用流行的Python库scikitlearn解决机器学习问题。
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。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
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
用流行的Python库scikitlearn解决机器学习问题。
电子书
本书采用通俗易懂的语言对数字图像处理的相关概念进行阐述，同时穿插较为典型的Python小程序，使读者能够快速掌握数字图像处理的相关概念和技术。
电子书
经典数据库教程升级更新，巧妙应对160余个SQL使用场景，实例短小精悍，涵盖5种主流的关系数据库：Oracle、MySQL、PostgreSQL、SQLServer、DB2等。
电子书
Photoshop重要的功能就是图像处理，图像处理的核主就是选择，这源于一个简单的道理“要改变某些像素，首先就要选中它”，因此称这本书为“选择的艺术”。畅销书升级，4年沉淀，再...
电子书
本书以MATLAB2020为基础，讲解图形与图像处理的各种方法和技巧。
电子书
适读人群：1.没有编程知识的新手不同于一般的基础语法讲解教程，本书并未将Python开发限定于某个集成开发工具（IDE）中，而是采用交互式编程的方式来强化读者对语言特性的理解，...