本书研究将图像分割算法运用于印刷图像分色过程，旨在提取图像中适合金色油墨印刷的区域，用于生成印刷使用的金墨色版，使印刷的图像更真实的金属质感。
电子书
内容简介
本书先介绍经典的图像处理技术，然后探索图像处理算法的演变历程，始终紧扣图像处理以及计算机视觉与深度学习方面的最新进展。全书共12章，涵盖图像处理入门基础知识、应用导数方法实现图像增强、形态学图像处理、图像特征提取与描述符、图像分割，以及图像处理中的经典机器学习方法等内容。
章节目录
- 版权信息
- 版权
- 版权声明
- 内容提要
- 作者简介
- 审稿人简介
- 译者简介
- 前言
- 第1章 图像处理入门
- 1.1 什么是图像处理及图像处理的应用
- 1.1.1 什么是图像以及图像是如何存储的
- 1.1.2 什么是图像处理
- 1.1.3 图像处理的应用
- 1.2 图像处理流程
- 1.3 在Python中安装不同的图像处理库
- 1.3.1 安装pip
- 1.3.2 在Python中安装图像处理库
- 1.3.3 安装Anaconda发行版
- 1.3.4 安装Jupyter笔记本
- 1.4 使用Python进行图像输入/输出和显示
- 1.4.1 使用PIL读取、保存和显示图像
- 1.4.2 使用matplotlib读取、保存和显示图像
- 1.4.3 使用scikit-image读取、保存和显示图像
- 1.4.4 使用SciPy的misc模块读取、保存和显示图像
- 1.5 处理不同的文件格式和图像类型，并执行基本的图像操作
- 1.5.1 处理不同的文件格式和图像类型
- 1.5.2 执行基本的图像操作
- 小结
- 习题
- 拓展阅读
- 第2章 采样、傅里叶变换与卷积
- 2.1 图像形成——采样和量化
- 2.1.1 采样
- 2.1.2 量化
- 2.2 离散傅里叶变换
- 2.2.1 为什么需要DFT
- 2.2.2 用快速傅里叶变换算法计算DFT
- 2.3 理解卷积
- 2.3.1 为什么需要卷积图像
- 2.3.2 使用SciPy信号模块的convolve2d函数进行卷积
- 2.3.3 使用SciPy中的ndimage.convolve函数进行卷积
- 2.3.4 相关与卷积
- 模板匹配与图像和模板之间的互相关
- 小结
- 习题
- 第3章 卷积和频域滤波
- 3.1 卷积定理和频域高斯模糊
- 卷积定理的应用
- 3.2 频域滤波
- 3.2.1 什么是滤波器
- 3.2.2 高通滤波器
- 3.2.3 低通滤波器
- 3.2.4 DoG带通滤波器
- 3.2.5 带阻（陷波）滤波器
- 3.2.6 图像复原
- 小结
- 习题
- 第4章 图像增强
- 4.1 逐点强度变换——像素变换
- 4.1.1 对数变换
- 4.1.2 幂律变换
- 4.1.3 对比度拉伸
- 4.1.4 二值化
- 4.2 直方图处理——直方图均衡化和直方图匹配
- 4.2.1 基于scikit-image的对比度拉伸和直方图均衡化
- 4.2.2 直方图匹配
- 4.3 线性噪声平滑
- 4.3.1 PIL平滑
- 4.3.2 基于SciPy ndimage进行盒核与高斯核平滑比较
- 4.4 非线性噪声平滑
- 4.4.1 PIL平滑
- 4.4.2 scikit-image平滑（去噪）
- 4.4.3 SciPy ndimage平滑
- 小结
- 习题
- 第5章 应用导数方法实现图像增强
- 5.1 图像导数——梯度和拉普拉斯算子
- 5.1.1 导数与梯度
- 5.1.2 拉普拉斯算子
- 5.1.3 噪声对梯度计算的影响
- 5.2 锐化和反锐化掩模
- 5.2.1 使用拉普拉斯滤波器锐化图像
- 5.2.2 反锐化掩模
- 5.3 使用导数和滤波器进行边缘检测
- 5.3.1 用偏导数计算梯度大小
- 5.3.2 scikit-image的Sobel边缘检测器
- 5.3.3 scikit-image的不同边缘检测器——Prewitt、Roberts、
- 5.3.4 scikit-image的Canny边缘检测器
- 5.3.5 LoG滤波器和DoG滤波器
- 5.3.6 基于LoG滤波器的边缘检测
- 5.3.7 基于PIL发现和增强边缘
- 5.4 图像金字塔——融合图像
- 5.4.1 scikit-image transform pyramid模块的高斯金字塔
- 5.4.2 scikit-image transform pyramid模块的拉普拉斯金字塔
- 5.4.3 构造高斯金字塔
- 5.4.4 仅通过拉普拉斯金字塔重建图像
- 5.4.5 基于金字塔的图像融合
- 小结
- 习题
- 第6章 形态学图像处理
- 6.1 基于scikit-image形态学模块的形态学图像处理
- 6.1.1 对二值图像的操作
- 6.1.2 利用开、闭运算实现指纹清洗
- 6.1.3 灰度级操作
- 6.2 基于scikit-image filter.rank模块的形态学图像处理
- 6.2.1 形态学对比度增强
- 6.2.2 使用中值滤波器去噪
- 6.2.3 计算局部熵
- 6.3 基于SciPy ndimage.morphology模块的形态学图像处理
- 6.3.1 填充二值对象中的孔洞
- 6.3.2 采用开、闭运算去噪
- 6.3.3 计算形态学Beucher梯度
- 6.3.4 计算形态学拉普拉斯
- 小结
- 习题
- 第7章 图像特征提取与描述符
- 7.1 特征检测器与描述符
- 7.2 哈里斯角点检测器
- 7.2.1 scikit-image包
- 7.2.2 哈里斯角点特征在图像匹配中的应用
- 7.3 基于LoG、DoG和DoH的斑点检测器
- 7.3.1 高斯拉普拉斯
- 7.3.2 高斯差分
- 7.3.3 黑塞矩阵
- 7.4 基于方向梯度直方图的特征提取
- 7.4.1 计算HOG描述符的算法
- 7.4.2 基于scikit-image计算HOG描述符
- 7.5 尺度不变特征变换
- 7.5.1 计算SIFT描述符的算法
- 7.5.2 opencv和opencv-contrib的SIFT函数
- 7.5.3 基于BRIEF、SIFT和ORB匹配图像的应用
- 7.6 类Haar特征及其在人脸检测中的应用
- 7.6.1 基于scikit-image的类Haar特征描述符
- 7.6.2 基于类Haar特征的人脸检测的应用
- 小结
- 习题
- 第8章 图像分割
- 8.1 图像分割的概念
- 8.2 霍夫变换——检测图像中的圆和线
- 8.3 二值化和Otsu分割
- 8.4 基于边缘/区域的图像分割
- 8.4.1 基于边缘的图像分割
- 8.4.2 基于区域的图像分割
- 8.5 基于菲尔森茨瓦布高效图的分割算法、SLIC算法、快速移位图像分割算法、紧凑型分水岭算法及使用SimpleITK的区域生长算法
- 8.5.1 基于菲尔森茨瓦布高效图的分割算法
- 8.5.2 SLIC算法
- 8.5.3 快速移位图像分割算法
- 8.5.4 紧凑型分水岭算法
- 8.5.5 使用SimpleITK的区域生长算法
- 8.6 活动轮廓算法、形态学蛇算法和基于OpenCV的GrabCut图像分割算法
- 8.6.1 活动轮廓算法
- 8.6.2 形态学蛇算法
- 8.6.3 基于OpenCV的GrabCut图像分割算法
- 小结
- 习题
- 第9章 图像处理中的经典机器学习方法
- 9.1 监督学习与无监督学习
- 9.2 无监督机器学习——聚类、PCA和特征脸
- 9.2.1 基于图像分割与颜色量化的k均值聚类算法
- 9.2.2 用于图像分割的谱聚类算法
- 9.2.3 PCA与特征脸
- 9.3 监督机器学习——基于手写数字数据集的图像分类
- 9.3.1 下载MNIST（手写数字）数据集
- 9.3.2 可视化数据集
- 9.3.3 通过训练KNN、高斯贝叶斯和SVM模型对MNIST数据集分类
- 9.4 监督机器学习——目标检测
- 9.4.1 使用类Haar特征的人脸检测和使用AdaBoost的级联分类器——Viola-Jones算法
- 9.4.2 使用基于HOG特征的SVM检测目标
- 小结
- 习题
- 第10章 图像处理中的深度学习——图像分类
- 10.1 图像处理中的深度学习
- 10.1.1 什么是深度学习
- 10.1.2 经典学习与深度学习
- 10.1.3 为何需要深度学习
- 10.2 卷积神经网络
- 卷积、池化或全连接层——CNN架构以及它是如何工作的
- 10.3 使用TensorFlow或Keras进行图像分类
- 10.3.1 使用TensorFlow进行图像分类
- 10.3.2 使用Keras对密集全连接层进行分类
- 10.3.3 使用基于Keras的卷积神经网络进行分类
- 10.4 应用于图像分类的主流深度卷积神经网络
- VGG-16/19
- 小结
- 习题
- 第11章 图像处理中的深度学习——目标检测等
- 11.1 YOLO v2
- 11.1.1 对图像进行分类与定位以及目标检测
- 11.1.2 使用卷积神经网络检测目标
- 11.1.3 使用YOLO v2
- 11.2 利用DeepLab v3+的深度语义分割
- 11.2.1 语义分割
- 11.2.2 DeepLab v3+
- 11.3 迁移学习——什么是迁移学习以及什么时候使用迁移学习
- 用Keras实现迁移学习
- 11.4 使用预训练的Torch模型和cv2实现神经风格迁移
- 11.4.1 了解NST算法
- 11.4.2 使用迁移学习实现NST
- 11.4.3 计算总损失
- 11.5 使用Python和OpenCV实现神经风格迁移
- 小结
- 习题
- 第12章 图像处理中的其他问题
- 12.1 接缝雕刻
- 12.1.1 使用接缝雕刻进行内容感知的图像大小调整
- 12.1.2 使用接缝雕刻移除目标
- 12.2 无缝克隆和泊松图像编辑
- 12.3 图像修复
- 12.4 变分图像处理
- 12.4.1 全变分去噪
- 12.4.2 使用全变分去噪创建平面纹理卡通图像
- 12.5 图像绗缝
- 12.5.1 纹理合成
- 12.5.2 纹理迁移
- 12.6 人脸变形
- 小结
- 习题
展开全部
Python图像处理实战是2020年由人民邮电出版社出版,作者 著。
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图像处理实战》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
本书研究将图像分割算法运用于印刷图像分色过程，旨在提取图像中适合金色油墨印刷的区域，用于生成印刷使用的金墨色版，使印刷的图像更真实的金属质感。
电子书
本书第1章为磨刀不误砍柴功；第2章为打通数码照片的任督二脉；第3章为五招让照片更有感觉；第4章为就这么简单，一步搞定；第5章为调色的八种武器；第6章为让照片中的你更美；第7章为...
电子书
精讲学习视频全程相伴，扫码即看；331个有趣实例及精彩分析娓娓道来
电子书
本书共15章，主要内容有：设计家装施工图常用图形、绘制工装施工图常用图形、设计施工图常用材料图形、设计园林施工图常用图形、设计现代风格小户型图、设计简欧风格两居室图、设计现代风...
电子书
1．从零开始，适合新手学习 对于只有代码入门基础的新手来说，看文档学习使用工具是十分困难的一件事。因为对代码的不理解、没有编程思维，看文档简直就像是在看天书。另外大部分的新文档都是英文版的，国内的中文文档都是翻译过来的，在翻译过程中容易产生偏差。而本书基础知识篇中，从各官方文档中直接整理出爬虫爬取需要用到的部分。没有繁杂啰唆的文字，用简单的语言告诉你学习的重点知识，让你快速上手爬虫。在实战阶段，详细介绍每一个步骤，便于理解，让你也能靠自己写出爬虫。 2．实例丰富，解决各种爬虫问题 网上很多爬虫的各种教程，大部分都是爬取豆瓣电影、招聘网站职位进行分析。本书实战项目挑选的都是网上少有人爬取的网站，让你可以学习到各式各样的爬取方式。 3．站得更高，设计自己的产品 本书除了教你如何爬取网站外，还有很多以爬虫为基础的多功能设计教程，如爬虫机器人、爬虫网站、爬虫搜索功能。让你在学会爬取技术的同时，形成产品的思维去设计自己的产品。
电子书
《Excel数据管理：不加班的秘密》主要有以下特点： ·结合实战案例，除了书中内容结合案例以外，第2章到第6章详细介绍10大职场实战案例。 ·图解关键步骤，《Excel数据管理：不加班的秘密》没有采取详细列举操作步骤的撰写方法，仅对关键步骤进行图示标记说明。 ·拓展知识思路，通过专门的“知识拓展”栏目介绍与本节相关功能的高级应用。