計算機視覺應(yīng)用構(gòu)建：OpenCV與TensorFlow實例

譯者序
前言
致謝
第1章　前提條件和軟件安裝 1
1.1　Python和PIP 1
1.2　virtualenv 3
1.3　TensorFlow 4
1.4　PyCharm IDE 4
1.5　OpenCV 5
1.6　附加庫 6
第2章　圖像和視頻處理的核心概念 7
2.1　圖像處理 7
2.2　圖像基礎(chǔ) 7
2.3　像素 8
2.4　坐標系 8
2.5　操作圖像的Python和OpenCV代碼 10
2.6　畫圖 13
2.7　總結(jié) 18
第3章　圖像處理技術(shù) 19
3.1　圖像轉(zhuǎn)換 19
3.2　圖像算術(shù)運算與位運算 28
3.3　掩碼 36
3.4　通道分割與合并 38
3.5　利用平滑處理和模糊處理降噪 40
3.6　閾值二值化 46
3.7　梯度和邊緣檢測 52
3.8　輪廓 56
3.9　總結(jié) 58
第4章　構(gòu)建基于機器學(xué)習(xí)的計算機視覺系統(tǒng) 59
4.1　圖像處理流水線 59
4.2　特征提取 60
4.3　特征選擇 79
4.4　模型訓(xùn)練 80
4.5　模型部署 82
4.6　總結(jié) 84
第5章　深度學(xué)習(xí)與人工神經(jīng)網(wǎng)絡(luò) 85
5.1　人工神經(jīng)網(wǎng)絡(luò) 85
5.2　TensorFlow 102
5.3　第一個使用深度學(xué)習(xí)的計算機視覺模型：手寫數(shù)字分類 104
5.4　模型評估 110
5.5　超參數(shù) 113
5.6　保存模型和恢復(fù)模型 117
5.7　卷積神經(jīng)網(wǎng)絡(luò) 121
5.8　總結(jié) 135
第6章　深度學(xué)習(xí)用于目標檢測 136
6.1　目標檢測 136
6.2　交并比 137
6.3　R-CNN 138
6.4　Fast R-CNN 139
6.5　Faster R-CNN 140
6.6　Mask R-CNN 141
6.7　單發(fā)多盒檢測 144
6.8　YOLO 148
6.9　YOLO的局限性 150
6.10 目標檢測算法的比較 153
6.11 利用TensorFlow訓(xùn)練目標檢測模型 155
6.12 利用訓(xùn)練的模型檢測目標 171
6.13 用于目標檢測的YOLOv3模型訓(xùn)練 182
6.14 利用訓(xùn)練的YOLOv3模型檢測目標 190
6.15 總結(jié) 194
第7章　實例：視頻中的目標跟蹤 195
7.1　準備工作環(huán)境 196
7.2　讀取視頻流 197
7.3　加載目標檢測模型 199
7.4　檢測視頻幀中的目標 199
7.5　利用dHash算法為目標創(chuàng)建唯一標識 201
7.6　用漢明距離法計算圖像相似度 202
7.7　目標跟蹤 202
7.8　在Web瀏覽器中顯示實時視頻流 204
7.9　整合 207
7.10 總結(jié) 214
第8章　實例：人臉識別 215
8.1　FaceNet及其架構(gòu) 215
8.2　人臉識別模型的訓(xùn)練 220
8.3　實時人臉識別系統(tǒng)的開發(fā) 226
8.4　總結(jié) 230
第9章　工業(yè)應(yīng)用：工業(yè)制造中的實時缺陷檢測 231
9.1　實時表面缺陷檢測系統(tǒng) 231
9.2　圖像注釋 244
9.3　總結(jié) 248
第10章　云上計算機視覺建模 249
10.1　TensorFlow分布式訓(xùn)練 250
10.2　TensorFlow分布策略 251
10.3　TF_CONFIG：TensorFlow集群配置 255
10.4　使用參數(shù)服務(wù)器的分布式訓(xùn)練示例代碼 256
10.5　在云上執(zhí)行分布式訓(xùn)練的步驟 259
10.6　基于谷歌云的分布式訓(xùn)練 260
10.7　基于Azure的分布式訓(xùn)練 267
10.8　基于AWS的分布式訓(xùn)練 275
10.9　總結(jié) 285