MATLAB計算機視覺經(jīng)典應(yīng)用

目錄
第1章 MATLAB R2020a入門與提升\t1
1．1 MATLAB R2020a的功能特點\t1
1．2 MATLAB R2020a的新功能\t2
1．3 MATLAB R2020a運行界面\t5
1．4 MATLAB R2020a命令行窗口\t5
1．5 幫助系統(tǒng)\t7
1．6 數(shù)據(jù)類型\t9
1．6．1 常量與變量\t9
1．6．2 矩陣與數(shù)組\t10
1．7 結(jié)構(gòu)化程序設(shè)計\t12
1．7．1 選擇結(jié)構(gòu)\t12
1．7．2 循環(huán)結(jié)構(gòu)\t15
1．8 M文件\t15
1．9 矩陣的操作\t17
1．9．1 矩陣的擴展\t17
1．9．2 索引擴展\t20
1．9．3 改變形狀\t20
第2章 計算機視覺概述\t24
2．1 計算機視覺是什么\t24
2．2 計算機視覺的發(fā)展\t25
2．3 計算機視覺的相關(guān)概念\t26
2．3．1 圖像和視頻\t26
2．3．2 攝像機\t27
2．3．3 CPU和GPU\t28
2．4 計算機視覺的應(yīng)用\t28
2．4．1 物體的識別和檢測\t29
2．4．2 語義分割\t29
2．4．3 運動和跟蹤\t29
2．4．4 視覺問答\t30
2．4．5 三維重建\t31
2．5 計算機視覺的相關(guān)學(xué)科\t32
第3章 計算機視覺在圖像處理中的
應(yīng)用\t33
3．1 圖像處理基礎(chǔ)\t33
3．1．1 圖像表達式\t33
3．1．2 MATLAB支持的圖像
文件格式\t35
3．1．3 圖像的類型\t35
3．2 圖像抖動\t38
3．3 圖像去霧處理\t39
3．3．1 空域圖像增強\t39
3．3．2 直方圖均衡化\t40
3．3．3 Retinex圖像增強\t42
3．3．4 平滑濾波\t46
3．3．5 中值濾波器\t48
3．3．6 自適應(yīng)濾波\t49
3．3．7 銳化濾波器\t50
3．4 圖像的鏡像變換\t68
3．5 圖像的空間變換\t70
3．5．1 仿射變換\t70
3．5．2 投影變換\t71
3．6 圖像退化\t72
3．7 圖像復(fù)原\t75
3．7．1 維納濾波復(fù)原法\t75
3．7．2 Lucy-Richardson復(fù)原法\t77
3．8 圖像識別\t79
3．8．1 圖像識別的大致流程\t79
3．8．2 圖像模糊識別的實現(xiàn)\t80
第4章 計算機視覺在形態(tài)學(xué)中的應(yīng)用\t84
4．1 形態(tài)學(xué)去噪處理概述\t84
4．1．1 形態(tài)學(xué)的權(quán)重實現(xiàn)
圖像去噪\t84
4．1．2 圖像去噪的方法\t84
4．2 形態(tài)學(xué)的原理\t85
4．2．1 膨脹\t86
4．2．2 腐蝕\t87
4．2．3 開運算和閉運算\t88
4．3 權(quán)值自適應(yīng)的多結(jié)構(gòu)形態(tài)學(xué)\t89
4．4 形態(tài)學(xué)去噪的實現(xiàn)\t90
4．5 結(jié)構(gòu)元素\t95
4．6 邊緣檢測\t96
4．6．1 邊緣檢測算子概述\t96
4．6．2 邊緣檢測的實現(xiàn)\t97
4．7 多尺度形態(tài)學(xué)\t98
第5章 計算機視覺在字符識別中的
應(yīng)用\t105
5．1 卷積神經(jīng)網(wǎng)絡(luò)\t105
5．1．1 卷積神經(jīng)網(wǎng)絡(luò)的概念\t105
5．1．2 卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)
圖像分類\t108
5．2 測手寫數(shù)字的旋轉(zhuǎn)角度\t111
5．3 將分類網(wǎng)絡(luò)轉(zhuǎn)換為回歸網(wǎng)絡(luò)\t117
5．4 卷積自編碼\t121
5．4．1 卷積自編碼概述\t121
5．4．2 卷積自編碼實現(xiàn)
去噪處理\t121
5．5 殘差網(wǎng)絡(luò)\t127
5．5．1 殘差網(wǎng)絡(luò)概述\t127
5．5．2 殘差網(wǎng)絡(luò)實現(xiàn)圖像分類\t129
5．6 LSTM網(wǎng)絡(luò)實現(xiàn)字符嵌入
生成文本\t136
5．7 LSTM網(wǎng)絡(luò)逐單詞生成文本\t140
5．8 RNN網(wǎng)絡(luò)\t144
5．8．1 RNN概述\t144
5．8．2 RNN實現(xiàn)文本分類\t146
5．9 HOG特征與SVM分類器\t152
5．9．1 HOG\t152
5．9．2 SVM\t155
5．9．3 HOG實現(xiàn)數(shù)據(jù)分類\t158
5．10 OCR實現(xiàn)字符識別\t163
5．10．1 OCR算法\t163
5．10．2 OCR實現(xiàn)自然圖像中
文本的識別\t165
第6章 計算機視覺在拼接中的應(yīng)用\t172
6．1 全景拼接\t172
6．1．1 理論部分\t172
6．1．2 圖像配準(zhǔn)技術(shù)拼接
全景圖\t174
6．2 ICP拼接\t178
6．2．1 ICP算法的原理與步驟\t178
6．2．2 利用ICP算法實現(xiàn)圖像
拼接\t179
第7章 計算機視覺在目標(biāo)匹配中的
應(yīng)用\t183
7．1 點特征匹配目標(biāo)\t183
7．1．1 點特征的概念\t183
7．1．2 仿射變換\t183
7．1．3 在一個雜亂的場景中實現(xiàn)
匹配目標(biāo)檢測\t184
7．1．4 使用點特征匹配捕獲
視頻\t190
7．2 未標(biāo)定立體圖像校正\t197
7．2．1 外極線約束原理\t197
7．2．2 平行光軸相機的極限
約束\t198
7．2．3 立體匹配概述\t198
7．2．4 立體匹配的具體步驟\t199
7．2．5 立體匹配實現(xiàn)圖像校正\t200
7．3 高斯混合模型\t205
7．3．1 高斯混合模型概述\t205
7．3．2 高斯混合模型實現(xiàn)
車輛檢測\t210
第8章 計算機視覺在遙感中的應(yīng)用\t214
8．1 多光譜技術(shù)分割圖像\t214
8．2 K均值聚類算法\t224
8．2．1 K均值聚類算法的原理\t225
8．2．2 K均值聚類算法的要點\t225
8．2．3 K均值聚類算法的缺點\t226
8．2．4 K均值聚類算法實現(xiàn)
圖像分割\t226
8．3 紋理濾波和空間信息\t228
8．3．1 紋理濾波概述\t228
8．3．2 空間信息概述\t230
8．3．3 紋理濾波和空間信息
實現(xiàn)圖像分割\t231
8．4 測量圖像中的距離\t234
第9章 計算機視覺在人臉識別中的
應(yīng)用\t240
9．1 KLT算法\t240
9．1．1 光流的概念\t240
9．1．2 KLT算法概述\t241
9．1．3 KTL算法實現(xiàn)人臉追蹤\t241
9．1．4 在場景中追蹤人臉\t244
9．2 CAMShift算法\t246
9．2．1 CAMShift算法概述\t246
9．2．2 CAMShift算法實現(xiàn)人臉
檢測與追蹤\t248
參考文獻\t251