第1章  圖像識別技術基礎 1
1.1  圖像識別概述 2
1.1.1  什麼是圖像識別 2
1.1.2  圖像識別的發展階段 2
1.1.3  圖像識別的應用 3
1.2  圖像識別的過程 4
1.3  圖像識別技術 4
1.3.1  人工智能 5
1.3.2  機器學習 5
1.3.3  深度學習 6
1.3.4  基於神經網絡的圖像識別 6
1.3.5  基於非線性降維的圖像識別 7
第2章  scikit-image數字圖像處理 9
2.1  scikit-image基礎 10
2.1.1  安裝scikit-image 10
2.1.2  scikit-image中的模塊 10
2.2  顯示圖像 11
2.2.1  使用skimage讀入並顯示外部圖像 11
2.2.2  讀取並顯示外部灰度圖像 12
2.2.3  讀取並顯示內置星空圖片 13
2.2.4  讀取並保存內置星空圖片 14
2.3  常見的圖像操作 14
2.3.1  對內置圖片進行二值化操作 15
2.3.2  對內置圖片進行裁剪處理 16
2.3.3  將RGB圖轉換為灰度圖 17
2.3.4  使用skimage實現繪制圖片功能 18
2.3.5  使用subplot()函數繪制多視圖窗口 19
2.3.6  改變指定圖片的大小 21
2.3.7  使用函數rescale()縮放圖片 22
2.3.8  使用函數rotate()旋轉圖片 22
第3章  OpenCV圖像視覺處理 25
3.1  OpenCV基礎 26
3.1.1  OpenCV和OpenCV-Python介紹 26
3.1.2  安裝OpenCV-Python 26
3.2  OpenCV-Python圖像操作 27
3.2.1  讀取並顯示圖像 27
3.2.2  保存圖像 29
3.2.3  在Matplotlib中顯示圖像 30
3.2.4  繪圖 31
3.2.5  將鼠標作為畫筆 34
3.2.6  調色板程序 36
3.2.7  基本的屬性操作 37
3.3  OpenCV-Python視頻操作 40
3.3.1  讀取視頻 40
3.3.2  播放視頻 41
3.3.3  保存視頻 42
3.3.4  改變顏色空間 43
3.3.5  視頻的背景分離 45
第4章  dlib機器學習和圖像處理 49
4.1  dlib介紹 50
4.2  dlib基本的人臉檢測 50
4.2.1  人臉檢測 50
4.2.2  使用命令行進行人臉識別 52
4.2.3  檢測人臉關鍵點 54
4.2.4  基於CNN的人臉檢測器 56
4.2.5  在攝像頭中識別人臉 58
4.2.6  人臉識別驗證 59
4.2.7  全局優化 60
4.2.8  人臉聚類 62
4.2.9  抖動采樣和增強 64
4.2.10  人臉和姿勢采集 65
4.2.11  物體追蹤 66
4.3  SVM分類算法 67
4.3.1  二進制SVM分類器 68
4.3.2  Ranking SVM算法 69
4.3.3  Struct SVM多分類器 72
4.4  自訓練模型 75
4.4.1  訓練自己的模型 75
4.4.2  自制對像檢測器 78
第5章  face_recognition人臉識別 83
5.1  安裝face_recognition 84
5.2  實現基本的人臉檢測 84
5.2.1  輸出顯示指定人像人臉特征 84
5.2.2  在指定照片中識別標記出人臉 86
5.2.3  識別出照片中的所有人臉 88
5.2.4  判斷照片中是否包含某個人 91
5.2.5  識別出照片中的人是誰 92
5.2.6  攝像頭實時識別 93
5.3  深入face_recognition人臉檢測 98
5.3.1  檢測用戶眼睛的狀態 99
5.3.2  模糊處理人臉 101
5.3.3  檢測兩個人臉是否匹配 102
5.3.4  識別視頻中的人臉 103
5.3.5  網頁版人臉識別器 106
第6章  采樣、變換和卷積處理 109
6.1  采樣 110
6.1.1  最近鄰插值采樣 110
6.1.2  雙線性插值 112
6.1.3  雙立方插值 116
6.1.4  Lanczos插值 118
6.2離散傅裡葉變換 119
6.2.1為什麼使用DFT 119
6.2.2  用庫NumPy實現DFT 120
6.2.3  用庫SciPy實現DFT 121
6.2.4用快速傅裡葉變換算法計算DFT 122
6.3卷積 124
6.3.1為什麼需要卷積圖像 124
6.3.2使用庫SciPy中的函數
convolve2d()進行卷積 124
6.3.3使用庫SciPy中的函數ndimage.convolve()進行卷積 126
6.4  頻域濾波 128
6.4.1什麼是濾波器 128
6.4.2高通濾波器 128
6.4.3低通濾波器 130
6.4.4DoG 帶通濾波器 130
6.4.5帶阻濾波器 132
第7章  圖像增強 135
7.1  對比度增強 136
7.1.1  直方圖均衡化 136
7.1.2  自適應直方圖均衡化 138
7.1.3  對比度拉伸 140
7.1.4  非線性對比度增強 142
7.2  銳化 144
7.2.1  銳化濾波 145
7.2.2  高頻強調濾波 148
7.2.3  基於梯度的銳化 152
7.3  減少噪聲 156
7.3.1  均值濾波器 156
7.3.2  中值濾波器 158
7.3.3  高斯濾波器 158
7.3.4  雙邊濾波器 159
7.3.5  小波降噪 160
7.4  色彩平衡 161
7.4.1  白平衡 161
7.4.2  顏色校正 163
7.4.3  調整色調和飽和度 164
7.5  超分辨率 165
7.6  去除運動模糊 167
7.6.1  邊緣 167
7.6.2  逆濾波 169
7.6.3  統計方法 170
7.6.4  盲去卷積 171
第8章  圖像特征提取 173
8.1圖像特征提取方法 174
8.2  顏色特征 174
8.2.1  顏色直方圖 174
8.2.2  其他顏色特征提取方法 176
8.3  紋理特征 178
8.3.1  灰度共生矩陣 178
8.3.2  方向梯度直方圖 180
8.3.3  尺度不變特征變換 181
8.3.4  小波變換 182
8.4  形狀特征 184
8.4.1  邊界描述子 184
8.4.2  預處理後的輪廓特征 188
8.4.3  模型擬合方法 190
8.4.4  形狀上的變換 193
8.5  基於LoG、DoG和DoH的斑點檢測器 196
8.5.1  LoG濾波器 197
8.5.2  DoG濾波器 198
8.5.3  DoH算法 200
第9章  圖像分割 203
9.1  圖像分割的重要性 204
9.2  基於閾值的分割 204
9.2.1  灰度閾值分割 205
9.2.2  彩色閾值分割 206
9.3  基於邊緣的分割 207
9.3.1  Canny邊緣檢測 207
9.3.2  邊緣連接方法 208
9.4  基於區域的分割 209
9.4.1  區域生長算法 209
9.4.2  圖割算法 212
9.4.3  基於聚類的分割算法 213
9.5  基於圖論的分割 215
9.5.1  圖割算法 215
9.5.2  最小生成樹算法 215
9.6  基於深度學習的分割 217
9.6.1  FCN 217
9.6.2  U-Net 219
9.6.3  DeepLab 220
9.6.4  Mask R-CNN 220
第10章  目標檢測 223
10.1目標檢測概述 224
10.1.1  目標檢測的步驟 224
10.1.2  目標檢測的方法 224
10.2YOLO v5 225
10.2.1  YOLO v5的改進 225
10.2.2  基於YOLO v5的訓練、驗證和預測 226
10.3  語義分割 242
10.3.1什麼是語義分割 242
10.3.2DeepLab語義分割 244
10.4  SSD目標檢測 245
10.4.1  攝像頭目標檢測 246
10.4.2  基於圖像的目標檢測 247
第11章  圖像分類 249
11.1圖像分類介紹 250
11.2  基於特征提取和機器學習的圖像分類 250
11.2.1  圖像分類的基本流程 250
11.2.2  基於scikit-learn機器學習的圖像分類 251
11.2.3  分類算法 254
11.2.4  聚類算法 257
11.3  基於卷積神經網絡的圖像分類 259
11.3.1  卷積神經網絡的基本結構 259
11.3.2  第一個卷積神經網絡程序 262
11.3.3  使用卷積神經網絡進行圖像分類 267
11.4  基於遷移學習的圖像分類 279
11.4.1  遷移學習介紹 279
11.4.2  基於遷移學習的圖片分類器 280
11.5  基於循環神經網絡的圖像分類 284
11.5.1  循環神經網絡介紹 284
11.5.2  實戰演練 285
11.6  基於卷積循環神經網絡的圖像分類 286
11.6.1  卷積循環神經網絡介紹 286
11.6.2  CRNN圖像識別器 287
第12章  國內常用的第三方人臉識別平臺 291
12.1  百度AI開放平臺 292
12.1.1  百度AI開放平臺介紹 292
12.1.2  使用百度AI之前的準備工作 292
12.1.3  基於百度AI平臺的人臉識別 296
12.2  科大訊飛AI開放平臺 301
12.2.1  科大訊飛AI開放平臺介紹 301
12.2.2  申請試用 301
12.2.3  基於科大訊飛AI的人臉識別 302
第13章  鬥轉星移換圖繫統 311
13.1背景介紹 312
13.1.1  CycleGAN的作用 312
13.1.2  CycleGAN的原理 312
13.2繫統模塊架構 313
13.3設置數據集 313
13.4訓練數據 315
13.4.1  加載圖像 315
13.4.2  輔助功能 316
13.4.3  生成對抗網絡模型 319
13.4.4  訓練CycleGAN模型 322
13.5  圖像轉換 326
13.6  調試運行 328
第14章  智能OCR文本檢測識別繫統 333
14.1  OCR繫統介紹 334
14.1.1  OCR的基本原理和方式 334
14.1.2  深度學習對OCR的影響 335
14.1.3  與OCR相關的深度學習技術 335
14.2  OCR項目介紹 336
14.3  準備模型 337
14.3.1  文本檢測模型 337
14.3.2  文本識別模型 337
14.4  創建工程 337
14.4.1  工程配置 338
14.4.2  配置應用程序 338
14.4.3  導入模型 338
14.5  具體實現 339
14.5.1  頁面布局 339
14.5.2  實現主Activity 339
14.5.3  圖像操作 343
14.5.4  運行OCR模型 347
14.6  調試運行 354

當我們回顧人類歷史的發展歷程時會發現，圖像一直是信息傳遞和交流的重要媒介之一。從古代的壁畫和雕刻，到現代的攝影、電影和數字圖像，圖像在記錄時代變遷、傳遞情感、展示美好瞬間和實現創意方面都扮演著不可或缺的角色。然而，隨著科技的進步，我們邁入了一個全新的數字時代，圖像的處理和分析也變得日益重要。本書將帶領讀者進入智能圖像處理技術的精彩世界，從基本概念到高級應用，覆蓋了圖像處理、圖像增強、目標檢測、人臉識別等多個方面。無論是計算機視覺領域的初學者還是有一定基礎的讀者，都可以通過本書逐步掌握圖像處理與分析的核心技能。
本書特色
本書通過深入的內容講解、豐富的案例和實用的教程，為讀者提供了一個深入了解圖像處理和光學字符識別(OCR)技術，並將其應用於實際項目的機會。無論是計算機視覺領域的初學者還是有經驗的開發者，都可以從本書中獲得有價值的知識和經驗。本書的主要特色如下。
1. 廣泛涵蓋計算機視覺領域
本書涵蓋了計算機視覺領域不同方向的兩個關鍵主題，即圖像處理和OCR，這使讀者能夠獲得多個領域的實際應用知識。
2. 深入而實用的內容
本書的每個章節都深入探討了具體技術的背景、原理和實現方式，使讀者不僅了解理論，還能夠親自動手實現這些技術。這種實踐性的內容有助於讀者將知識應用於實際項目。
3. 豐富的案例和示例
本書的每章都有豐富的案例和示例，這些案例和示例都是從實際項目中抽取的，涵蓋了不同層面的技術細節和應用場景，能幫助讀者更好地理解和應用所學內容。
4. 結合多種技術棧
本書不拘泥於單一技術棧，而是結合了多種流行的工具和框架，如Python、PyTorch、TensorFlow、OpenCV等，讓讀者能夠在實際項目中根據需求選擇合適的工具。
5. 詳細的步驟和教程
本書的每個章節都提供了詳細的步驟和教程，從環境搭建到模型訓練再到應用開發，讀者可以一步步地跟隨指導完成項目。
6. 涵蓋了最新技術
本書反映了最新的技術演進趨勢，如深度學習在圖像處理和OCR中的應用，以及移動端應用的開發等，使讀者能夠跟上領域內的最新發展趨勢。
7. 強調實際問題解決
本書的重點是如何解決實際問題，每個章節都圍繞實際應用場景展開討論，幫助讀者更好地理解如何將技術應用於解決實際問題。
8. 提供線上技術支持
本書正文的每一個二級標題右側都有一個二維碼，讀者可通過掃描二維碼觀看視頻講解。除了線上視頻講解以外，本書還為讀者提供了全書案例源代碼和PPT課件，讀者可掃描下方二維碼獲取。

此外，本書還提供在線技術支持，如果讀者在學習中遇到問題，可以向我們的售後團隊求助，求助方式見PPT。
本書適合誰看
軟件工程師。
人工智能開發工程師。
機器學習和深度學習開發人員。
計算機視覺開發人員。
致謝
本書在編寫過程中，得到了清華大學出版社各位專業編輯的大力支持，正是各位專業人士的求實、認真，纔使得本書出版。另外，也十分感謝我的家人給予的巨大支持。由於本人水平有限，書中難免存在紕漏之處，懇請讀者提出寶貴的意見或建議，以便更正修訂。
最後感謝您購買本書，希望本書能成為您編程路上的領航者，祝您閱讀愉快！

編  者