什么需要卷积图像
6.3.2 使用库SciPy中的函数convolve2d()进行卷积
6.3.3 使用库SciPy中的函数ndimage.convolve()进行卷积
6.4 频域滤波
6.4.1 什么是滤波器
6.4.2 高通滤波器
6.4.3 低通滤波器
6.4.4 DoG带通滤波器
6.4.5 带阻滤波器
第7章 图像增强
7.1 对比度增强
7.1.1 直方图均衡化
7.1.2 自适应直方图均衡化
7.1.3 对比度拉伸
7.1.4 非线性对比度增强
7.2 锐化
7.2.1 锐化滤波
7.2.2 高频强调滤波
7.2.3 基于梯度的锐化
7.3 减少噪声
7.3.1 均值滤波器
7.3.2 中值滤波器
7.3.3 高斯滤波器
7.3.4 双边滤波器
7.3.5 小波降噪
7.4 色彩平衡
7.4.1 白平衡
7.4.2 颜色校正
7.4.3 调整色调和饱和度
7.5 超分辨率
7.6 去除运动模糊
7.6.1 边缘
7.6.2 逆滤波
7.6.3 统计方法
7.6.4 盲去卷积
第8章 图像特征提取
8.1 图像特征提取方法
8.2 颜色特征
8.2.1 颜色直方图
8.2.2 其他颜色特征提取方法
8.3 纹理特征
8.3.1 灰度共生矩阵
8.3.2 方向梯度直方图
8.3.3 尺度不变特征变换
8.3.4 小波变换
8.4 形状特征
8.4.1 边界描述子
8.4.2 预处理后的轮廓特征
8.4.3 模型拟合方法
8.4.4 形状上的变换
8.5 基于LoG、DoG和DoH的斑点检测器
8.5.1 LoG滤波器
8.5.2 DoG滤波器
8.5.3 DoH算
展开
