掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
機器視覺及深度學習: 算法與系統搭建 版權信息
- ISBN：9787122411457
- 條形碼：9787122411457 ; 978-7-122-41145-7
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器視覺及深度學習: 算法與系統搭建 本書特色
深度學習和傳統機器視覺技術相融合，可以大大提高AI 技術的效率和精度。本書分上、下兩篇，共19 章內容，詳細講解了機器視覺及深度學習的理論和編程實踐。上篇介紹理論算法。包括機器視覺的經典圖像處理算法、深度學習的理論基礎和目前常用的深度學習框架。下篇介紹編程環境及系統搭建。講解了機器視覺圖像處理算法及深度學習的編程工具 VC 、Python 和 OpenCV；利用 VC 和 Python 工具，搭建圖像處理的工程界面；介紹了常用的9 種深度學習框架的獲得方法、安裝設置、工程創建，以及深度學習工程的編譯、訓練、評估與部署方法。每一個搭建的工程，都提供一套可下載的源代碼程序，方便讀者下載學習。本書理論與實踐兼顧，可為從事機器視覺技術及人工智能研究和應用的工程技術人員提供幫助，也可供高等院校相關專業師生學習參考。
機器視覺及深度學習: 算法與系統搭建 內容簡介
1、深度學習和傳統機器視覺技術相融合，可以大大提高AI技術的效率和精度。2、本書內容全面，著眼應用，分為上、下兩篇共19章內容，詳細講解了機器視覺及深度學習的理論和編程實踐。3、介紹了經典圖像處理算法、深度學習框架。4、講解了編程工具VC 、Python和OpenCV；利用VC 和Python工具，搭建圖像處理的工程界面。5、介紹了常用的9種深度學習框架的獲得方法、安裝設置、工程創建，以及深度學習工程的編譯、訓練、評估與部署方法。6、每一個搭建的工程，都提供一套可下載的源代碼例程序，方便讀者下載學習。
機器視覺及深度學習: 算法與系統搭建 目錄
上篇 理論算法 1
第1章 基礎知識 2
1.1 圖像與顏色 2
1.1.1 彩色圖像 2
1.1.2 灰度圖像 3
1.1.3 顏色變換 3
1.2 機器視覺 4
1.2.1 機器視覺構成 4
1.2.2 數字圖像處理 6
1.3 深度學習 9
1.3.1 基本概念 9
1.3.2 基本思想 10
1.3.3 深度學習常用方法 10
第2章 目標提取 21
2.1 灰度目標 21
2.1.1 閾值分割 21
2.1.2 自動二值化處理 22
2.2 彩色圖像 24
2.2.1 果樹上紅色桃子的提取 24
2.2.2 綠色麥苗的提取 26
2.3 運動圖像 27
2.3.1 幀間差分 27
2.3.2 背景差分 27
2.4 C 語言實現 28
2.4.1 二值化處理 28
2.4.2 雙閾值二值化處理 29
2.4.3 直方圖 30
2.4.4 直方圖平滑化 31
2.4.5 大津法二值化處理 31
第3章 邊緣檢測 34
3.1 圖像邊緣 34
3.2 微分處理 35
3.2.1 一階微分 35
3.2.2 二階微分 36
3.3 模板匹配 37
3.4 C 語言實現 39
3.4.1 一階微分邊緣檢測 39
3.4.2 二階微分邊緣檢測 40
3.4.3 Prewitt 算子邊緣檢測 41
3.4.4 二值圖像的細線化處理 43
第4章 去噪聲處理 46
4.1 移動平均 46
4.2 中值濾波 47
4.3 二值圖像去噪聲 49
4.4 C 語言實現 50
4.4.1 移動平均法 50
4.4.2 中值濾波 51
4.4.3 腐蝕處理 52
4.4.4 膨脹處理 53
第5章 幾何參數檢測 55
5.1 圖像的幾何參數 55
5.2 區域標記 58
5.3 幾何參數檢測與提取 59
5.4 C 語言實現 60
5.4.1 區域標記 60
5.4.2 計算圖像特征參數 62
5.4.3 根據圓形度抽出物體 66
5.4.4 復制掩模領域的原始圖像 67
5.4.5 根據面積提取對象物 67
第6章 直線檢測 69
6.1 傳統 Hough 變換的直線檢測 69
6.2 *小二乘法的直線檢測 71
6.3 C 語言實現 72
6.3.1 傳統 Hough 變換的直線檢測 72
6.3.2 *小二乘法的直線檢測 74
第7章 深度學習框架介紹 77
7.1 TensorFlow 78
7.1.1 TensorFlow 的優勢 78
7.1.2 TensorFlow 應用場景 79
7.1.3 TensorFlow 開發環境安裝 79
7.2 Keras 80
7.2.1 Keras 的優勢 81
7.2.2 Keras 應用 81
7.2.3 Keras 與 TensorFlow2 的關系 81
7.2.4 Keras 的安裝 82
7.3 PyTorch 82
7.3.1 PyTorch 的優勢 82
7.3.2 PyTorch 的典型應用 83
7.3.3 PyTorch 和 TensorFlow 的比較 83
7.3.4 PyTorch 的安裝 84
7.4 其他深度學習框架 85
7.4.1 Caffe 85
7.4.2 MXNet 85
7.4.3 CNTK 86
7.4.4 Theano 86
7.4.5 Darknet 87
7.4.6 PaddlePaddle 87
下篇 編移環境及系統搭建 89
第8章 平臺軟件 90
8.1 OpenCV 90
8.1.1 基本功能介紹 90
8.1.2 獲取與安裝 91
8.2 VC 92
8.2.1 基本功能介紹 92
8.2.2 獲取與安裝 93
8.3 Python 95
8.3.1 基本功能介紹 95
8.3.2 獲取與安裝 95
第9章 VC 圖像處理工程 98
9.1 工程創建 98
9.1.1 啟動 Visual Studio 2010 98
9.1.2 創建新建工程 99
9.2 系統設置 115
9.3 編譯執行 117
第10章 Python 圖像處理系統 119
10.1 工程創建 119
10.2 系統設置 121
10.3 編譯執行 127
第11章 TensorFlow 深度學習工程 134
11.1 框架獲得 134
11.2 安裝設置 134
11.3 案例 135
11.3.1 數據準備 135
11.3.2 訓練模型 137
11.3.3 驗證準確率 139
11.3.4 導出模型并對圖片分類 139
第12章 Keras 深度學習工程 142
12.1 框架獲得 142
12.2 安裝設置步驟 143
12.3 工程創建 146
12.4 編譯、訓練、評估與部署 148
第13章 PyTorch 深度學習工程 152
13.1 框架獲得 152
13.2 安裝設置 153
13.2.1 CPU 版本安裝 153
13.2.2 GPU 版本安裝 153
13.3 工程創建 155
13.4 訓練、評估與部署 157
13.4.1 訓練 157
13.4.2 評估 158
13.4.3 部署 159
第14章 Caffe 深度學習工程 166
14.1 安裝環境和依賴項獲得 166
14.2 框架的獲取 167
14.3 編譯 Caffe 及其與 Python 的接口 167
14.3.1 OpenCV 的安裝 167
14.3.2 Caffe 編譯 170
14.4 目標分類測試 181
14.4.1 數據集準備 181
14.4.2 訓練模型 186
14.4.3 用訓練好的模型對數據進行預測 188
第15章 MXNet 深度學習工程 190
15.1 框架獲取及環境設置 190
15.1.1 環境準備 190
15.1.2 利用 Anaconda 創建運行環境 191
15.2 基于笑臉目標檢測的 MXNet 框架測試 192
15.2.1 創建訓練數據集 192
15.2.2 訓練模型 197
15.2.3 測試模型 200
第16章 CNTK 深度學習工程 202
16.1 框架的獲取 202
16.2 編譯 202
16.2.1 CPU 版本編譯 202
16.2.2 基于 Linux 系統的 GPU 版本編譯 206
16.3 CNTK 測試 208
16.3.1 創建數據集 208
16.3.2 模型訓練 211
16.3.3 模型測試 213
第17章 Theano 深度學習工程 216
17.1 框架獲得 216
17.2 安裝設置 217
17.3 工程創建 220
17.4 編譯、訓練、評估與部署 222
第18章 YoloV4 深度學習工程 226
18.1 框架的獲取 226
18.2 框架源碼編譯及環境設置 226
18.2.1 CPU 版本編譯 226
18.2.2 GPU 版本編譯 227
18.2.3 Darknet 測試 230
18.3 創建 Yolo 訓練數據集 231
18.4 訓練 YoloV4 模型 235
18.5 測試 YoloV4 模型 237
第19章 PaddlePaddle 深度學習工程 238
19.1 框架獲得 240
19.2 安裝設置 240
19.3 工程創建、編譯、訓練、評估與測試 243
19.4 基于高層 API 的任務快速實現 261
參考文獻 263
第1章 基礎知識 2
1.1 圖像與顏色 2
1.1.1 彩色圖像 2
1.1.2 灰度圖像 3
1.1.3 顏色變換 3
1.2 機器視覺 4
1.2.1 機器視覺構成 4
1.2.2 數字圖像處理 6
1.3 深度學習 9
1.3.1 基本概念 9
1.3.2 基本思想 10
1.3.3 深度學習常用方法 10
第2章 目標提取 21
2.1 灰度目標 21
2.1.1 閾值分割 21
2.1.2 自動二值化處理 22
2.2 彩色圖像 24
2.2.1 果樹上紅色桃子的提取 24
2.2.2 綠色麥苗的提取 26
2.3 運動圖像 27
2.3.1 幀間差分 27
2.3.2 背景差分 27
2.4 C 語言實現 28
2.4.1 二值化處理 28
2.4.2 雙閾值二值化處理 29
2.4.3 直方圖 30
2.4.4 直方圖平滑化 31
2.4.5 大津法二值化處理 31
第3章 邊緣檢測 34
3.1 圖像邊緣 34
3.2 微分處理 35
3.2.1 一階微分 35
3.2.2 二階微分 36
3.3 模板匹配 37
3.4 C 語言實現 39
3.4.1 一階微分邊緣檢測 39
3.4.2 二階微分邊緣檢測 40
3.4.3 Prewitt 算子邊緣檢測 41
3.4.4 二值圖像的細線化處理 43
第4章 去噪聲處理 46
4.1 移動平均 46
4.2 中值濾波 47
4.3 二值圖像去噪聲 49
4.4 C 語言實現 50
4.4.1 移動平均法 50
4.4.2 中值濾波 51
4.4.3 腐蝕處理 52
4.4.4 膨脹處理 53
第5章 幾何參數檢測 55
5.1 圖像的幾何參數 55
5.2 區域標記 58
5.3 幾何參數檢測與提取 59
5.4 C 語言實現 60
5.4.1 區域標記 60
5.4.2 計算圖像特征參數 62
5.4.3 根據圓形度抽出物體 66
5.4.4 復制掩模領域的原始圖像 67
5.4.5 根據面積提取對象物 67
第6章 直線檢測 69
6.1 傳統 Hough 變換的直線檢測 69
6.2 *小二乘法的直線檢測 71
6.3 C 語言實現 72
6.3.1 傳統 Hough 變換的直線檢測 72
6.3.2 *小二乘法的直線檢測 74
第7章 深度學習框架介紹 77
7.1 TensorFlow 78
7.1.1 TensorFlow 的優勢 78
7.1.2 TensorFlow 應用場景 79
7.1.3 TensorFlow 開發環境安裝 79
7.2 Keras 80
7.2.1 Keras 的優勢 81
7.2.2 Keras 應用 81
7.2.3 Keras 與 TensorFlow2 的關系 81
7.2.4 Keras 的安裝 82
7.3 PyTorch 82
7.3.1 PyTorch 的優勢 82
7.3.2 PyTorch 的典型應用 83
7.3.3 PyTorch 和 TensorFlow 的比較 83
7.3.4 PyTorch 的安裝 84
7.4 其他深度學習框架 85
7.4.1 Caffe 85
7.4.2 MXNet 85
7.4.3 CNTK 86
7.4.4 Theano 86
7.4.5 Darknet 87
7.4.6 PaddlePaddle 87
下篇 編移環境及系統搭建 89
第8章 平臺軟件 90
8.1 OpenCV 90
8.1.1 基本功能介紹 90
8.1.2 獲取與安裝 91
8.2 VC 92
8.2.1 基本功能介紹 92
8.2.2 獲取與安裝 93
8.3 Python 95
8.3.1 基本功能介紹 95
8.3.2 獲取與安裝 95
第9章 VC 圖像處理工程 98
9.1 工程創建 98
9.1.1 啟動 Visual Studio 2010 98
9.1.2 創建新建工程 99
9.2 系統設置 115
9.3 編譯執行 117
第10章 Python 圖像處理系統 119
10.1 工程創建 119
10.2 系統設置 121
10.3 編譯執行 127
第11章 TensorFlow 深度學習工程 134
11.1 框架獲得 134
11.2 安裝設置 134
11.3 案例 135
11.3.1 數據準備 135
11.3.2 訓練模型 137
11.3.3 驗證準確率 139
11.3.4 導出模型并對圖片分類 139
第12章 Keras 深度學習工程 142
12.1 框架獲得 142
12.2 安裝設置步驟 143
12.3 工程創建 146
12.4 編譯、訓練、評估與部署 148
第13章 PyTorch 深度學習工程 152
13.1 框架獲得 152
13.2 安裝設置 153
13.2.1 CPU 版本安裝 153
13.2.2 GPU 版本安裝 153
13.3 工程創建 155
13.4 訓練、評估與部署 157
13.4.1 訓練 157
13.4.2 評估 158
13.4.3 部署 159
第14章 Caffe 深度學習工程 166
14.1 安裝環境和依賴項獲得 166
14.2 框架的獲取 167
14.3 編譯 Caffe 及其與 Python 的接口 167
14.3.1 OpenCV 的安裝 167
14.3.2 Caffe 編譯 170
14.4 目標分類測試 181
14.4.1 數據集準備 181
14.4.2 訓練模型 186
14.4.3 用訓練好的模型對數據進行預測 188
第15章 MXNet 深度學習工程 190
15.1 框架獲取及環境設置 190
15.1.1 環境準備 190
15.1.2 利用 Anaconda 創建運行環境 191
15.2 基于笑臉目標檢測的 MXNet 框架測試 192
15.2.1 創建訓練數據集 192
15.2.2 訓練模型 197
15.2.3 測試模型 200
第16章 CNTK 深度學習工程 202
16.1 框架的獲取 202
16.2 編譯 202
16.2.1 CPU 版本編譯 202
16.2.2 基于 Linux 系統的 GPU 版本編譯 206
16.3 CNTK 測試 208
16.3.1 創建數據集 208
16.3.2 模型訓練 211
16.3.3 模型測試 213
第17章 Theano 深度學習工程 216
17.1 框架獲得 216
17.2 安裝設置 217
17.3 工程創建 220
17.4 編譯、訓練、評估與部署 222
第18章 YoloV4 深度學習工程 226
18.1 框架的獲取 226
18.2 框架源碼編譯及環境設置 226
18.2.1 CPU 版本編譯 226
18.2.2 GPU 版本編譯 227
18.2.3 Darknet 測試 230
18.3 創建 Yolo 訓練數據集 231
18.4 訓練 YoloV4 模型 235
18.5 測試 YoloV4 模型 237
第19章 PaddlePaddle 深度學習工程 238
19.1 框架獲得 240
19.2 安裝設置 240
19.3 工程創建、編譯、訓練、評估與測試 243
19.4 基于高層 API 的任務快速實現 261
參考文獻 263
展開全部
機器視覺及深度學習: 算法與系統搭建 作者簡介
陳兵旗，中國農業大學，教授，中國農業機械學會基礎技術分會理事，美國國際農業生物工程學會ASABE會員，海外華人農業工程學會AOC會員。Transaction of ASABE, Biosystems Engineering, IEEE Transactions on Automation Science and Engineering, 中國農機學報、中國農業工程學報等多家國內外權威學術期刊論文審稿人。國家自然基金以及多個省市基金項目評審專家。
書友推薦
- >
朝聞道
- >
伯納黛特,你要去哪(2021新版)
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
我從未如此眷戀人間
- >
經典常談
- >
隨園食單
- >
小考拉的故事-套裝共3冊
- >
詩經-先民的歌唱
本類暢銷
