第1章 計(jì)算機(jī)視覺(jué)概述 1
本章思維導(dǎo)圖 1
本章學(xué)習(xí)目標(biāo) 2
1.1 計(jì)算機(jī)視覺(jué)、模式識(shí)別和機(jī)器視覺(jué) 2
1.2 計(jì)算機(jī)視覺(jué)與生物視覺(jué) 2
1.3 機(jī)器學(xué)習(xí)在計(jì)算機(jī)視覺(jué)中的作用 6
1.4 計(jì)算機(jī)視覺(jué)的應(yīng)用領(lǐng)域 7
1.5 計(jì)算機(jī)視覺(jué)技術(shù)可能面臨的挑戰(zhàn) 10
本章小結(jié) 11
習(xí)題 11

第2章 編程語(yǔ)言Python及庫(kù)簡(jiǎn)介 12
本章思維導(dǎo)圖 12
本章學(xué)習(xí)目標(biāo) 13
2.1 搭建開(kāi)發(fā)環(huán)境和使用 13
2.1.1 Anaconda的安裝 13
2.1.2 Spyder漢化與簡(jiǎn)介 13
2.1.3 Spyder編程示例 15
2.2 編程語(yǔ)言Python 15
2.2.1 Python注釋 16
2.2.2 print輸出語(yǔ)句 16
2.2.3 標(biāo)識(shí)符 17
2.2.4 變量的操作 17
2.2.5 行與縮進(jìn) 18
2.2.6 常用五大標(biāo)準(zhǔn)數(shù)據(jù)類型 18
2.2.7 運(yùn)算符 21
2.2.8 分支語(yǔ)句 23
2.2.9 循環(huán)語(yǔ)句 24
2.2.10 函數(shù) 26
2.2.11 模塊 28
2.2.12 包 29
2.2.13 類 30
2.3 科學(xué)計(jì)算庫(kù)NumPy 32
2.3.1 NumPy簡(jiǎn)介 32
2.3.2 多維數(shù)組對(duì)象 32
2.3.3 索引方法 35
2.3.4 數(shù)組維度的變換 35
2.3.5 對(duì)象的屬性 36
2.3.6 數(shù)組的數(shù)學(xué)函數(shù) 37
2.3.7 NumPy中幾個(gè)典型函數(shù) 39
2.4 可視化庫(kù)Matplotlib簡(jiǎn)介 41
2.4.1 最基礎(chǔ)的繪圖示例 41
2.4.2 標(biāo)簽和圖例 43
2.4.3 子圖 44
2.5 機(jī)器學(xué)習(xí)Scikit-learn庫(kù)簡(jiǎn)介 45
2.5.1 數(shù)據(jù)集 46
2.5.2 數(shù)據(jù)集劃分 48
2.5.3 數(shù)據(jù)預(yù)處理 49
2.5.4 通用學(xué)習(xí)模式 50
2.6 圖像處理OpenCV庫(kù)簡(jiǎn)介 51
2.6.1 OpenCV核心模塊 52
2.6.2 OpenCV圖像基礎(chǔ)操作 53
2.7 深度學(xué)習(xí)框架PyTorch 56
2.7.1 創(chuàng)建Tensor 57
2.7.2 Tensor運(yùn)算 61
2.7.3 PyTorch網(wǎng)絡(luò)搭建所需函數(shù)/類 65
本章小結(jié) 65
習(xí)題 65

第3章 數(shù)字圖像預(yù)處理 67
本章思維導(dǎo)圖 67
本章學(xué)習(xí)目標(biāo) 67
3.1 圖像采樣與量化 68
3.1.1 坐標(biāo)系約定 68
3.1.2 采樣 68
3.1.3 量化 69
3.2 色彩空間 70
3.2.1 RGB色彩空間 71
3.2.2 GRAY色彩空間 72
3.2.3 YCrCb色彩空間 74
3.2.4 HSV色彩空間 75
3.3 圖像幾何變換 76
3.3.1 縮放 76
3.3.2 翻轉(zhuǎn) 77
3.3.3 旋轉(zhuǎn)（直角旋轉(zhuǎn)） 78
3.3.4 仿射變換 79
3.4 直方圖修正 83
3.4.1 灰度圖像直方圖 83
3.4.2 圖像清晰化 84
3.4.3 全局閾值處理 90
3.4.4 自適應(yīng)閾值處理 91
3.5 圖像去噪及卷積 92
3.5.1 圖像噪聲 92
3.5.2 均值濾波 93
3.5.3 中值濾波 94
3.5.4 高斯濾波 95
3.5.5 卷積與銳化 97
3.5.6 二值圖像的去噪 101
本章小結(jié) 104
習(xí)題 105

第4章 圖像特征與檢測(cè) 107
本章思維導(dǎo)圖 107
本章學(xué)習(xí)目標(biāo) 108
4.1 邊緣檢測(cè) 108
4.1.1 Roberts算子 110
4.1.2 Prewitt算子 111
4.1.3 Sobel算子 112
4.1.4 Scharr算子 113
4.1.5 Laplacian算子 114
4.1.6 Canny算子 116
4.1.7 圖像傅里葉變換 117
4.1.8 邊緣檢測(cè)的作用 119
4.2 圖像幾何參數(shù)的檢測(cè) 119
4.2.1 基于輪廓的對(duì)象識(shí)別 119
4.2.2 Hough變換 123
4.3 圖像紋理的檢測(cè) 127
4.4 基于哈希值的檢測(cè) 131
4.4.1 均值哈希 132
4.4.2 差異哈希 134
4.5 基于LBP算子的特征檢測(cè) 136
4.5.1 基本LBP算子 136
4.5.2 圓形LBP算子 137
4.5.3 旋轉(zhuǎn)不變LBP特征 137
4.5.4 均勻LBP模式 138
4.5.5 LBPH（LBP特征統(tǒng)計(jì)直方圖） 139
4.6 基于HOG算子的特征檢測(cè) 141
4.7 基于色彩的提取 144
4.8 基于差分的提取 146
4.8.1 幀間差分 146
4.8.2 背景差分 148
4.9 光流追蹤 151
4.9.1 稀疏光流 151
4.9.2 密集光流 152
本章小結(jié) 152
習(xí)題 154

第5章 機(jī)器學(xué)習(xí) 155
本章思維導(dǎo)圖 155
本章學(xué)習(xí)目標(biāo) 156
5.1 K-Means實(shí)現(xiàn) 157
5.2 K最近鄰算法 159
5.2.1 歐氏距離(euclidean distance) 160
5.2.2 曼哈頓距離(manhattan distance) 160
5.2.3 閔可夫斯基距離(minkowski distance) 161
5.2.4 余弦距離（cosine distance） 161
5.3 樸素貝葉斯算法 163
5.3.1 貝葉斯公式 163
5.3.2 樸素貝葉斯 164
5.4 決策樹(shù)算法 167
5.4.1 特征選擇 168
5.4.2 決策樹(shù)的修剪 169
5.5 支持向量機(jī)SVM 171
5.6 主成分分析PCA算法 173
5.7 線性回歸算法 176
5.7.1 線性回歸導(dǎo)入 176
5.7.2 代價(jià)函數(shù) 177
5.7.3 梯度下降法 178
5.7.4 嶺回歸（ridge regression） 184
5.7.5 套索回歸（lasso regression） 185
5.7.6 彈性網(wǎng)絡(luò)（elastic net） 186
5.8 邏輯回歸算法 186
5.8.1 Sigmoid函數(shù) 187
5.8.2 代價(jià)函數(shù) 189
5.9 模型評(píng)估 193
5.9.1 混淆矩陣 193
5.9.2 分類問(wèn)題常用評(píng)估指標(biāo) 194
5.9.3 回歸問(wèn)題常用評(píng)估指標(biāo) 196
5.9.4 評(píng)估方法 197
本章小結(jié) 198
習(xí)題 199

第6章 BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 201
本章思維導(dǎo)圖 201
本章學(xué)習(xí)目標(biāo) 202
6.1 感知機(jī) 202
6.2 感知機(jī)的激活函數(shù) 203
6.3 神經(jīng)網(wǎng)絡(luò)的激活函數(shù) 204
6.3.1 Sigmoid函數(shù) 204
6.3.2 Tanh函數(shù) 206
6.3.3 ReLU函數(shù) 206
6.3.4 Leaky ReLU、PReLU、RReLU函數(shù) 207
6.3.5 ELU函數(shù) 208
6.3.6 SELU函數(shù) 208
6.4 輸出層的設(shè)計(jì) 209
6.4.1 恒等函數(shù)和Softmax函數(shù) 210
6.4.2 Softmax函數(shù)的特征 211
6.4.3 輸出層的神經(jīng)元 211
6.5 損失函數(shù) 212
6.6 鏈?zhǔn)椒▌t與計(jì)算圖的反向傳播 212
6.7 隱藏層 214
6.8 PyTorch實(shí)現(xiàn)線性回歸 214
6.9 PyTorch實(shí)現(xiàn)邏輯回歸 218
6.10 BP神經(jīng)網(wǎng)絡(luò)入門(mén)示例 220
本章小結(jié) 221
習(xí)題 222

第7章 卷積神經(jīng)網(wǎng)絡(luò)CNN 223
本章思維導(dǎo)圖 223
本章學(xué)習(xí)目標(biāo) 223
7.1 輸入層 224
7.2 全連接層 225
7.3 全連接層在圖像處理中的問(wèn)題 225
7.4 卷積層 226
7.5 池化層 228
7.6 激活層 229
7.7 特征圖形象化 229
7.8 簡(jiǎn)單的CNN網(wǎng)絡(luò)示例 231
本章小結(jié) 232
習(xí)題 233

第8章 經(jīng)典神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析 234
本章思維導(dǎo)圖 234
本章學(xué)習(xí)目標(biāo) 234
8.1 典型網(wǎng)絡(luò)LeNet5 235
8.1.1 LeNet5解析 235
8.1.2 PyTorch實(shí)現(xiàn)LeNet5 236
8.1.3 PyTorch實(shí)現(xiàn)模型的保存與加載 238
8.2 典型網(wǎng)絡(luò)AlexNet 241
8.2.1 AlexNet網(wǎng)絡(luò)分析 242
8.2.2 局部響應(yīng)歸一化 243
8.2.3 批歸一化 243
8.2.4 Dropout 244
8.2.5 實(shí)現(xiàn)AlexNet 245
8.3 典型網(wǎng)絡(luò)VGGNet 248
8.3.1 VGGNet網(wǎng)絡(luò)分析 248
8.3.2 手工構(gòu)建VGGNet 251
8.4 典型網(wǎng)絡(luò)Inception 251
8.4.1 Inception網(wǎng)絡(luò)分析 252
8.4.2 手工構(gòu)建Inception網(wǎng)絡(luò) 255
8.5 典型網(wǎng)絡(luò)ResNet 255
8.5.1 ResNet網(wǎng)絡(luò)分析 256
8.5.2 手工構(gòu)建ResNet 258
8.6 幾種網(wǎng)絡(luò)的比較 258
8.7 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展 259
8.7.1 分類網(wǎng)絡(luò) 260
8.7.2 檢測(cè)網(wǎng)絡(luò) 261
8.7.3 分割網(wǎng)絡(luò) 261
本章小結(jié) 263
習(xí)題 263

第9章 百度EasyDL入門(mén) 264
本章思維導(dǎo)圖 264
本章學(xué)習(xí)目標(biāo) 264
9.1 圖像分類 265
9.1.1 創(chuàng)建數(shù)據(jù)集 265
9.1.2 數(shù)據(jù)集標(biāo)注 267
9.1.3 模型訓(xùn)練 267
9.1.4 模型校驗(yàn) 269
9.1.5 模型發(fā)布 269
9.1.6 體驗(yàn)?zāi)Ｐ?270
9.2 物體檢測(cè) 270
9.2.1 創(chuàng)建數(shù)據(jù)集 270
9.2.2 數(shù)據(jù)集標(biāo)注 270
9.2.3 模型訓(xùn)練 271
9.2.4 模型校驗(yàn) 271
9.2.5 模型發(fā)布和體驗(yàn)?zāi)Ｐ?272
9.3 圖像分割 272
本章小結(jié) 273
習(xí)題 273

第10章 計(jì)算機(jī)視覺(jué)在制造行業(yè)應(yīng)用案例分析 274
本章思維導(dǎo)圖 274
本章學(xué)習(xí)目標(biāo) 274
10.1 齒輪齒數(shù)統(tǒng)計(jì)分析 275
10.2 滾動(dòng)軸承故障診斷 276
10.3 薄壁件銑削顫振監(jiān)測(cè) 279
本章小結(jié) 281
習(xí)題 281

參考文獻(xiàn) 282