●第1章 引言
1.1 計算機視覺的基本概念
1.2 生活中的計算機視覺
1.2.1 對像識別
1.2.2 圖像美化
1.2.3 圖像生成
1.3 圖像匹配：從SIFT到深度學習
1.3.1 基於特征的方法
1.3.2 基於深度學習的方法
1.4 圖像風格化概述：從傳統到學習
1.5 章節內容介紹
第2章 圖像處理基礎
2.1 圖像的獲取與表示
2.1.1 數字圖像成像原理
2.1.2 圖像表示
2.2 圖像重采樣與插值
2.3 空域變換
2.3.1 灰度變換
2.3.2 空域濾波
2.4 頻域變換
2.4.1 從空域到頻域
2.4.2 傅裡葉級數與傅裡葉變換
2.4.3 頻域濾波器應用
2.5 從圖像到視覺
2.5.1 圖像梯度
2.5.2 圖像邊緣
2.5.3 霍夫變換
實踐01：圖像去噪：非局部均值
實踐02：邊緣檢測
實踐03：霍夫變換檢測圓
實踐04：二值化分割：OTSU算法
第3章 神經網絡與深度學習基礎
3.1 神經網絡的生物學基礎
3.2 人
3.2.1的數學抽像
3.2.2 感知機模型
3.2.3 激活函數
3.2.4 多層感知機
3.3 訓練人工神經網絡
3.3.1 反向傳播
3.3.2 損失函數
3.3.3 正則化約束
3.4 卷積神經網絡
3.5 循環神經網絡
實踐05：實現一個簡單的實用神經網絡
實踐06：自定義網絡層
實踐07：循環神經網絡的構建與訓練
實踐08：深度學習軟硬件框架
第4章 圖像分類
4.1 圖像分類基本原理
4.2 傳統圖像分類方法
4.2.1 特征提取
4.2.2 分類器
4.3 神經網絡圖像分類方法
4.3.1 基本原理
4.3.2 網絡設計與結構演進
4.4 圖像分類中的新挑戰
4.4.1 細粒度圖像分類
4.4.2 無監督學習圖像分類
4.4.3 零樣本學習圖像分類
4.4.4 領域自適應學習圖像分類
實踐09：MNIST手寫數字分類
實踐10：CIFAR-100分類
實踐11：注意力機制實現
實踐12：自監督與領域自適應圖像分類
第5章 目標檢測
5.1 目標檢測基本原理
5.1.1 問題描述
5.1.2 應用場景
5.2 傳統目標檢測方法
5.2.1 滑動窗口
5.2.2 特征提取
5.2.3 分類器
5.3 神經網絡目標檢測方法
5.3.1 基本原理
5.3.2 兩階段目標檢測方法網絡設計與結構演進
5.3.3 單階段實時目標檢測方法網絡設計與結構演進
5.4 目標檢測中的新挑戰
5.4.1 零/小樣本學習目標檢測
5.4.2 遷移學習目標檢測
5.4.3 惡劣環境目標檢測
實踐13：傳統目標檢測器實現
實踐14：神經網絡目標檢測器實現
實踐15：兩階段神經網絡目標檢測器實現
實踐16：惡劣環境目標檢測器實現
第6章 圖像生成
6.1 深度生成模型
6.1.1 方法概覽
6.1.2 變分自編碼器
6.1.3 生成對抗網絡
6.2 生成質量評估
6.2.1 inception score
6.2.2 FID
6.3 應用：圖像轉換方法
6.3.1 監督的圖像轉換
6.3.2 無監督的圖像轉換
實踐17：變分自編碼器
實踐18：深度卷積生成對抗網絡
實踐19：監督圖像轉換網絡
實踐20：無監督圖像轉換網絡
第7章 圖像復原增強
7.1 圖像復原增強的概念
7.1.1 成像原理與問題描述
7.1.2 應用場景
7.2 圖像質量評價
7.2.1 圖像質量主觀評價
7.2.2 圖像質量客觀評價
7.3 傳統圖像增強
7.3.1 多項式函數估計圖像插值
7.3.2 隱式的基於邊緣的圖像插值
7.3.3 顯式的基於等照度線的圖像插值
7.3.4 傳統圖像低光照增強
7.3.5 傳統圖像去雨
7.4 深度學習圖像增強
7.4.1 圖像超分辨率問題定義
7.4.2 超分辨率卷積神經網絡重建
7.4.3 極深超分辨率重建
7.4.4 快速超分辨率重建
7.4.5 超分辨率生成對抗網絡
7.4.6 基於深度學習的低光照圖像增強
7.4.7 基於Retinex模型的低光照圖像增強
7.4.8 基於深度學習的去雨
7.4.9 基於區域感知的單張圖像聯合雨檢測與去除
7.5 無監督/自學習圖像增強
7.5.1 自監督超分辨率重建
7.5.2 無監督圖像去噪
實踐21：SRCNN的實現
實踐22：圖像雨霧去除
實踐23：RetinexNet低光照圖像增強
……
第8章 圖像風格化
第9章 視頻——運動的圖像
參考文獻

《計算機視覺理論與實踐》面向計算機視覺，聚焦算法理論與代碼實踐，簡要介紹了計算機視覺的基本概念和計算機視覺研究的預備知識，分別講述了圖像分類、檢測、生成、復原、增強、風格化與視頻處理等計算機視覺領域的研究重點，深入淺出地介紹了現今已經成熟的算法和技術，並在各個章節輔以大量實例與核心代碼詳細展示如何使用主流框架搭建計算機視覺模型，對相關算法內容進行有效的補充和深入。通過理論與實踐的結合，讀者能夠打下較為堅實的計算機視覺基礎，熟悉經典算法框架，具備實現和改進成熟算法的能力，為進一步在計算機視覺和相關領域提出新設想、開發新算法、解決新問題創造良好的條件。《計算機視覺理論與實踐》可作為人工智能專業和計算機類相關專業的本科生或研究生學習計算機視覺的教材，也可作為對計算機視覺技術感興趣的科技人員、計算機愛好者及各婁自學人員的參考書。