计算机视觉应用与实战

本书围绕计算机视觉在农业、医学、工业等领域的案例，深入浅出地讲解计算机视觉核心的模型与关键技术。本书中所有案例的代码均能在达内时代科技集团自主研发的 AIX-EBoard 人工智能实验平台上部署与实施，实现了教学场景化、学习趣味化。本书分为三个部分，循序渐进地介绍计算机视觉相关技术的理论基础和各案例的实践步骤。第 1 部分基于 OpenCV 介绍传统视觉应用的基础算法，同时实现轮廓提取、全景图像拼接等案例的实践；在传统视觉应用的基础上，第 2 部分讲解基于机器学习和深度学习的视觉应用，结合不同行业的案例对图像进行分析处理，如水果识别、病虫害识别、相似图像搜索、眼底血管图像分割等。第 3 部分聚焦市场关注度较高的一些新兴视觉应用的原理及实现，如从二维图像到三维空间的重建、计算机视觉在移动设备中的应用、实时图像和视频的风格迁移等。本书适合人工智能相关专业的本科生、专科生及计算机初学者阅读，既可以作为应用型本科院校和高等职业院校人工智能专业的教材，也可以作为相关领域从业者的学习和参考用书。本书可以帮助有一定基础的读者查漏补缺，深入理解和掌握相关原理与方法，提高解决实际问题的能力。

目 录
第 1 部分 基于 OpenCV 的传统视觉应用
第 1 章 图像生成 /2
1.1 图像显示 /3
1.1.1 使用 OpenCV 显示图像 /3
1.1.2 使用 Matplotlib 显示图像 /3
1.1.3 案例实现――使用OpenCV 显示图像 /3
1.1.4 案例实现――使用Matplotlib 显示图像 /5
1.2 图像读取 /6
1.2.1 使用 OpenCV 读取图像 /6
1.2.2 使用 Matplotlib 读取图像 /7
1.2.3 案例实现――使用OpenCV 读取图像 /7
1.2.4 案例实现――使用Matplotlib 读取图像 /9
1.3 图像保存 /10
1.3.1 使用 OpenCV 保存图像 /10
1.3.2 使用 Matplotlib 保存图像/11
1.3.3 案例实现――使用OpenCV 保存图像 /11
1.3.4 案例实现――使用Matplotlib 保存图像 /14
本章总结 /16
作业与练习 /16
第 2 章 OpenCV 图像处理（1） /17
2.1 图像模糊 /17
2.1.1 均值滤波 /17
2.1.2 中值滤波 /18
2.1.3 高斯滤波 /18
2.1.4 案例实现 /18
2.2 图像锐化 /21
2.2.1 图像锐化简介 /21
2.2.2 案例实现 /21
本章总结 /24
作业与练习 /24
第 3 章 OpenCV 图像处理（2） /26
3.1 OpenCV 绘图 /26
3.1.1 使用 OpenCV 绘制各种图形 /26
3.1.2 案例实现 /27
3.2 图像的几何变换 /31
3.2.1 几何变换操作 /31
3.2.2 案例实现 /32
本章总结 /38
作业与练习 /38
第 4 章 图像特征检测 /40
4.1 边缘编辑和增强 /41
4.1.1 Canny 边缘检测简介 /41
4.1.2 案例实现 /42
4.2 图像轮廓检测 /44
4.2.1 轮廓查找步骤 /45
4.2.2 查找轮廓函数 /45
4.2.3 绘制轮廓函数 /45
4.2.4 案例实现 /46
4.3 图像角点和线条检测 /48
4.3.1 角点的定义 /48
4.3.2 Harris 角点简介 /48
4.3.3 Harris 角点检测函数 /49
4.3.4 案例实现 /49
本章总结 /51
作业与练习 /52
第 5 章 图像特征匹配 /53
5.1 ORB 关键点检测与匹配 /53
5.1.1 FAST 算法 /54
5.1.2 BRIEF 算法 /55
5.1.3 特征匹配 /56
5.1.4 代码流程 /56
5.2 案例实现 /57
本章总结 /59
作业与练习 /59
第 6 章 图像对齐与拼接 /60
6.1 全景图像拼接 /60
6.1.1 全景图像的拼接原理 /61
6.1.2 算法步骤 /61
6.1.3 Ransac 算法介绍 /62
6.1.4 全景图像剪裁 /63
6.2 案例实现 /64
本章总结 /67
作业与练习 /67
第 7 章 相机运动估计 /68
7.1 双目相机运动估计 /68
7.1.1 相机测距流程 /68
7.1.2 双目相机成像模型 /69
7.1.3 极限约束 /70
7.1.4 双目测距的优势 /70
7.1.5 双目测距的难点 /70
7.2 案例实现 /72
本章总结 /82
作业与练习 /83
第 2 部分 基于机器学习和深度学习的视觉应用
第 8 章 基于 SVM 模型的手写数字识别/85
8.1 手写数字识别 /85
8.1.1 手写数字图像 /85
8.1.2 图像处理 /86
8.2 案例实现 /87
本章总结 /95
作业与练习 /95
第 9 章 基于 HOG+SVM 的行人检测 /96
9.1 行人检测 /96
9.1.1 HOG+SVM /96
9.1.2 检测流程 /97
9.1.3 滑动窗口 /98
9.1.4 非极大值抑制 /100
9.2 案例实现 /101
本章总结 /109
作业与练习 /109
第 10 章 数据标注 /110
10.1 目标检测数据标注 /110
10.1.1 数据收集与数据标注 /111
10.1.2 数据标注的通用规则 /112
10.1.3 案例实现 /113
10.2 视频目标跟踪数据标注 /118
10.2.1 视频与图像数据标注的差异 /118
10.2.2 案例实现 /119
本章总结 /127
作业与练习 /127
第 11 章 水果识别 /128
11.1 LeNet-5 模型的训练与评估 /128
11.1.1 卷积层 /129
11.1.2 池化层 /130
11.1.3 ReLU 层 /131
11.1.4 LeNet-5 模型 /131
11.1.5 Keras /132
11.1.6 案例实现 /133
11.2 LeNet-5 模型的应用 /139
11.2.1 使用 OpenCV 操作摄像头 /139
11.2.2 OpenCV 的绘图功能 /140
11.2.3 OpenCV 绘图函数的常见参数 /140
11.2.4 Keras 模型的保存和加载 /140
11.2.5 案例实现 /142
本章总结 /145
作业与练习 /145
第 12 章 病虫害识别 /147
12.1 植物叶子病虫害识别 /147
12.1.1 PlantVillage 数据集 /148
12.1.2 性能评估 /148
12.1.3 感受野 /149
12.2 案例实现 /149
本章总结 /161
作业与练习 /162
第 13 章 相似图像搜索 /163
13.1 以图搜图 /163
13.1.1 VGG 模型 /164
13.1.2 H5 模型文件 /165
13.1.3 案例实现 /166
13.2 人脸识别 /173
13.2.1 人脸检测 /173
13.2.2 分析面部特征 /174
13.2.3 人脸识别特征提取 /175
13.2.4 人脸相似性比较 /176
13.2.5 案例实现 /176
本章总结 /184
作业与练习 /185
第 14 章 多目标检测 /186
14.1 人脸口罩佩戴检测 /186
14.1.1 目标检测 /187
14.1.2 YOLO 模型 /188
14.1.3 YOLOv3 模型 /190
14.1.4 YOLOv3-Tiny 模型 /191
14.2 案例实现 /192
本章总结 /198
作业与练习 /198
第 15 章 可采摘作物检测 /199
15.1 番茄成熟度检测 /199
15.1.1 数据集 /200
15.1.2 RCNN 模型 /201
15.1.3 SPP-Net 模型 /202
15.1.4 Fast-RCNN 模型 /202
15.1.5 Faster-RCNN 模型 /202
15.1.6 Mask-RCNN 模型 /203
15.2 案例实现 /204
本章总结 /213
作业与练习 /213
第 16 章 智能照片编辑 /214
16.1 图像自动着色 /214
16.1.1 GAN 模型的基本结构与原理 /215
16.1.2 构建 GAN 模型 /216
16.2 案例实现 /218
本章总结 /225
作业与练习 /225
第 17 章 超分辨率 /227
17.1 图像超分辨率 /227
17.1.1 SRGAN 模型的结构 /228
17.1.2 SRGAN 模型的损失函数 /229
17.1.3 SRGAN 模型的评价指标 /230
17.2 案例实现 /230
本章总结 /237
作业与练习 /238
第 18 章 医学图像分割 /239
18.1 眼底血管图像分割 /239
18.1.1 图像分割 /240
18.1.2 语义分割 /241
18.1.3 全卷积神经网络 /243
18.1.4 反卷积 /244
18.1.5 U-Net 模型 /244
18.2 案例实现 /245
本章总结 /253
作业与练习 /253
第 19 章 医学图像配准 /255
19.1 头颈部 CT 图像配准 /255
19.1.1 图像配准方法 /256
19.1.2 VoxelMorph 配准框架 /257
19.1.3 TensorFlow-pix2pix /259
19.2 案例实现 /260
本章总结 /265
作业与练习 /265
第 20 章 视频内容分析 /267
20.1 人体动作识别 /267
20.1.1 视频动作识别模型 /268
20.1.2 UCF-101 数据集 /269
20.2 案例实现 /270
本章总结 /275
作业与练习 /275
第 21 章 图像语义理解 /277
21.1 视觉问答 /277
21.1.1 编码器-解码器模型 /279
21.1.2 光束搜索 /281
21.2 案例实现 /282
本章总结 /288
作业与练习 /288
第 3 部分 基于深度学习的新兴视觉应用
第 22 章 三维空间重建 /291
22.1 3D-R2N2 算法 /291
22.1.1 算法简介 /292
22.1.2 算法的优势 /292
22.1.3 算法的结构 /292
22.2 案例实现 /294
本章总结 /298
作业与练习 /298
第 23 章 视频稳定 /300
23.1 人脸视频稳定 /300
23.1.1 MobileNet 模型 /301
23.1.2 SSD 模型 /302
23.1.3 MobileNet-SSD 模型 /303
23.1.4 模型评估 /303
23.1.5 实时影响 /303
23.2 案例实现 /304
本章总结 /317
作业与练习 /317
第 24 章 目标检测与跟踪 /319
24.1 车辆检测与跟踪 /319
24.1.1 UA-DETRAC 数据集 /320
24.1.2 目标跟踪 /322
24.1.3 DeepSORT 目标跟踪 /323
24.2 案例实现 /324
本章总结 /337
作业与练习 /337
第 25 章 风格迁移 /339
25.1 图像与视频风格迁移 /339
25.1.1 理解图像内容和图像风格 /340
25.1.2 图像重建 /341
25.1.3 风格重建 /342
25.2 案例实现 /343
本章总结 /354
作业与练习 /355
附录 A 企业级综合教学项目介绍 /356
1.1 智慧停车场管理系统 /356
1.1.1 项目概述 /356
1.1.2 技能目标 /358
1.2 智慧景区管理系统 /358
1.2.1 项目概述 /358
1.2.2 技能目标 /359
1.3 智能考勤打卡系统 /360
1.3.1 项目概述 /360
1.3.2 技能目标 /361