Python圖像處理實戰(zhàn)

第1 章 圖像處理入門 1
1．1　什么是圖像處理及圖像處理的應用　2
1．1．1　什么是圖像以及圖像是如何存儲的　2
1．1．2　什么是圖像處理　4
1．1．3　圖像處理的應用　4
1．2　圖像處理流程　4
1．3　在Python 中安裝不同的圖像處理庫　6
1．3．1　安裝pip　6
1．3．2　在Python 中安裝圖像處理庫　6
1．3．3　安裝Anaconda 發(fā)行版　7
1．3．4　安裝Jupyter 筆記本　7
1．4　使用Python 進行圖像輸入/輸出和顯示　8
1．4．1　使用PIL 讀取、保存和顯示圖像　8
1．4．2　使用matplotlib 讀取、保存和顯示圖像　10
1．4．3　使用scikit-image 讀取、保存和顯示圖像　12
1．4．4　使用SciPy 的misc 模塊讀取、保存和顯示圖像　14
1．5　處理不同的文件格式和圖像類型，并執(zhí)行基本的圖像操作　15
1．5．1　處理不同的文件格式和圖像類型　16
1．5．2　執(zhí)行基本的圖像操作　20
小結(jié)　38
習題　39
拓展閱讀　40
第2　章 采樣、傅里葉變換與卷積　41
2．1　圖像形成—采樣和量化　42
2．1．1　采樣　42
2．1．2　量化　48
2．2　離散傅里葉變換　51
2．2．1　為什么需要DFT　51
2．2．2　用快速傅里葉變換算法計算DFT　51
2．3　理解卷積　56
2．3．1　為什么需要卷積圖像　57
2．3．2　使用SciPy 信號模塊的convolve2d 函數(shù)進行卷積　57
2．3．3　使用SciPy 中的ndimage．convolve 函數(shù)進行卷積　61
2．3．4　相關(guān)與卷積　62
小結(jié)．　66
習題．　66
第3　章 卷積和頻域濾波　67
3．1　卷積定理和頻域高斯模糊　67
3．2　頻域濾波　75
3．2．1　什么是濾波器　75
3．2．2　高通濾波器　76
3．2．3　低通濾波器　81
3．2．4　DoG 帶通濾波器　87
3．2．5　帶阻（陷波）濾波器　88
3．2．6　圖像復原　90
小結(jié)　98
習題　98
第4　章 圖像增強　99
4．1　逐點強度變換—像素變換　100
4．1．1　對數(shù)變換　101
4．1．2　冪律變換　103
4．1．3　對比度拉伸　104
4．1．4　二值化　108
4．2　直方圖處理—直方圖均衡化和直方圖匹配　112
4．2．1　基于scikit-image 的對比度拉伸和直方圖均衡化　113
4．2．2　直方圖匹配　117
4．3　線性噪聲平滑　120
4．3．1　PIL 平滑　120
4．3．2　基于SciPy ndimage 進行盒核與高斯核平滑比較　124
4．4　非線性噪聲平滑　124
4．4．1　PIL 平滑　125
4．4．2　scikit-image 平滑（去噪）　127
4．4．3　SciPy ndimage 平滑　131
小結(jié)　132
習題　133
第5　章 應用導數(shù)方法實現(xiàn)圖像增強　134
5．1　圖像導數(shù)—梯度和拉普拉斯算子　134
5．1．1　導數(shù)與梯度　135
5．1．2　拉普拉斯算子　138
5．1．3　噪聲對梯度計算的影響　140
5．2　銳化和反銳化掩?！?41
5．2．1　使用拉普拉斯濾波器銳化圖像　141
5．2．2　反銳化掩?！?42
5．3　使用導數(shù)和濾波器進行邊緣檢測．．144
5．3．1　用偏導數(shù)計算梯度大小　145
5．3．2　scikit-image 的Sobel 邊緣檢測器　146
5．3．3　scikit-image 的不同邊緣檢測器—Prewitt、Roberts、Sobel、Scharr 和
Laplace　148
5．3．4　scikit-image 的Canny 邊緣檢測器　151
5．3．5　LoG 濾波器和DoG 濾波器　152
5．3．6　基于LoG 濾波器的邊緣檢測　157
5．3．7　基于PIL 發(fā)現(xiàn)和增強邊緣　159
5．4　圖像金字塔—融合圖像　160
5．4．1　scikit-image transform pyramid 模塊的高斯金字塔　160
5．4．2　scikit-image transform pyramid 模塊的拉普拉斯金字塔　162
5．4．3　構(gòu)造高斯金字塔　164
5．4．4　僅通過拉普拉斯金字塔重建圖像　168
5．4．5　基于金字塔的圖像融合　170
小結(jié)　172
習題　173
第6　章 形態(tài)學圖像處理　174
6．1　基于scikit-image 形態(tài)學模塊的形態(tài)學圖像處理　174
6．1．1　對二值圖像的操作　175
6．1．2　利用開、閉運算實現(xiàn)指紋清洗　183
6．1．3　灰度級操作　184
6．2　基于scikit-image filter．rank 模塊的形態(tài)學圖像處理　185
6．2．1　形態(tài)學對比度增強　186
6．2．2　使用中值濾波器去噪　187
6．2．3　計算局部熵　188
6．3　基于SciPy ndimage．morphology 模塊的形態(tài)學圖像處理　189
6．3．1　填充二值對象中的孔洞　189
6．3．2　采用開、閉運算去噪　190
6．3．3　計算形態(tài)學Beucher 梯度191
6．3．4　計算形態(tài)學拉普拉斯　193
小結(jié)　194
習題　194
第7　章 圖像特征提取與描述符　196
7．1　特征檢測器與描述符　196
7．2　哈里斯角點檢測器　198
7．2．1　scikit-image 包　198
7．2．2　哈里斯角點特征在圖像匹配中的應用　200
7．3　基于LoG、DoG 和DoH 的斑點檢測器　204
7．3．1　高斯拉普拉斯　204
7．3．2　高斯差分　205
7．3．3　黑塞矩陣　205
7．4　基于方向梯度直方圖的特征提取　206
7．4．1　計算HOG 描述符的算法206
7．4．2　基于scikit-image 計算HOG 描述符　207
7．5　尺度不變特征變換　208
7．5．1　計算SIFT 描述符的算法．208
7．5．2　opencv 和opencv-contrib 的SIFT 函數(shù)　209
7．5．3　基于BRIEF、SIFT 和ORB 匹配圖像的應用　210
7．6　類Haar 特征及其在人臉檢測中的應用　217
7．6．1　基于scikit-image 的類Haar 特征描述符　218
7．6．2　基于類Haar 特征的人臉檢測的應用　219
小結(jié)　222
習題　222
第8　章 圖像分割　223
8．1　圖像分割的概念　223
8．2　霍夫變換—檢測圖像中的圓和線　224
8．3　二值化和Otsu 分割　227
8．4　基于邊緣/區(qū)域的圖像分割　229
8．4．1　基于邊緣的圖像分割　229
8．4．2　基于區(qū)域的圖像分割　231
8．5　基于菲爾森茨瓦布高效圖的分割算法、SLIC 算法、快速移位圖像分割算法、
緊湊型分水嶺算法及使用SimpleITK　的區(qū)域生長算法　234
8．5．1　基于菲爾森茨瓦布高效圖的分割算法　235
8．5．2　SLIC 算法　238
8．5．3　快速移位圖像分割算法　240
8．5．4　緊湊型分水嶺算法　241
8．5．5　使用SimpleITK 的區(qū)域生長算法　243
8．6　活動輪廓算法、形態(tài)學蛇算法和基于OpenCV 的GrabCut 圖像分割算法　245
8．6．1　活動輪廓算法　245
8．6．2　形態(tài)學蛇算法　247
8．6．3　基于OpenCV 的GrabCut 圖像分割算法　250
小結(jié)　253
習題　253
第9　章 圖像處理中的經(jīng)典機器學習方法　255
9．1　監(jiān)督學習與無監(jiān)督學習　255
9．2　無監(jiān)督機器學習—聚類、PCA 和特征臉　256
9．2．1　基于圖像分割與顏色量化的k 均值聚類算法　256
9．2．2　用于圖像分割的譜聚類算法　260
9．2．3　PCA 與特征臉　261
9．3　監(jiān)督機器學習—基于手寫數(shù)字數(shù)據(jù)集的圖像分類　268
9．3．1　下載MNIST（手寫數(shù)字）數(shù)據(jù)集　270
9．3．2　可視化數(shù)據(jù)集　270
9．3．3　通過訓練KNN、高斯貝葉斯和SVM 模型對MNIST 數(shù)據(jù)集分類　272
9．4　監(jiān)督機器學習—目標檢測　278
9．4．1　使用類Haar 特征的人臉檢測和使用AdaBoost 的級聯(lián)分類器—Viola-Jones 算法　279
9．4．2　使用基于HOG 特征的SVM 檢測目標　283
小結(jié)　287
習題　287
第10　章 圖像處理中的深度學習—圖像分類　289
10．1　圖像處理中的深度學習　289
10．1．1　什么是深度學習　290
10．1．2　經(jīng)典學習與深度學習　290
10．1．3　為何需要深度學習　292
10．2　卷積神經(jīng)網(wǎng)絡　292
10．3　使用TensorFlow 或Keras 進行圖像分類　295
10．3．1　使用TensorFlow 進行圖像分類　295
10．3．2　使用Keras 對密集全連接層進行分類　302
10．3．3　使用基于Keras 的卷積神經(jīng)網(wǎng)絡進行分類　306
10．4　應用于圖像分類的主流深度卷積神經(jīng)網(wǎng)絡　311
小結(jié)　322
習題　322
第11　章 圖像處理中的深度學習—目標檢測等　323
11．1　YOLO v2　323
11．1．1　對圖像進行分類與定位以及目標檢測　324
11．1．2　使用卷積神經(jīng)網(wǎng)絡檢測目標　325
11．1．3　使用YOLO v2　326
11．2　利用DeepLab v3+的深度語義分割　333
11．2．1　語義分割　334
11．2．2　DeepLab v3+　334
11．3　遷移學習—什么是遷移學習以及什么時候使用遷移學習　337
11．4　使用預訓練的Torch 模型和cv2 實現(xiàn)神經(jīng)風格遷移　342
11．4．1　了解NST 算法　342
11．4．2　使用遷移學習實現(xiàn)NST　342
11．4．3　計算總損失##344
11．5　使用Python 和OpenCV 實現(xiàn)神經(jīng)風格遷移　344
小結(jié)　347
習題　347
第12　章 圖像處理中的其他問題　348
12．1　接縫雕刻　348
12．1．1　使用接縫雕刻進行內(nèi)容感知的圖像大小調(diào)整　349
12．1．2　使用接縫雕刻移除目標．352
12．2　無縫克隆和泊松圖像編輯　354
12．3　圖像修復　356
12．4　變分圖像處理　358
12．4．1　全變分去噪　359
12．4．2　使用全變分去噪創(chuàng)建平面紋理卡通圖像　361
12．5　圖像絎縫　362
12．5．1　紋理合成　362
12．5．2　紋理遷移　362
12．6　人臉變形　363
小結(jié)　364
習題　364