Python圖像處理經(jīng)典實例

第 1章　圖像處理與變換　1
1.1　 技術(shù)要求　1
1.2　變換顏色空間（RGB→Lab）　2
1.2.1　準(zhǔn)備工作　2
1.2.2　執(zhí)行步驟　2
1.2.3　工作原理　4
1.2.4　更多實踐　4
1.3　應(yīng)用仿射變換　4
1.3.1　準(zhǔn)備工作　5
1.3.2　執(zhí)行步驟　5
1.3.3　工作原理　6
1.3.4　更多實踐　7
1.4　應(yīng)用透視變換和單應(yīng)性變換　7
1.4.1　準(zhǔn)備工作　8
1.4.2　執(zhí)行步驟　8
1.4.3　工作原理　10
1.4.4　更多實踐　11
1.5　基于圖像創(chuàng)建鉛筆草圖 　11
1.5.1　準(zhǔn)備工作 　11
1.5.2　執(zhí)行步驟　11
1.5.3　工作原理　13
1.5.4　更多實踐 　14
1.6　創(chuàng)建卡通圖像　14
1.6.1　準(zhǔn)備工作 　15
1.6.2　執(zhí)行步驟　15
1.6.3　工作原理　16
1.6.4　更多實踐　17
1.7　模擬光藝術(shù)/長曝光　17
1.7.1　準(zhǔn)備工作 　17
1.7.2　執(zhí)行步驟 　17
1.7.3　工作原理 　19
1.7.4　更多實踐　19
1.8　在HSV顏色模型中使用顏色進(jìn)行目標(biāo)檢測　21
1.8.1　準(zhǔn)備工作 　21
1.8.2　執(zhí)行步驟　21
1.8.3　工作原理 　22

第 2章　圖像增強(qiáng)　24
2.1　 使用濾波器去除圖像中不同類型的噪聲　24
2.1.1　準(zhǔn)備工作　24
2.1.2　執(zhí)行步驟　25
2.1.3　工作原理　26
2.1.4　更多實踐　28
2.2　基于去噪自編碼器的圖像去噪　28
2.2.1　準(zhǔn)備工作　28
2.2.2　執(zhí)行步驟　28
2.2.3　工作原理　31
2.2.4　更多實踐　32
2.3　基于PCA/DFT/DWT的圖像去噪　33
2.3.1　準(zhǔn)備工作　33
2.3.2　執(zhí)行步驟　33
2.3.3　工作原理　35
2.3.4　更多實踐　36
2.4　基于各向異性擴(kuò)散的圖像去噪　36
2.4.1　準(zhǔn)備工作　36
2.4.2　執(zhí)行步驟　36
2.4.3　工作原理　38
2.4.4　更多實踐　38
2.5　利用直方圖均衡化改善圖像對比度　38
2.5.1　準(zhǔn)備工作　39
2.5.2　執(zhí)行步驟　39
2.5.3　更多實踐　41
2.6　執(zhí)行直方圖匹配　41
2.6.1　準(zhǔn)備工作　41
2.6.2　執(zhí)行步驟　42
2.6.3　工作原理　43
2.6.4　更多實踐　44
2.7　執(zhí)行梯度融合　45
2.7.1　準(zhǔn)備工作　45
2.7.2　執(zhí)行步驟　46
2.8　基于Canny、LoG/零交叉以及小波的邊緣檢測　47
2.8.1　準(zhǔn)備工作　47
2.8.2　執(zhí)行步驟　48
2.8.3　工作原理　52
2.8.4　更多實踐　53

第3章　圖像修復(fù)　54
3.1　使用維納濾波器來修復(fù)圖像　55
3.1.1　準(zhǔn)備工作　55
3.1.2　執(zhí)行步驟　55
3.2　使用約束小二乘法濾波器來修復(fù)圖像　58
3.2.1　準(zhǔn)備工作　58
3.2.2　執(zhí)行步驟　59
3.2.3　工作原理　62
3.2.4　更多實踐　62
3.3　使用馬爾可夫隨機(jī)場來修復(fù)圖像　63
3.3.1　準(zhǔn)備工作　64
3.3.2　執(zhí)行步驟　64
3.3.3　工作原理　66
3.4　圖像修補(bǔ)　67
3.4.1　準(zhǔn)備工作　68
3.4.2　執(zhí)行步驟　68
3.4.3　工作原理　68
3.4.4　更多實踐　70
3.5　基于深度學(xué)習(xí)的圖像修復(fù)　71
3.5.1　準(zhǔn)備工作　72
3.5.2　執(zhí)行步驟　72
3.5.3　更多實踐　74
3.6　基于字典學(xué)習(xí)的圖像修復(fù)　75
3.6.1　準(zhǔn)備工作　75
3.6.2　執(zhí)行步驟　75
3.6.3　更多實踐　78
3.7　使用小波進(jìn)行圖像壓縮　79
3.7.1　準(zhǔn)備工作　80
3.7.2　執(zhí)行步驟　80
3.7.3　工作原理　81
3.8　使用隱寫術(shù)和隱寫分析技術(shù)　82
3.8.1　準(zhǔn)備工作　83
3.8.2　執(zhí)行步驟　83
3.8.3　工作原理　86
3.8.4　更多實踐　86

第4章　二值圖像處理　87
4.1　對二值圖像應(yīng)用形態(tài)學(xué)運(yùn)算　87
4.1.1　準(zhǔn)備工作　88
4.1.2　執(zhí)行步驟　88
4.1.3　工作原理　90
4.1.4　更多實踐　92
4.2　應(yīng)用形態(tài)學(xué)濾波器　93
4.2.1　準(zhǔn)備工作　94
4.2.2　執(zhí)行步驟　94
4.2.3　工作原理　100
4.2.4　更多實踐　100
4.3　形態(tài)模式匹配　102
4.3.1　準(zhǔn)備工作　102
4.3.2　執(zhí)行步驟　103
4.3.3　工作原理　105
4.3.4　更多實踐　106
4.4　基于形態(tài)學(xué)的圖像分割　106
4.4.1　準(zhǔn)備工作　107
4.4.2　執(zhí)行步驟　107
4.4.3　工作原理　111
4.4.4　更多實踐　112
4.5　對象計數(shù)　113
4.5.1　準(zhǔn)備工作　113
4.5.2　執(zhí)行步驟　113
4.5.3　工作原理　115
4.5.4　更多實踐　116

第5章　圖像配準(zhǔn)　117
5.1　基于SimpleITK模塊的醫(yī)學(xué)圖像配準(zhǔn)　117
5.1.1　準(zhǔn)備工作　118
5.1.2　執(zhí)行步驟　118
5.1.3　工作原理　121
5.1.4　更多實踐　121
5.2　使用ECC算法進(jìn)行圖像對齊和變形　123
5.2.1　準(zhǔn)備工作　123
5.2.2　執(zhí)行步驟　124
5.2.3　工作原理　126
5.2.4　更多實踐　127
5.3　使用dlib庫進(jìn)行人臉對齊　127
5.3.1　準(zhǔn)備工作　128
5.3.2　執(zhí)行步驟　128
5.3.3　工作原理　130
5.3.4　更多實踐　130
5.4　RANSAC算法的魯棒匹配和單應(yīng)性　132
5.4.1　準(zhǔn)備工作　132
5.4.2　執(zhí)行步驟　133
5.4.3　工作原理　134
5.5　圖像拼接（全景）　135
5.5.1　準(zhǔn)備工作　136
5.5.2　執(zhí)行步驟　136
5.5.3　工作原理　142
5.5.4　更多實踐　142
5.6　人臉變形　142
5.6.1　準(zhǔn)備工作　143
5.6.2　執(zhí)行步驟　143
5.6.3　工作原理　149
5.6.4　更多實踐　149
5.7　實現(xiàn)圖像搜索引擎　150
5.7.1　準(zhǔn)備工作　150
5.7.2　執(zhí)行步驟　150
5.7.3　更多實踐　158

第6章　圖像分割　159
6.1　使用Otsu和Riddler-Calvard的閾值化進(jìn)行圖像分割　159
6.1.1　準(zhǔn)備工作　160
6.1.2　執(zhí)行步驟　160
6.1.3　工作原理　161
6.1.4　更多實踐　161
6.2　使用自組織映射進(jìn)行圖像分割　162
6.2.1　準(zhǔn)備工作　163
6.2.2　執(zhí)行步驟　163
6.2.3　工作原理　166
6.2.4　更多實踐　166
6.3　使用scikit-image進(jìn)行隨機(jī)游走圖像分割　168
6.3.1　準(zhǔn)備工作　168
6.3.2　執(zhí)行步驟　169
6.3.3　工作原理　170
6.3.4　更多實踐　171
6.4　使用GMM-EM算法進(jìn)行人體皮膚的圖像分割　171
6.4.1　準(zhǔn)備工作　172
6.4.2　執(zhí)行步驟　173
6.4.3　工作原理　175
6.5　醫(yī)學(xué)圖像分割　176
6.5.1　準(zhǔn)備工作　176
6.5.2　執(zhí)行步驟　176
6.5.3　工作原理　182
6.5.4　更多實踐　183
6.6　深度語義分割　184
6.6.1　準(zhǔn)備工作　185
6.6.2　執(zhí)行步驟　185
6.7　深度實例分割　190
6.7.1　準(zhǔn)備工作　191
6.7.2　執(zhí)行步驟　192
6.7.3　工作原理　194

第7章　圖像分類　195
7.1　使用scikit-learn庫對圖像進(jìn)行分類（方向梯度直方圖和邏輯回歸）　196
7.1.1　準(zhǔn)備工作　196
7.1.2　執(zhí)行步驟　197
7.1.3　工作原理　200
7.1.4　更多實踐　202
7.2　使用Gabor濾波器組對紋理進(jìn)行分類　202
7.2.1　準(zhǔn)備工作　203
7.2.2　執(zhí)行步驟　203
7.2.3　工作原理　206
7.2.4　更多實踐　207
7.3　使用VGG19/Inception V3/MobileNet/ResNet101（基于PyTorch庫）
　　 對圖像進(jìn)行分類　207
7.3.1　準(zhǔn)備工作　208
7.3.2　執(zhí)行步驟　208
7.3.3　工作原理　210
7.3.4　更多實踐　212
7.4　圖像分類的微調(diào)（使用遷移學(xué)習(xí)）　212
7.4.1　準(zhǔn)備工作　213
7.4.2　執(zhí)行步驟　214
7.4.3　工作原理　217
7.4.4　更多實踐　218
7.5　使用深度學(xué)習(xí)模型對交通標(biāo)志進(jìn)行分類（基于PyTorch庫）　219
7.5.1　準(zhǔn)備工作　219
7.5.2　執(zhí)行步驟　219
7.5.3　工作原理　226
7.5.4　更多實踐　227
7.6　使用深度學(xué)習(xí)實現(xiàn)人體姿勢估計　227
7.6.1　準(zhǔn)備工作　228
7.6.2　執(zhí)行步驟　228
7.6.3　工作原理　231

第8章　圖像中的目標(biāo)檢測　232
8.1　基于HOG/SVM的目標(biāo)檢測　232
8.1.1　準(zhǔn)備工作　234
8.1.2　執(zhí)行步驟　234
8.1.3　工作原理　236
8.1.4　更多實踐　237
8.2　基于YOLO v3的目標(biāo)檢測　237
8.2.1　準(zhǔn)備工作　238
8.2.2　執(zhí)行步驟　238
8.2.3　工作原理　241
8.2.4　更多實踐　242
8.3　基于Faster R-CNN的目標(biāo)檢測　242
8.3.1　準(zhǔn)備工作　243
8.3.2　執(zhí)行步驟　243
8.3.3　工作原理　245
8.3.4　更多實踐　246
8.4　基于Mask R-CNN的目標(biāo)檢測　246
8.4.1　準(zhǔn)備工作　247
8.4.2　執(zhí)行步驟　247
8.4.3　工作原理　250
8.4.4　更多實踐　250
8.5　基于Python-OpenCV的多目標(biāo)跟蹤　250
8.5.1　準(zhǔn)備工作　251
8.5.2　執(zhí)行步驟　251
8.5.3　工作原理　253
8.5.4　更多實踐　253
8.6　使用EAST/Tesseract來檢測/識別圖像中的文本　253
8.6.1　準(zhǔn)備工作　255
8.6.2　執(zhí)行步驟　255
8.6.3　工作原理　257
8.7　使用 Viola-Jones/Haar特征進(jìn)行人臉檢測　258
8.7.1　準(zhǔn)備工作　258
8.7.2　執(zhí)行步驟　258
8.7.3　工作原理　259
8.7.4　更多實踐　260

第9章　人臉識別、圖像描述及其他技術(shù)　261
9.1　使用FaceNet進(jìn)行人臉識別　261
9.1.1　準(zhǔn)備工作　262
9.1.2　執(zhí)行步驟　263
9.1.3　工作原理　267
9.2　使用深度學(xué)習(xí)模型來識別年齡、性別和情緒　268
9.2.1　準(zhǔn)備工作　268
9.2.2　執(zhí)行步驟　269
9.2.3　更多實踐　270
9.3　使用深度學(xué)習(xí)模型進(jìn)行圖像著色　270
9.3.1　準(zhǔn)備工作　271
9.3.2　執(zhí)行步驟　271
9.4　使用卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶自動生成圖像字幕　273
9.4.1　準(zhǔn)備工作　274
9.4.2　執(zhí)行步驟　274
9.4.3　工作原理　275
9.5　使用GAN生成圖像　276
9.5.1　準(zhǔn)備工作　277
9.5.2　執(zhí)行步驟　278
9.5.3　工作原理　283
9.5.4　更多實踐　284
9.6　使用變分自編碼器重建并生成圖像　284
9.6.1　準(zhǔn)備工作　285
9.6.2　執(zhí)行步驟　285
9.6.3　更多實踐　290
9.7　使用受限玻耳茲曼機(jī)重建孟加拉語MNIST圖像　291
9.7.1　準(zhǔn)備工作　292
9.7.2　執(zhí)行步驟　292