機器視覺及深度學習——經典算法與系統搭建

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++、Pytho和OpenCV；利用VC++和Pytho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。

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。
Transactioof ASABE, Biosystems Engineering, IEEE Transactions oAutomatioScience and Engineering, 
中國農機學報、中國農業工程學報等多家外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。

上篇理論算法pan>
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
1.3.1 基本概念 9
1.3.2 基本思想10
1.3.3 深度學方法10

第2章目標提取2pan>
2.1 灰度目標2pan>
2.1.1 閾值分割2pan>
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3pan>
2.4.5 大津法二值化處理3pan>

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4pan>
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5pan>
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 計算圖像特徵參數62
5.4.3 根據圓形度抽出物體66
5.4.4 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7pan>
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8pan>
7.2.2 Keras 應用8pan>
7.2.3 Keras 與TensorFlow2 的關係8pan>
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 PlePle 87

下篇編移環境及系統搭建89
第8章平台軟件90
8.1 OpenCV 90
8.1.1 能介紹90
8.1.2 獲取與安裝9pan>
8.2 VC++ 92
8.2.1 能介紹92
8.2.2 獲取與安裝93
8.3 Python 95
8.3.1 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 10 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9
10.1 工程創建119
10.2 系統設置12pan>
10.3 編譯執行127

第11章TensorFlow 深度學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 模型137
11.3.3 驗證率139
11.3.4 導出模型並對圖片分類139

第12章Keras 深度學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、、評估與部署148

第13章PyTorch 深度學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 、評估與部署157
13.4.1 157
13.4.2 評估158
13.4.3 部署159

第14章Caffe 深度學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18pan>
14.4.1 數據集準備18pan>
14.4.2 模型186
14.4.3 用好的模型對數行預測188

第15章MXNet 深度學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19pan>
15.2 基於笑臉目標檢測的MXNet 框架測試192
15.2.1 創建數據集192
15.2.2 模型197
15.2.3 測試模型 0

第16章CNTK 深度學 2
16.1 框架的獲取 2
16.2 編譯 2
16.2.1 CPU 版本編譯 2
16.2.2 基於Linux 系統的GPU 版本編譯 6
16.3 CNTK 測試 8
16.3.1 創建數據集 8
16.3.2 模型21pan>
16.3.3 模型測試213

第17章Theano 深度學216
17.1 框架獲得216
17.2 安裝設置217
17.3 工程創建 2
17.4 編譯、、評估與部署222

第18章YoloV4 深度學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 數據集23pan>
18.4 YoloV4 模型235
18.5 測試YoloV4 模型237

第19章PlePle 深度學238
19.1 框架獲得240
19.2 安裝設置240
19.3 工程創建、編譯、、評估與測試243
19.4 基於高層API 的任務快速實現26pan>
參考文獻263