0人評分過此書

一本書秒殺電腦視覺最新應用:80個Python大師級實例

出版日期
2022/02/01
閱讀格式
PDF
書籍分類
學科分類
ISBN
9789860776812

本館館藏

借閱規則
當前可使用人數 3
借閱天數 14
線上看 0
借閱中 0
選擇分享方式

推薦本館採購書籍

您可以將喜歡的電子書推薦給圖書館,圖書館會參考讀者意見進行採購

讀者資料
圖書館 國立臺南高商
* 姓名
* 身分
系所
* E-mail
※ 我們會寄送一份副本至您填寫的Email中
電話
※ 電話格式為 區碼+電話號碼(ex. 0229235151)/ 手機格式為 0900111111
* 請輸入驗證碼
★★★★★【電腦視覺】、【80個Python大師級實例】★★★★★ 鷹眼王者的銳利捕捉,電腦視覺應用精準秒殺!   本書技術重點   ✪Python電腦視覺基礎,包括常用的函數庫   ✪各種去霧演算法、空域增強,時域增強,色階調整、Hough變換檢測   ✪分割車牌處理、包括定位,字元處理及辨識   ✪分水嶺演算法,用在醫學診斷   ✪CNN及SVC手寫數字辨識、使用AlexNet   ✪OCR原理及實作、小波技術處理   ✪SVD、PCA、K-Means圖型壓縮原理   ✪圖型搜尋、比對、角點特徵偵測、Harris演算法、FAST演算法   ✪運動目標偵測、幀差分法、背景差分法、光流法   ✪浮水印技術、大腦影像分析、閾值分割、區域生長實作   ✪自動駕駛實作、包括環境感知、行為決策,路徑規劃及運動控制   ✪物件偵測,包括RCNN及YOLO   ✪視覺分析應用實例,包括Arcade Game製作,停車場自動車牌辨識系統開發本書特色   ◎案例涵蓋面廣、實用、擴充性、可讀性強本書以「概述+ 案例」的形式進行編寫,充分強調案例的實用性及程式的可擴充性,所選案例大多數來自日常生活中,應用性強。另外,書中每個案例的程式都經過偵錯與測試,同時程式碼中增加了大量的解釋說明,可讀性強。   ◎點線面完美結合,兼顧性強本書點線面兼顧,涵蓋了數位影像處理中幾乎所有的基本模組,並涉及視訊處理、對位拼接、數位浮水印等進階影像處理方面的內容,全面講解了基於Python 進行電腦視覺應用的原理及方法,內容做到完美連結與統籌兼顧,讓讀者實現了由點到面進行發散性延伸。
  • 1 電腦視覺程式設計基礎
    • 1.1 電腦視覺的概述
      • 1.1.1 什麼是電腦視覺
      • 1.1.2 發展現狀
      • 1.1.3 電腦視覺用途
      • 1.1.4 相關學科
      • 1.1.5 電腦視覺的經典問題
    • 1.2 Python程式設計軟體
      • 1.2.1 Python應用領域
      • 1.2.2 發展歷程
      • 1.2.3 Python的安裝
      • 1.2.4 使用pip安裝第三方函數庫
    • 1.3 幾個常用函數庫
      • 1.3.1 Numpy函數庫
      • 1.3.2 Scipy函數庫
      • 1.3.3 pandas函數庫
      • 1.3.4 scikit-learn函數庫
    • 1.4 Python影像處理類別庫
      • 1.4.1 轉換圖型格式
      • 1.4.2 創建縮圖
      • 1.4.3 複製並貼上圖型區域
      • 1.4.4 調整尺寸和旋轉
    • 1.5 Matplotlib函數庫
    • 1.6 Numpy影像處理
      • 1.6.1 灰階變換
      • 1.6.2 圖型縮放
      • 1.6.3 長條圖均衡化
      • 1.6.4 圖型平均
      • 1.6.5 圖型主成分分析
    • 1.7 Scipy影像處理
      • 1.7.1 圖型模糊
      • 1.7.2 圖型導數
      • 1.7.3 形態學
      • 1.7.4 io和misc模組
    • 1.8 圖型降低雜訊
  • 2 圖型去霧技術
    • 2.1 空域圖型增強
      • 2.1.1 空域低通濾波
      • 2.1.2 空域高通濾波器
    • 2.2 時域圖型增強
      • 2.2.1 傅立葉轉換
    • 2.3 色階調整去霧技術
      • 2.3.1 概述
      • 2.3.2 暗通道去霧原理
      • 2.3.3 暗通道去霧實例
    • 2.4 長條圖均衡化去霧技術
      • 2.4.1 色階調整原理
      • 2.4.2 自動色階影像處理演算法
  • 3 形態學的去除雜訊
    • 3.1 圖型去除雜訊的方法
    • 3.2 數學形態學的原理
      • 3.2.1 腐蝕與膨脹
      • 3.2.2 開閉運算
      • 3.2.3 禮帽/黑帽操作
    • 3.3 形態學運算
      • 3.3.1 邊緣檢測定義
      • 3.3.2 檢測邊角
    • 3.4 權重自我調整的多結構形態學去除雜訊
  • 4 Hough變換檢測
    • 4.1 Hough直線檢測
      • 4.1.1 Hough檢測直線的思想
      • 4.1.2 實際應用
    • 4.2 Hough檢測圓
  • 5 分割車牌定位辨識
    • 5.1 基本概述
    • 5.2 車牌影像處理
      • 5.2.1 圖型灰階化
      • 5.2.2 二值化
      • 5.2.3 邊緣檢測
      • 5.2.4 形態學運算
      • 5.2.5 濾波處理
    • 5.3 定位原理
    • 5.4 字元處理
      • 5.4.1 閾值分割原理
      • 5.4.2 閾值化分割
      • 5.4.3 歸一化處理
      • 5.4.4 字元分割經典應用
    • 5.5 字元辨識
      • 5.5.1 範本比對的字元辨識
      • 5.5.2 字元辨識車牌經典應用
  • 6 分水嶺實現醫學診斷
    • 6.1 分水嶺演算法
      • 6.1.1 模擬浸水過程
      • 6.1.2 模擬降水過程
      • 6.1.3 過度分割問題
      • 6.1.4 標記分水嶺分割演算法
    • 6.2 分水嶺醫學診斷案例分析
  • 7 手寫數字辨識
    • 7.1 卷積神經網路的概述
      • 7.1.1 卷積神經網路的結構
      • 7.1.2 卷積神經網路的訓練
      • 7.1.3 卷積神經網路辨識手寫數字
    • 7.2 SVC辨識手寫數字
      • 7.2.1 支持向量機的原理
      • 7.2.2 函數間隔
      • 7.2.3 幾何間隔
      • 7.2.4 間隔最大化
      • 7.2.5 SVC辨識手寫數字實例
  • 8 圖片中英文辨識
    • 8.1 OCR的介紹
    • 8.2 OCR演算法原理
      • 8.2.1 圖型前置處理
      • 8.2.2 圖型分割
      • 8.2.3 特徵提取和降維
      • 8.2.4 分類器
      • 8.2.5 演算法步驟
    • 8.3 OCR辨識經典應用
    • 8.4 獲取驗證碼
  • 9 小波技術的圖型視覺處理
    • 9.1 小波技術的概述
    • 9.2 小波實現去除雜訊
      • 9.2.1 小波去除雜訊的原理
      • 9.2.2 小波去除雜訊的方法
      • 9.2.3 小波去除雜訊案例分析
    • 9.3 圖型融合處理
      • 9.3.1 概述
      • 9.3.2 小波融合案例分析
  • 10 圖型壓縮與分割處理
    • 10.1 SVD圖型壓縮處理
      • 10.1.1 特徵分解
      • 10.1.2 奇異值分解
      • 10.1.3 奇異值分解應用
    • 10.2 PCA圖型壓縮處理
      • 10.2.1 概述
      • 10.2.2 主成分降維原理
      • 10.2.3 分矩陣重建樣本
      • 10.2.4 主成分分析圖型壓縮
      • 10.2.5 主成分壓縮圖型案例分析
    • 10.3 K-Means聚類圖像壓縮處理
      • 10.3.1 K-Means聚類演算法原理
      • 10.3.2 K-Means聚類演算法的要點
      • 10.3.3 K-Means聚類演算法的缺點
      • 10.3.4 K-Means聚類圖像壓縮案例分析
    • 10.4 K-Means聚類實現圖型分割
      • 10.4.1 K-Means聚類分割灰階圖型
      • 10.4.2 K-Means聚類比較分割彩色圖型
  • 11 圖型特徵比對
    • 11.1 相關概念
    • 11.2 圖型比對
      • 11.2.1 以灰階為基礎的比對
      • 11.2.2 以範本為基礎的比對
      • 11.2.3 以變換域為基礎的比對
      • 11.2.4 以特徵比對為基礎案例分析
  • 12 角點特徵檢測
    • 12.1 Harris的基本原理
    • 12.2 Harris演算法流程
    • 12.3 Harris角點的性質
    • 12.4 Harris檢測角點案例分析
    • 12.5 角點檢測函數
    • 12.6 Shi-Tomasi角點檢測
    • 12.7 FAST特徵檢測
  • 13 運動物件自動偵測
    • 13.1 幀差分法
      • 13.1.1 原理
      • 13.1.2 三幀差分法
      • 13.1.3 幀間差分法案例分析
    • 13.2 背景差分法
    • 13.3 光流法
  • 14 浮水印技術
    • 14.1 浮水印技術的概念
    • 14.2 數位浮水印技術的原理
    • 14.3 典型的數位浮水印演算法
      • 14.3.1 空間域演算法
      • 14.3.2 變換域演算法
    • 14.4 數位浮水印攻擊和評價
    • 14.5 浮水印技術案例分析
  • 15 大腦影像分析
    • 15.1 閾值分割
    • 15.2 區域生長
    • 15.3 以閾值預分割為基礎的區域生長
    • 15.4 區域生長分割大腦影像案例分析
  • 16 自動駕駛應用
    • 16.1 理論基礎
    • 16.2 環境感知
    • 16.3 行為決策
    • 16.4 路徑規則
    • 16.5 運動控制
    • 16.6 自動駕駛案例分析
  • 17 物件辨識
    • 17.1 RCNN系列
      • 17.1.1 RCNN演算法的概述
      • 17.1.2 RCNN的資料集實現
    • 17.2 YOLO檢測
      • 17.2.1 概述
      • 17.2.2 統一檢測
      • 17.2.3 以OpenCV為基礎實現自動檢測案例分析
  • 18 人機互動
    • 18.1 Tkinter GUI程式設計元件
    • 18.2 佈局管理器
      • 18.2.1 Pack佈局管理器
      • 18.2.2 Grid佈局管理器
      • 18.2.3 Place佈局管理器
    • 18.3 事件處理
      • 18.3.1 簡單的事件處理
      • 18.3.2 事件綁定
    • 18.4 Tkinter常用元件
      • 18.4.1 ttk元件
      • 18.4.2 Variable類別
      • 18.4.3 compound選項
      • 18.4.4 Entry和Text元件
      • 18.4.5 Radiobutton和Checkbutton元件
      • 18.4.6 Listbox和Combobox元件
      • 18.4.7 Spinbox元件
      • 18.4.8 Scale元件
      • 18.4.9 Labelframe元件
      • 18.4.10 OptionMenu元件
    • 18.5 選單
      • 18.5.1 視窗選單
      • 18.5.2 右鍵選單
    • 18.6 Canvas繪圖
  • 19 深度學習的應用
    • 19.1 理論部分
      • 19.1.1 分類辨識
      • 19.1.2 物件辨識
    • 19.2 AlexNet網路及案例分析
    • 19.3 CNN拆分資料集案例分析
  • 20 視覺分析綜合應用案例
    • 20.1 越南大戰遊戲
      • 20.1.1 遊戲介面元件
      • 20.1.2 增加「角色」
      • 20.1.3 合理繪製地圖
      • 20.1.4 增加音效
      • 20.1.5 增加遊戲場景
    • 20.2 停車場辨識費率系統
      • 20.2.1 系統設計
      • 20.2.2 實現系統
  • 參考文獻

評分與評論

請登入後再留言與評分
幫助
您好,請問需要甚麼幫助呢?
使用指南

客服專線:0800-000-747

服務時間:週一至週五 AM 09:00~PM 06:00

loading