浓缩《元宇宙》的精华，向你呈现一个完全干货、精彩不断的发展生态图景。
电子书
编辑推荐
基于Python，轻松完成60余个复杂的图像处理和计算机视觉任务。
内容简介
本书提供了相关工具和算法，能帮助读者实现分析和可视化图像处理。本书给出了60余个具体实例的解决方法，采用“菜谱式”方式组织内容，以期指导读者快速实践图像的分析和可视化处理，应对图像处理中的常见挑战，并学习如何执行复杂的任务，如对象检测、图像分割和使用大型混合数据集的图像重建，以及各种图像增强和图像恢复技术，如卡通化、梯度混合和稀疏字典学习。 本书适合计算机视觉工程师、图像处理工程师、软件工程师和机器学习工程师等专业人士阅读，也适合具有一定Python编程基础并希望进一步了解图像处理的细节和复杂性的读者参考。
章节目录
- 版权信息
- 版 权
- 版 权 声 明
- 内 容 提 要
- 前 言
- 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）
- 1.2.1 准备工作
- 1.2.2 执行步骤
- 1.2.3 工作原理
- 1.2.4 更多实践
- 1.3 应用仿射变换
- 1.3.1 准备工作
- 1.3.2 执行步骤
- 1.3.3 工作原理
- 1.3.4 更多实践
- 1.4 应用透视变换和单应性变换
- 1.4.1 准备工作
- 1.4.2 执行步骤
- 1.4.3 工作原理
- 1.4.4 更多实践
- 1.5 基于图像创建铅笔草图
- 1.5.1 准备工作
- 1.5.2 执行步骤
- 1.5.3 工作原理
- 1.5.4 更多实践
- 1.6 创建卡通图像
- 1.6.1 准备工作
- 1.6.2 执行步骤
- 1.6.3 工作原理
- 1.6.4 更多实践
- 1.7 模拟光艺术/长曝光
- 1.7.1 准备工作
- 1.7.2 执行步骤
- 1.7.3 工作原理
- 1.7.4 更多实践
- 1.8 在HSV颜色模型中使用颜色进行目标检测
- 1.8.1 准备工作
- 1.8.2 执行步骤
- 1.8.3 工作原理
- 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
- 2.1.1 准备工作
- 2.1.2 执行步骤
- 2.1.3 工作原理
- 2.1.4 更多实践
- 2.2 基于去噪自编码器的图像去噪
- 2.2.1 准备工作
- 2.2.2 执行步骤
- 2.2.3 工作原理
- 2.2.4 更多实践
- 2.3 基于PCA/DFT/DWT的图像去噪
- 2.3.1 准备工作
- 2.3.2 执行步骤
- 2.3.3 工作原理
- 2.3.4 更多实践
- 2.4 基于各向异性扩散的图像去噪
- 2.4.1 准备工作
- 2.4.2 执行步骤
- 2.4.3 工作原理
- 2.4.4 更多实践
- 2.5 利用直方图均衡化改善图像对比度
- 2.5.1 准备工作
- 2.5.2 执行步骤
- 2.5.3 更多实践
- 2.6 执行直方图匹配
- 2.6.1 准备工作
- 2.6.2 执行步骤
- 2.6.3 工作原理
- 2.6.4 更多实践
- 2.7 执行梯度融合
- 2.7.1 准备工作
- 2.7.2 执行步骤
- 2.8 基于Canny、LoG/零交叉以及小波的边缘检测
- 2.8.1 准备工作
- 2.8.2 执行步骤
- 2.8.3 工作原理
- 2.8.4 更多实践
- 第3章 图像修复
- 3.1 使用维纳滤波器来修复图像
- 3.1.1 准备工作
- 3.1.2 执行步骤
- 3.2 使用约束最小二乘法滤波器来修复图像
- 3.2.1 准备工作
- 3.2.2 执行步骤
- 3.2.3 工作原理
- 3.2.4 更多实践
- 3.3 使用马尔可夫随机场来修复图像
- 3.3.1 准备工作
- 3.3.2 执行步骤
- 3.3.3 工作原理
- 3.4 图像修补
- 3.4.1 准备工作
- 3.4.2 执行步骤
- 3.4.3 工作原理
- 3.4.4 更多实践
- 3.5 基于深度学习的图像修复
- 3.5.1 准备工作
- 3.5.2 执行步骤
- 3.5.3 更多实践
- 3.6 基于字典学习的图像修复
- 3.6.1 准备工作
- 3.6.2 执行步骤
- 3.6.3 更多实践
- 3.7 使用小波进行图像压缩
- 3.7.1 准备工作
- 3.7.2 执行步骤
- 3.7.3 工作原理
- 3.8 使用隐写术和隐写分析技术
- 3.8.1 准备工作
- 3.8.2 执行步骤
- 3.8.3 工作原理
- 3.8.4 更多实践
- 第4章 二值图像处理
- 4.1 对二值图像应用形态学运算
- 4.1.1 准备工作
- 4.1.2 执行步骤
- 4.1.3 工作原理
- 4.1.4 更多实践
- 4.2 应用形态学滤波器
- 4.2.1 准备工作
- 4.2.2 执行步骤
- 4.2.3 工作原理
- 4.2.4 更多实践
- 4.3 形态模式匹配
- 4.3.1 准备工作
- 4.3.2 执行步骤
- 4.3.3 工作原理
- 4.3.4 更多实践
- 4.4 基于形态学的图像分割
- 4.4.1 准备工作
- 4.4.2 执行步骤
- 4.4.3 工作原理
- 4.4.4 更多实践
- 4.5 对象计数
- 4.5.1 准备工作
- 4.5.2 执行步骤
- 4.5.3 工作原理
- 4.5.4 更多实践
- 第5章 图像配准
- 5.1 基于SimpleITK模块的医学图像配准
- 5.1.1 准备工作
- 5.1.2 执行步骤
- 5.1.3 工作原理
- 5.1.4 更多实践
- 5.2 使用ECC算法进行图像对齐和变形
- 5.2.1 准备工作
- 5.2.2 执行步骤
- 5.2.3 工作原理
- 5.2.4 更多实践
- 5.3 使用dlib库进行人脸对齐
- 5.3.1 准备工作
- 5.3.2 执行步骤
- 5.3.3 工作原理
- 5.3.4 更多实践
- 5.4 RANSAC算法的鲁棒匹配和单应性
- 5.4.1 准备工作
- 5.4.2 执行步骤
- 5.4.3 工作原理
- 5.5 图像拼接（全景）
- 5.5.1 准备工作
- 5.5.2 执行步骤
- 5.5.3 工作原理
- 5.5.4 更多实践
- 5.6 人脸变形
- 5.6.1 准备工作
- 5.6.2 执行步骤
- 5.6.3 工作原理
- 5.6.4 更多实践
- 5.7 实现图像搜索引擎
- 5.7.1 准备工作
- 5.7.2 执行步骤
- 5.7.3 更多实践
- 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
- 6.1.1 准备工作
- 6.1.2 执行步骤
- 6.1.3 工作原理
- 6.1.4 更多实践
- 6.2 使用自组织映射进行图像分割
- 6.2.1 准备工作
- 6.2.2 执行步骤
- 6.2.3 工作原理
- 6.2.4 更多实践
- 6.3 使用scikit-image进行随机游走图像分割
- 6.3.1 准备工作
- 6.3.2 执行步骤
- 6.3.3 工作原理
- 6.3.4 更多实践
- 6.4 使用GMM-EM算法进行人体皮肤的图像分割
- 6.4.1 准备工作
- 6.4.2 执行步骤
- 6.4.3 工作原理
- 6.5 医学图像分割
- 6.5.1 准备工作
- 6.5.2 执行步骤
- 6.5.3 工作原理
- 6.5.4 更多实践
- 6.6 深度语义分割
- 6.6.1 准备工作
- 6.6.2 执行步骤
- 6.7 深度实例分割
- 6.7.1 准备工作
- 6.7.2 执行步骤
- 6.7.3 工作原理
- 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）
- 7.1.1 准备工作
- 7.1.2 执行步骤
- 7.1.3 工作原理
- 7.1.4 更多实践
- 7.2 使用Gabor滤波器组对纹理进行分类
- 7.2.1 准备工作
- 7.2.2 执行步骤
- 7.2.3 工作原理
- 7.2.4 更多实践
- 7.3 使用VGG19/Inception V3/MobileNet/ResNet101（基于PyTorch库）对图像进行分类
- 7.3.1 准备工作
- 7.3.2 执行步骤
- 7.3.3 工作原理
- 7.3.4 更多实践
- 7.4 图像分类的微调（使用迁移学习）
- 7.4.1 准备工作
- 7.4.2 执行步骤
- 7.4.3 工作原理
- 7.4.4 更多实践
- 7.5 使用深度学习模型对交通标志进行分类（基于PyTorch库）
- 7.5.1 准备工作
- 7.5.2 执行步骤
- 7.5.3 工作原理
- 7.5.4 更多实践
- 7.6 使用深度学习实现人体姿势估计
- 7.6.1 准备工作
- 7.6.2 执行步骤
- 7.6.3 工作原理
- 第8章 图像中的目标检测
- 8.1 基于HOG/SVM的目标检测
- 8.1.1 准备工作
- 8.1.2 执行步骤
- 8.1.3 工作原理
- 8.1.4 更多实践
- 8.2 基于YOLO v3的目标检测
- 8.2.1 准备工作
- 8.2.2 执行步骤
- 8.2.3 工作原理
- 8.2.4 更多实践
- 8.3 基于Faster R-CNN的目标检测
- 8.3.1 准备工作
- 8.3.2 执行步骤
- 8.3.3 工作原理
- 8.3.4 更多实践
- 8.4 基于Mask R-CNN的目标检测
- 8.4.1 准备工作
- 8.4.2 执行步骤
- 8.4.3 工作原理
- 8.4.4 更多实践
- 8.5 基于Python-OpenCV的多目标跟踪
- 8.5.1 准备工作
- 8.5.2 执行步骤
- 8.5.3 工作原理
- 8.5.4 更多实践
- 8.6 使用EAST/Tesseract来检测/识别图像中的文本
- 8.6.1 准备工作
- 8.6.2 执行步骤
- 8.6.3 工作原理
- 8.7 使用 Viola-Jones/Haar特征进行人脸检测
- 8.7.1 准备工作
- 8.7.2 执行步骤
- 8.7.3 工作原理
- 8.7.4 更多实践
- 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
- 9.1.1 准备工作
- 9.1.2 执行步骤
- 9.1.3 工作原理
- 9.2 使用深度学习模型来识别年龄、性别和情绪
- 9.2.1 准备工作
- 9.2.2 执行步骤
- 9.2.3 更多实践
- 9.3 使用深度学习模型进行图像着色
- 9.3.1 准备工作
- 9.3.2 执行步骤
- 9.4 使用卷积神经网络和长短期记忆自动生成图像字幕
- 9.4.1 准备工作
- 9.4.2 执行步骤
- 9.4.3 工作原理
- 9.5 使用GAN生成图像
- 9.5.1 准备工作
- 9.5.2 执行步骤
- 9.5.3 工作原理
- 9.5.4 更多实践
- 9.6 使用变分自编码器重建并生成图像
- 9.6.1 准备工作
- 9.6.2 执行步骤
- 9.6.3 更多实践
- 9.7 使用受限玻耳兹曼机重建孟加拉语MNIST图像
- 9.7.1 准备工作
- 9.7.2 执行步骤
展开全部
Python图像处理经典实例是2023年由人民邮电出版社出版,作者[印] 桑迪潘·戴伊。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《Python图像处理经典实例》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
20家全球科技巨头布局元宇宙案例，6张元宇宙大投资全析彩图，系统解析Facebook、字节跳动、微软、腾讯等为何迅速布局元宇宙。
电子书
本书全面、系统地呈现了“元宇宙”的知识谱系。
电子书
本书清晰、完整地展现云平台技术架构的相关知识。
电子书
本书分享的实用技巧可以帮助你编写可靠且易于团队成员理解和适应不断变化需求的代码。
电子书
IP网络领域深耕多年的从业者和研究者田辉和李振斌共同编著，系统介绍IPv6下一代互联网协议技术、应用和产业价值。
电子书
《互联网+智慧城市》讲解了“互联网+”所涵盖的先进技术的介绍，包括：移动互联网、云计算、大数据和物联网，以及这些技术在智慧城市中的运用加以分析，重点对智慧城市中所涉及的：智慧政务、智慧城市运行、智慧民生（社区）、智慧旅游等重要维度领域的应用和实践进行阐述，搭建智慧城市设计框架。
电子书
本书旨在教你像黑客一样思考，通过了解黑客工具和技术，解决各种各样需要防御的在线威胁；通过在虚拟实验室中以安全的方式对自己尝试各种攻击，并与实际的网络自我防御技巧相结合，让读者明白如何防范攻击行为。本书介绍了一些常用类型的网络攻防，包括物理访问攻防、谷歌攻击和侦测技巧、网络钓鱼和社会工程攻防、恶意软件远程攻防、Web攻防、密码攻防，以及移动设备和汽车攻击分析等。本书适合作为网络安全行业新人的入门读物
