MATLAB計算機視覺與深度學(xué)習(xí)實戰(zhàn)

第 1 章 基于直方圖優(yōu)化的圖像去霧技術(shù) 1
1.1 案例背景 1
1.2 理論基礎(chǔ) 1
1.2.1 空域圖像增強 1
1.2.2 直方圖均衡化 2
1.3 程序?qū)崿F(xiàn) 3
1.3.1 設(shè)計 GUI 界面 4
1.3.2 全局直方圖處理 4
1.3.3 局部直方圖處理 7
1.3.4 Retinex 增強處理 9
1.4 延伸閱讀 13
1.5 參考文獻 13
第 2 章 基于 形態(tài)學(xué)的權(quán)重自適應(yīng)圖像去噪 14
2.1 案例背景 14
2.2 理論基礎(chǔ) 15
2.2.1 圖像去噪方法 15
2.2.2 數(shù)學(xué)形態(tài)學(xué)原理 16
2.2.3 權(quán)重自適應(yīng)的多結(jié)構(gòu)形態(tài)學(xué)去噪 16
2.3 程序?qū)崿F(xiàn) 17
2.4 延伸閱讀 22
2.5 參考文獻 23
第 3 章 基于多尺度形態(tài)學(xué)提取眼前節(jié)組織 24
3.1 案例背景 24
3.2 理論基礎(chǔ) 25
3.3 程序?qū)崿F(xiàn) 28
3.3.1 多尺度邊緣 28
3.3.2 主處理函數(shù) 29
3.3.3 形態(tài)學(xué)處理 31
3.4 延伸閱讀 33
3.5 參考文獻 33
第 4 章 基于 Hough 變化的答題卡識別 34
4.1 案例背景 34
4.2 理論基礎(chǔ) 34
4.2.1 圖像二值化 35
4.2.2 傾斜校正 35
4.2.3 圖像分割 38
4.3 程序?qū)崿F(xiàn) 40
4.4 延伸閱讀 51
4.5 參考文獻 51
第 5 章 基于閾值分割的車牌定位識別 52
5.1 案例背景 52
5.2 理論基礎(chǔ) 52
5.2.1 車牌圖像處理 53
5.2.2 車牌定位原理 57
5.2.3 車牌字符處理 57
5.2.4 字符識別 59
5.3 程序?qū)崿F(xiàn) 61
5.4 延伸閱讀 69
5.5 參考文獻 69
第 6 章 基于分水嶺分割進行肺癌診斷 70
6.1 案例背景 70
6.2 理論基礎(chǔ) 70
6.2.1 模擬浸水的過程 71
6.2.2 模擬降水的過程 71
6.2.3 過度分割問題 71
6.2.4 標記分水嶺分割算法 71
6.3 程序?qū)崿F(xiàn) 72
6.4 延伸閱讀 77
6.5 參考文獻 78
第 7 章 基于主成分分析的人臉二維碼識別 79
7.1 案例背景 79
7.2 理論基礎(chǔ) 79
7.2.1 QR 編碼簡介 80
7.2.2 QR 編碼譯碼 82
7.2.3 主成分分析方法 84
7.3 程序?qū)崿F(xiàn) 86
7.3.1 人臉建庫 86
7.3.2 人臉識別 87
7.3.3 人臉二維碼 88
7.4 延伸閱讀 93
7.5 參考文獻 93
第 8 章 基于知識庫的手寫體數(shù)字識別 94
8.1 案例背景 94
8.2 理論基礎(chǔ) 94
8.2.1 算法流程 94
8.2.2 特征提取 95
8.2.3 模式識別 96
8.3 程序?qū)崿F(xiàn) 97
8.3.1 圖像處理 97
8.3.2 特征提取 98
8.3.3 模式識別 101
8.4 延伸閱讀 102
8.4.1 識別器選擇 102
8.4.2 提高識別率 102
8.5 參考文獻 102
第 9 章 基于特征匹配的英文印刷字符識別 103
9.1 案例背景 103
9.2 理論基礎(chǔ) 104
9.2.1 圖像預(yù)處理 104
9.2.2 圖像識別技術(shù) 105
9.3 程序?qū)崿F(xiàn) 106
9.4 延伸閱讀 112
9.5 參考文獻 112
第 10 章 基于不變矩的數(shù)字驗證碼識別 113
10.1 案例背景 113
10.2 理論基礎(chǔ) 114
10.3 程序?qū)崿F(xiàn) 114
10.3.1 設(shè)計 GUI 界面· 114
10.3.2 載入驗證碼圖像 115
10.3.3 驗證碼圖像去噪 117
10.3.4 驗證碼數(shù)字定位 118
10.3.5 驗證碼歸一化 121
10.3.6 驗證碼數(shù)字識別 122
10.3.7 手動確認并入庫 125
10.3.8 重新生成模板庫 127
10.4 延伸閱讀 129
10.5 參考文獻 130
第 11 章 基于小波技術(shù)進行圖像融合 131
11.1 案例背景 131
11.2 理論基礎(chǔ) 132
11.3 程序?qū)崿F(xiàn) 134
11.3.1 GUI 設(shè)計 134
11.3.2 圖像載入 135
11.3.3 小波融合 136
11.4 延伸閱讀 139
11.5 參考文獻 139
第 12 章 基于塊匹配的全景圖像拼接 140
12.1 案例背景 140
12.2 理論基礎(chǔ) 140
12.2.1 圖像匹配 141
12.2.2 圖像融合 143
12.3 程序?qū)崿F(xiàn) 144
12.3.1 設(shè)計 GUI 144
12.3.2 載入圖片 145
12.3.3 圖像匹配 147
12.3.4 圖像拼接 150
12.4 延伸閱讀 156
12.5 參考文獻 156
第 13 章 基于霍夫曼圖像壓縮重建 157
13.1 案例背景 157
13.2 理論基礎(chǔ) 157
13.2.1 霍夫曼編碼的步驟 158
13.2.2 霍夫曼編碼的特點 158
13.3 程序?qū)崿F(xiàn) 160
13.3.1 設(shè)計 GUI 160
13.3.2 壓縮重構(gòu) 161
13.3.3 效果對比 166
13.4 延伸閱讀 168
13.5 參考文獻 169
第 14 章 基于主成分分析的圖像壓縮和重建 170
14.1 案例背景 170
14.2 理論基礎(chǔ) 170
14.2.1 主成分降維分析原理 170
14.2.2 由得分矩陣重建樣本 171
14.2.3 主成分分析數(shù)據(jù)壓縮比 172
14.2.4 基于主成分分析的圖像壓縮 172
14.3 程序?qū)崿F(xiàn) 173
14.3.1 主成分分析源代碼 173
14.3.2 圖像和樣本間轉(zhuǎn)換 174
14.3.3 基于主成分分析的圖像壓縮 175
14.4 延伸閱讀 178
14.5 參考文獻 179
第 15 章 基于小波的圖像壓縮技術(shù) 180
15.1 案例背景 180
15.2 理論基礎(chǔ) 181
15.3 程序?qū)崿F(xiàn) 183
15.4 延伸閱讀 191
15.5 參考文獻 191
第 16 章 基于 Hu 不變矩的圖像檢索技術(shù) 192
16.1 案例背景 192
16.2 理論基礎(chǔ) 192
16.3 程序?qū)崿F(xiàn) 194
16.3.1 圖像預(yù)處理 194
16.3.2 計算不變矩 194
16.3.3 圖像檢索 196
16.3.4 結(jié)果分析 198
16.4 延伸閱讀 201
16.5 參考文獻 202
第 17 章 基于 Harris 的角點特征檢測 203
17.1 案例背景 203
17.2 理論基礎(chǔ) 204
17.2.1 Harris 基本原理 204
17.2.2 Harris 算法流程 206
17.2.3 Harris 角點性質(zhì) 206
17.3 程序?qū)崿F(xiàn) 208
17.3.1 Harris 算法代碼 208
17.3.2 角點檢測實例 209
17.4 延伸閱讀 210
17.5 參考文獻 211
第 18 章 基于 GUI 搭建通用視頻處理工具 212
18.1 案例背景 212
18.2 理論基礎(chǔ) 212
18.3 程序?qū)崿F(xiàn) 214
18.3.1 GUI 設(shè)計 214
18.3.2 GUI 實現(xiàn) 215
18.4 延伸閱讀 226
18.5 參考文獻 226
第 19 章 基于語音識別的信號燈圖像模擬控制技術(shù) 227
19.1 案例背景 227
19.2 理論基礎(chǔ) 227
19.3 程序?qū)崿F(xiàn) 229
19.4 延伸閱讀 239
19.5 參考文獻 240
第 20 章 基于幀間差法進行視頻目標檢測 241
20.1 案例背景 241
20.2 理論基礎(chǔ) 241
20.2.1 幀間差分法 242
20.2.2 背景差分法 243
20.2.3 光流法 243
20.3 程序?qū)崿F(xiàn) 244
20.4 延伸閱讀 253
20.5 參考文獻 253
第 21 章 路面裂縫檢測識別系統(tǒng)設(shè)計 254
21.1 案例背景 254
21.2 理論基礎(chǔ) 254
21.2.1 圖像灰度化 255
21.2.2 圖像濾波 257
21.2.3 圖像增強 259
21.2.4 圖像二值化 260
21.3 程序?qū)崿F(xiàn) 262
21.4 延伸閱讀 274
21.5 參考文獻 274
第 22 章 基于 K-means 聚類算法的圖像區(qū)域分割 275
22.1 案例背景 275
22.2 理論基礎(chǔ) 275
22.2.1 K-means 聚類算法原理 275
22.2.2 K-means 聚類算法的要點 276
22.2.3 K-means 聚類算法的缺點 277
22.2.4 基于 K-means 圖像分割 278
22.3 程序?qū)崿F(xiàn) 278
22.3.1 樣本之間的巨鹿 278
22.3.2 提取特征向量 279
22.3.3 圖像聚類分割 280
22.4 延伸閱讀 282
22.5 參考文獻 283
第 23 章 基于光流場的交通汽車檢測跟蹤 284
23.1 案例背景 284
23.2 理論基礎(chǔ) 284
23.2.1 光流法檢測運動原理 284
23.2.2 光流的主要計算方法 285
23.2.3 梯度光流場約束方程 287
23.2.4 Horn-Schunck 光流算法 288
23.3 程序?qū)崿F(xiàn) 290
23.3.1 計算視覺系統(tǒng)工具箱簡介 290
23.3.2 基于光流場檢測汽車運動 291
23.3.3 搭建 Simulink 運動檢測模型 295
23.4 延伸閱讀 297
23.5 參考文獻 298
第 24 章 基于 Simulink 進行圖像和視頻處理 299
24.1 案例背景 299
24.2 模塊介紹 299
24.2.1 分析和增強模塊庫（Analysis & Enhancement）· 300
24.2.2 轉(zhuǎn)化模塊庫（Conversions） 301
24.2.3 濾波 3 模塊庫（Filtering） 301
24.2.4 幾何變換模塊庫（Geometric Transformations） 302
24.2.5 形態(tài)學(xué)操作模塊庫（Morphological Operations） 302
24.2.6 輸入模塊庫（Sources） 303
24.2.7 輸出模塊庫（Sinks）· 303
24.2.8 統(tǒng)計模塊庫（Statistics） 304
24.2.9 文本和圖形模塊庫（Text & Graphic）· 304
24.2.10 變換模塊庫（Transforms） 305
24.2.11 其他工具模塊庫（Utilities） 305
24.3 仿真案例 306
24.3.1 搭建組織模型 306
24.3.2 仿真執(zhí)行模型 308
24.3.3 代碼自動生成 309
24.4 延伸閱讀 314
24.5 參考文獻 316
第 25 章 基于小波變換的數(shù)字水印技術(shù) 317
25.1 案例背景 317
25.2 理論基礎(chǔ) 317
25.2.1 數(shù)字水印技術(shù)原理 318
25.2.2 典型的數(shù)字水印算法 320
25.2.3 數(shù)字水印攻擊和評價 322
25.2.4 基于小波的水印技術(shù) 323
25.3 程序?qū)崿F(xiàn) 326
25.3.1 準備載體和水印圖像 326
25.3.2 小波數(shù)字水印的嵌入 327
25.3.3 小波數(shù)字水印的提取 331
25.3.4 小波水印的攻擊試驗 333
25.4 延伸閱讀 337
25.5 參考文獻 337
第 26 章 基于最小誤差法的胸片分割 339
26.1 案例背景 339
26.2 理論基礎(chǔ) 339
26.2.1 圖像增強 340
26.2.2 區(qū)域選擇 340
26.2.3 形態(tài)學(xué)濾波 341
26.2.4 最小誤差法胸片分割 342
26.3 程序?qū)崿F(xiàn) 343
26.3.1 設(shè)計 GUI 界面· 343
26.3.2 圖像預(yù)處理 344
26.3.3 最小誤差法分割 348
26.3.4 形態(tài)學(xué)后處理 350
26.4 延伸閱讀 353
26.5 參考文獻 353
第 27 章 基于區(qū)域生長的肝臟影像分割系統(tǒng) 354
27.1 案例背景 354
27.2 理論基礎(chǔ) 355
27.2.1 閾值分割 355
27.2.2 區(qū)域生長 355
27.2.3 基于閾值預(yù)分割的區(qū)域生長 356
27.3 程序?qū)崿F(xiàn) 357
27.4 延伸閱讀 361
27.5 參考文獻 361
第 28 章 基于深度學(xué)習(xí)的汽車目標檢測 362
28.1 案例背景 362
28.2 理論基礎(chǔ) 363
28.2.1 基本架構(gòu) 363
28.2.2 卷積層 363
28.2.3 池化層 365
28.3 程序?qū)崿F(xiàn) 365
28.3.1 加載數(shù)據(jù) 365
28.3.2 構(gòu)建 CNN 網(wǎng)絡(luò) 367
28.3.3 訓(xùn)練 CNN 網(wǎng)絡(luò) 368
28.3.4 評估訓(xùn)練效果 370
28.4 延伸閱讀 372
28.5 參考文獻 372
第 29 章 基于計算機視覺的自動駕駛應(yīng)用 374
29.1 案例背景 374
29.2 理論基礎(chǔ) 375
29.2.1 環(huán)境感知 375
29.2.2 行為決策 375
29.2.3 路徑規(guī)劃 376
29.2.4 運動控制 376
29.3 程序?qū)崿F(xiàn) 376
29.3.1 傳感器數(shù)據(jù)載入 376
29.3.2 追蹤器創(chuàng)建 378
29.3.3 碰撞預(yù)警 380
29.4 延伸閱讀 385
29.5 參考文獻 385
第 30 章 基于深度學(xué)習(xí)的視覺場景識別 386
30.1 案例背景 386
30.2 理論基礎(chǔ) 387
30.2.1 發(fā)展歷程 387
30.2.2 算法思想 387
30.3 程序?qū)崿F(xiàn) 388
30.3.1 環(huán)境配置 388
30.3.2 數(shù)據(jù)集制作 389
30.3.3 網(wǎng)絡(luò)訓(xùn)練 391
30.3.4 網(wǎng)絡(luò)測試 397
30.4 延伸閱讀 400
30.5 參考文獻 400