MATLAB計算機視覺與深度學習實戰(zhàn)（第2版）

定　價：￥128.00

作　者：	劉衍琦，王小超，詹福宇
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥101.10)

ISBN：	9787121475733	出版時間：	2024-05-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書詳細講解了29個實用的MATLAB計算機視覺與深度學習實戰(zhàn)案例（含可運行程序），涉及圖像去霧、答題卡識別、圖像分割、肝臟影像輔助分割系統(tǒng)、人臉二維碼編解碼系統(tǒng)、英文印刷體字符識別、圖像融合、全景圖像拼接、圖像壓縮和重建、視頻處理工具、運動目標檢測、路面裂縫檢測識別系統(tǒng)、車流量計數(shù)、三維網(wǎng)格模型特征點提取、數(shù)字水印、圖像水印、輔助自動駕駛、汽車目標檢測、手寫數(shù)字識別、以圖搜圖、驗證碼識別、圖像生成、影像識別、物體識別、圖像校正、時間序列分析、交通目標檢測、智能問答等，還講解了深度神經(jīng)網(wǎng)絡的拆分、編輯、重構等多項重要技術及應用，涵蓋了數(shù)字圖像處理中幾乎所有的基本模塊，并延伸到了深度學習的理論及應用方面。工欲善其事，必先利其器。本書對每個數(shù)字圖像處理的知識點都提供了豐富、生動的案例素材，并以MATLAB為工具詳細講解了實驗的核心程序，涉及DeepLearning Toolbox、TensorFlow、Keras、Java等。通過對這些程序的閱讀、理解和仿真運行，讀者可以更加深刻地理解圖像處理的相關知識，并且更加熟練地掌握計算機視覺及深度學習在不同領域中的應用。本書以案例為基礎，結構緊湊，內(nèi)容深入淺出，實驗簡單高效，適合高等院校計算機、通信和自動化等相關專業(yè)的教師、本科生、研究生，以及計算機視覺工程人員閱讀和參考。

作者簡介

　　——劉衍琦技術圖書主編，擁有企業(yè)、研究所、高校從業(yè)經(jīng)歷，長期從事大數(shù)據(jù)和人工智能實踐應用相關工作，主要涉及機器學習、計算機視覺和自然語言處理等領域。曾主持和參與多個科研項目，已出版十余部圖書，擁有多項國家專利。 ——王小超天津工業(yè)大學副教授，碩士生導師，大連理工大學博士，北京航空航天大學計算機學院博士后，中國計算機學會會員，天津市131創(chuàng)新型人才培養(yǎng)工程第三層次人才。研究方向為圖形圖像處理，發(fā)表論文30多篇，主持完成國家自然科學基金項目1項。 ——詹福宇博士，畢業(yè)于西北工業(yè)大學航空學院飛行器設計專業(yè)，四川省特聘專家，自貢市“鹽都百千萬英才計劃”青年拔尖人才，現(xiàn)任中電科航空電子有限公司無人機領域高級技術專家，中電科特種飛機系統(tǒng)工程有限公司副總工程師。主要從事飛行器設計、導航飛控系統(tǒng)、智能控制系統(tǒng)等研究工作。

圖書目錄

第1章  基于圖像增強方法的圖像去霧技術
1.1 案例背景
1.2 空域圖像增強
1.3 直方圖均衡化
1.4 程序?qū)崿F(xiàn)
1.4.1 設計GUI
1.4.2 全局直方圖均衡化處理
1.4.3 限制對比度的自適應直方圖均衡化處理
1.4.4 Retinex增強處理
1.4.5 方法評測
第2章  基于Hough變換的答題卡識別
2.1 案例背景
2.2 圖像二值化
2.3 傾斜校正
2.4 圖像分割
2.5 程序?qū)崿F(xiàn)
2.5.1 圖像灰度化
2.5.2 灰度圖像二值化
2.5.3 圖像平滑濾波
2.5.4 圖像校正
2.5.5 完整性核查
第3章  基于聚類算法的圖像分割
3.1 案例背景
3.2 K-means聚類算法的原理
3.3 K-means聚類算法的特點
3.4 K-means聚類算法的缺點
3.5 基于K-means聚類算法進行圖像分割
3.6 程序?qū)崿F(xiàn)
3.6.1 數(shù)據(jù)樣本間的距離
3.6.2 提取特征向量
3.6.3 圖像聚類分割
第4章  基于區(qū)域生長的肝臟影像輔助分割系統(tǒng)
4.1 案例背景
4.2 閾值分割算法
4.3 區(qū)域生長算法
4.4 基于閾值預分割的區(qū)域生長算法
4.5 程序?qū)崿F(xiàn)
第5章  基于主成分分析的人臉二維碼編解碼系統(tǒng)
5.1 案例背景
5.2 QR編碼簡介
5.2.1 QR編碼的符號結構
5.2.2 QR編碼的基本特性
5.2.3 QR編碼的流程
5.2.4 QR譯碼的流程
5.3 主成分分析
5.4 程序?qū)崿F(xiàn)
5.4.1 人臉建庫
5.4.2 人臉識別
5.4.3 人臉二維碼
第6章  基于特征匹配的英文印刷體字符識別
6.1 案例背景
6.2 圖像預處理
6.3 圖像識別技術
6.4 程序?qū)崿F(xiàn)
6.4.1 設計GUI
6.4.2 回調(diào)識別
第7章  基于小波變換的圖像融合
7.1 案例背景
7.2 小波變換
7.3 程序?qū)崿F(xiàn)
7.3.1 設計GUI
7.3.2 圖像載入
7.3.3 小波融合
第8章  基于塊匹配的全景圖像拼接
8.1 案例背景
8.2 圖像拼接
8.3 圖像匹配
8.4 圖像融合
8.5 程序?qū)崿F(xiàn)
8.5.1 設計GUI
8.5.2 載入圖像
8.5.3 圖像匹配
8.5.4 圖像拼接
第9章  基于主成分分析的圖像壓縮和重建
9.1 案例背景
9.2 主成分分析降維的原理
9.3 由得分矩陣重建樣本
9.4 主成分分析數(shù)據(jù)壓縮比
9.5 基于主成分分析的圖像壓縮
9.6 程序?qū)崿F(xiàn)
9.6.1 主成分分析的代碼實現(xiàn)
9.6.2 圖像與樣本間的轉(zhuǎn)換
9.6.3 基于主成分分析的圖像壓縮
第10章  基于小波變換的圖像壓縮
10.1 案例背景
10.2 圖像壓縮基礎
10.3 程序?qū)崿F(xiàn)
第11章  基于GUI搭建通用的視頻處理工具
11.1 案例背景
11.2 視頻解析
11.3 程序?qū)崿F(xiàn)
11.3.1 設計GUI
11.3.2 實現(xiàn)GUI
第12章  基于幀間差分法進行運動目標檢測
12.1 案例背景
12.2 幀間差分法
12.3 背景差分法
12.4 光流法
12.5 程序?qū)崿F(xiàn)
第13章  路面裂縫檢測識別系統(tǒng)設計
13.1 案例背景
13.2 圖像灰度化
13.3 圖像濾波
13.4 圖像增強
13.5 圖像二值化
13.6 程序?qū)崿F(xiàn)
第14章  基于光流場的車流量計數(shù)
14.1 案例背景
14.2 光流法檢測運動物體的基本原理
14.3 光流場的計算方法
14.4 梯度光流場約束方程
14.5 Horn-Schunck算法
14.6 程序?qū)崿F(xiàn)
14.6.1 計算視覺系統(tǒng)工具箱簡介
14.6.2 基于光流場檢測汽車運動
第15章  基于鄰域支持的三維網(wǎng)格模型特征點提取
15.1 案例背景
15.2 網(wǎng)格特征提取
15.2.1 鄰域支持
15.2.2 網(wǎng)格特征點提取
15.3 程序?qū)崿F(xiàn)
第16章  基于小波變換的數(shù)字水印技術
16.1 案例背景
16.2 數(shù)字水印技術原理
16.3 典型的數(shù)字水印算法
16.4 數(shù)字水印攻擊和評價
16.5 基于小波變換的水印技術
16.6 程序?qū)崿F(xiàn)
16.6.1 準備宿主圖像和水印圖像
16.6.2 小波數(shù)字水印的嵌入
16.6.3 小波數(shù)字水印的檢測和提取
16.6.4 小波數(shù)字水印的攻擊實驗
第17章  基于BEMD與Hilbert曲線的圖像水印技術
17.1 案例背景
17.2 BEMD與Hilbert曲線
17.2.1 相關工作
17.2.2 案例算法
17.3 程序?qū)崿F(xiàn)
17.3.1 實驗結果與分析
17.3.2 核心程
第18章  基于計算機視覺的輔助自動駕駛
18.1 案例背景
18.2 環(huán)境感知
18.3 行為決策
18.4 路徑規(guī)劃
18.5 運動控制
18.6 程序?qū)崿F(xiàn)
18.6.1 傳感器數(shù)據(jù)載入
18.6.2 創(chuàng)建追蹤器
18.6.3 碰撞預警
第19章  基于深度學習的汽車目標檢測
19.1 案例背景
19.2 基本架構
19.3 卷積層
19.4 池化層
19.5 程序?qū)崿F(xiàn)
19.5.1 加載數(shù)據(jù)
19.5.2 構建CNN
19.5.3 訓練CNN
19.5.4 評估訓練效果
第20章  基于深度學習的手寫數(shù)字識別
20.1 案例背景
20.2 卷積核
20.3 特征圖
20.4 池化降維
20.5 模型定義
20.6 MATLAB實現(xiàn)
20.6.1 解析數(shù)據(jù)集
20.6.2 構建網(wǎng)絡模型
20.6.3 構建識別平臺
20.7 Python實現(xiàn)
20.7.1 數(shù)據(jù)拆分
20.7.2 訓練網(wǎng)絡
20.7.3 網(wǎng)絡測試
20.7.4 集成應用
第21章  基于深度學習的以圖搜圖
21.1 案例背景
21.2 選擇模型
21.2.1 AlexNet
21.2.2 VGGNet
21.2.3 GoogLeNet
21.3 深度特征
21.4 程序?qū)崿F(xiàn)
21.4.1 構建深度索引
21.4.2 構建搜索引擎
21.4.3 構建搜索平臺
第22章  基于深度學習的驗證碼識別
22.1 案例背景
22.2 生成驗證碼數(shù)據(jù)
22.3 驗證碼CNN識別
22.4 程序?qū)崿F(xiàn)
22.4.1 驗證碼樣本數(shù)據(jù)集標注
22.4.2 驗證碼樣本數(shù)據(jù)集分割
22.4.3 訓練驗證碼識別模型
22.4.4 測試驗證碼識別模型
第23章  基于生成對抗網(wǎng)絡的圖像生成
23.1 案例背景
23.2 選擇生成對抗數(shù)據(jù)
23.3 設計生成對抗網(wǎng)絡
23.4 程序?qū)崿F(xiàn)
23.4.1 訓練生成對抗模型
23.4.2 測試生成對抗模型
23.4.3 構建生成對抗平臺
第24章  基于深度學習的影像識別
24.1 案例背景
24.2 選擇肺部影像數(shù)據(jù)集
24.3 編輯CNN遷移模型
24.4 程序?qū)崿F(xiàn)
24.4.1 訓練CNN遷移模型
24.4.2 測試CNN遷移模型
24.4.3 融合CNN遷移模型
24.4.4 構建CNN識別平臺

第25章  基于CNN的物體識別
25.1 案例背景
25.2 CIFAR-10數(shù)據(jù)集
25.3 VGGNet
25.4 ResNet
25.5 程序?qū)崿F(xiàn)
第26章  基于CNN的圖像校正
26.1 案例背景
26.2 傾斜數(shù)據(jù)集
26.3 自定義CNN回歸網(wǎng)絡
26.4 AlexNet回歸網(wǎng)絡
26.5 程序?qū)崿F(xiàn)
第27章  基于LSTM的時間序列分析
27.1 案例背景
27.2 厄爾尼諾-南方濤動指數(shù)數(shù)據(jù)
27.3 樣條分析
27.4 用MATLAB實現(xiàn)LSTM預測
27.5 用Python實現(xiàn)LSTM預測
第28章  基于YOLO的交通目標檢測
28.1 案例背景
28.2 車輛YOLO檢測
28.3 交通標志YOLO檢測
第29章  基于ChatGPT的智能問答
29.1 案例背景
29.2 網(wǎng)絡URL訪問
29.3 ChatGPT接口說明
29.4 構建智能問答應用