YL6855  9787121315503 9787302397922 9787121311048

MATLAB計算機視覺與深度學習實戰

《MATLAB 計算機視覺與深度學習實戰》詳細講解瞭30個 MATLAB 計算機視覺與深度學習案例（含可運行程序），涉及霧霾去噪、答題卡自動閱捲、肺部圖像分割、小波數字水印、圖像檢索、人臉二維碼識彆、車牌定位及識彆、霍夫曼圖像壓縮、手寫數字識彆、英文字符文本識彆、眼前節組織提取、全景圖像拼接、小波圖像融閤、基於語音識彆的音頻信號模擬燈控、路麵裂縫檢測識彆、視頻運動估計追蹤、Simulink 圖像處理、胸片及肝髒分割、基於深度學習的汽車目標檢測、基於計算機視覺的自動駕駛應用、基於深度學習的視覺場景識彆等多項重要技術，涵蓋瞭數字圖像處理中幾乎所有的基本模塊，並延伸到瞭深度學習的理論及其應用方麵。

第 1 章 基於直方圖優化的圖像去霧技術 1

1.1 案例背景 1

1.2 理論基礎 1

1.2.1 空域圖像增強 1

1.2.2 直方圖均衡化 2

1.3 程序實現 3

1.3.1 設計 GUI 界麵 4

1.3.2 全局直方圖處理 4

1.3.3 局部直方圖處理 7

1.3.4 Retinex 增強處理 9

1.4 延伸閱讀 13

1.5 參考文獻 13

第 2 章 基於 形態學的權重自適應圖像去噪 14

2.1 案例背景 14

2.2 理論基礎 15

2.2.1 圖像去噪方法 15

2.2.2 數學形態學原理 16

2.2.3 權重自適應的多結構形態學去噪 16

2.3 程序實現 17

2.4 延伸閱讀 22

2.5 參考文獻 23

第 3 章 基於多尺度形態學提取眼前節組織 24

3.1 案例背景 24

3.2 理論基礎 25

3.3 程序實現 28

3.3.1 多尺度邊緣 28

3.3.2 主處理函數 29

3.3.3 形態學處理 31

3.4 延伸閱讀 33

3.5 參考文獻 33

第 4 章 基於 Hough 變化的答題卡識彆 34

4.1 案例背景 34

4.2 理論基礎 34

4.2.1 圖像二值化 35

4.2.2 傾斜校正 35

4.2.3 圖像分割 38

4.3 程序實現 40

4.4 延伸閱讀 51

4.5 參考文獻 51

第 5 章 基於閾值分割的車牌定位識彆 52

5.1 案例背景 52

5.2 理論基礎 52

5.2.1 車牌圖像處理 53

5.2.2 車牌定位原理 57

5.2.3 車牌字符處理 57

5.2.4 字符識彆 59

5.3 程序實現 61

5.4 延伸閱讀 69

5.5 參考文獻 69

第 6 章 基於分水嶺分割進行肺癌診斷 70

6.1 案例背景 70

6.2 理論基礎 70

6.2.1 模擬浸水的過程 71

6.2.2 模擬降水的過程 71

6.2.3 過度分割問題 71

6.2.4 標記分水嶺分割算法 71

6.3 程序實現 72

6.4 延伸閱讀 77

6.5 參考文獻 78

第 7 章 基於主成分分析的人臉二維碼識彆 79

7.1 案例背景 79

7.2 理論基礎 79

7.2.1 QR 編碼簡介 80

7.2.2 QR 編碼譯碼 82

7.2.3 主成分分析方法 84

7.3 程序實現 86

7.3.1 人臉建庫 86

7.3.2 人臉識彆 87

7.3.3 人臉二維碼 88

7.4 延伸閱讀 93

7.5 參考文獻 93

第 8 章 基於知識庫的手寫體數字識彆 94

8.1 案例背景 94

8.2 理論基礎 94

8.2.1 算法流程 94

8.2.2 特徵提取 95

8.2.3 模式識彆 96

8.3 程序實現 97

8.3.1 圖像處理 97

8.3.2 特徵提取 98

8.3.3 模式識彆 101

8.4 延伸閱讀 102

8.4.1 識彆器選擇 102

8.4.2 提高識彆率 102

8.5 參考文獻 102.........

視覺SLAM十四講：從理論到實踐

本書係統介紹瞭視覺SLAM（同時定位與地圖構建）所需的基本知識與核心算法，既包括數學理論基礎，如三維空間的剛體運動、非綫性優化，又包括計算機視覺的算法實現，例如多視圖幾何、迴環檢測等。此外，還提供瞭大量的實例代碼供讀者學習研究，從而更深入地掌握這些內容。本書可以作為對SLAM 感興趣的研究人員的入門自學材料，也可以作為SLAM 相關的高校本科生或研究生課程教材使用。
第1 講預備知識 1
1.1 本書講什麼1
1.2 如何使用本書3
1.2.1 組織方式3
1.2.2 代碼5
1.2.3 麵嚮的讀者6
1.3 風格約定6
1.4 緻謝和聲明7
第2 講初識SLAM 9
2.1 引子：小蘿蔔的例子11
2.2 **視覺SLAM 框架17
2.2.1 視覺裏程計17
2.2.2 後端優化19
2.2.3 迴環檢測20
2.2.4 建圖21
2.3 SLAM 問題的數學錶述22
2.4 實踐：編程基礎 25
2.4.1 安裝Linux 操作係統25
2.4.2 Hello SLAM27
2.4.3 使用cmake28
2.4.4 使用庫30
2.4.5 使用IDE32
第3 講三維空間剛體運動37
3.1 鏇轉矩陣39
3.1.1 點和嚮量，坐標係39
3.1.2 坐標係間的歐氏變換40
3.1.3 變換矩陣與齊次坐標42
3.2 實踐：Eigen 44
3.3 鏇轉嚮量和歐拉角48
3.3.1 鏇轉嚮量48
3.3.2 歐拉角50
3.4 四元數51
3.4.1 四元數的定義51
3.4.2 四元數的運算53
3.4.3 用四元數錶示鏇轉55
3.4.4 四元數到鏇轉矩陣的轉換55
3.5 * 相似、仿射、射影變換56
3.6 實踐：Eigen 幾何模塊57
3.7 可視化演示60
第4 講李群與李代數62
4.1 李群與李代數基礎 64
4.1.1 群64
4.1.2 李代數的引齣65
4.1.3 李代數的定義 67
4.1.4 李代數so(3) 67
4.1.5 李代數se(3)68
4.2 指數與對數映射69
4.2.1 SO(3) 上的指數映射69
4.2.2 SE(3) 上的指數映射.70
4.3 李代數求導與擾動模型72
4.3.1 BCH 公式與近似形式72
4.3.2 SO(3) 李代數上的求導73
4.3.3 李代數求導74
4.3.4 擾動模型（左乘）75
4.3.5 SE(3) 上的李代數求導76
4.4 實踐：Sophus76
4.5 * 相似變換群與李代數.79
4.6 小結81
第5 講相機與圖像82
5.1 相機模型 84
5.1.1 針孔相機模型84
5.1.2 畸變87
5.1.3 雙目相機模型 90
5.1.4 RGB-D 相機模型92
5.2 圖像93
5.3 實踐：圖像的存取與訪問95
5.3.1 安裝OpenCV95
5.3.2 操作OpenCV 圖像96
5.4 實踐：拼接點雲99
第6 講非綫性優化104
6.1 狀態估計問題106
6.1.1 *大後驗與*大似然106
6.1.2 *小二乘的引齣 108
6.2 非綫性*小二乘109
6.2.1 一階和二階梯度法110
6.2.2 高斯牛頓法111
6.2.3 列文伯格—馬誇爾特方法113
6.2.4 小結114
6.3 實踐：Ceres115
6.3.1 Ceres 簡介 116
6.3.2 安裝Ceres116
6.3.3 使用Ceres 擬閤麯綫 117
6.4 實踐：g2o121
6.4.1 圖優化理論簡介121
6.4.2 g2o 的編譯與安裝122
6.4.3 使用g2o 擬閤麯綫123
6.5 小結128
第7 講視覺裏程計1130
7.1 特徵點法132
7.1.1 特徵點132
7.1.2 ORB 特徵134
7.1.3 特徵匹配137
7.2 實踐：特徵提取和匹配138
7.3 2D?2D: 對極幾何141
7.3.1 對極約束141
7.3.2 本質矩陣143
7.3.3 單應矩陣146
7.4 實踐：對極約束求解相機運動148
7.5 三角測量153
7.6 實踐：三角測量154
7.6.1 三角測量代碼154
7.6.2 討論156
7.7 3D?2D：PnP157
7.7.1 直接綫性變換158
7.7.2 P3P159......

視覺機器學習20講

《視覺機器學習20講》是計算機、自動化、信息、電子與通信學科方嚮的專著，詳盡地介紹瞭K-Means、KNN學習、迴歸學習、決策樹學習、Random Forest、貝葉斯學習、EM算法、 Adaboost、SVM方法、增強學習、流形學習、RBF學習、稀疏錶示、字典學習、BP學習、CNN學習、RBM學習、深度學習、遺傳算法、蟻群方法等基本理論；深入闡述瞭視覺機器學習算法的優化方法和實驗仿真；係統地總結瞭其優點和不足。
本書特彆重視如何將視覺機器學習算法的理論和實踐有機地結閤，解決視覺機器學習領域中的諸多基礎問題，可應用於醫學圖像分析、工業自動化、機器人、無人車、人臉檢測與識彆、車輛信息識彆、行為檢測與識彆、智能視頻監控等。本書特彆重視算法的典型性和可實現性，既包含本領域的**算法，也包含本領域的*研究成果。
本書不僅可作為高年級本科生與研究生教材，而且也是從事視覺機器學習領域研發極為有用的參考資料。
緒論
第1講 K-means
1.1 基本原理
1.2 算法改進
1.3 仿真實驗
1.4 算法特點
第2講 KNN學習
2.1 基本原理
2.2 算法改進
2.3 仿真實驗
2.4 算法特點
第3講 迴歸學習
3.1 基本原理
3.1.1 參數迴歸
3.1.2 非參數迴歸
3.1.3 半參數迴歸
3.2 算法改進
3.2.1 綫性迴歸模型
3.2.2 多項式迴歸模型
3.2.3 主成分迴歸模型
3.2.4 自迴歸模型
3.2.5 核迴歸模型
3.3 仿真實驗
3.3.1 迴歸學習流程
3.3.2 基於迴歸學習的直綫邊緣提取
3.3.3 基於迴歸學習的圖像插值
3.4 算法特點
第4講 決策樹學習
4.1 基本原理
4.1.1 分類與聚類
4.1.2 決策樹
4.1.3 信息增益的度量標準
4.1.4 信息增益度量期望的熵降低
4.1.5 悲觀錯誤剪枝
4.1.6 基本決策樹算法
4.2 算法改進
4.2.1 ID3算法
4.2.2 C4.5算法
4.2.3 SLIQ算法
4.2.4 SPRINT算法
4.3 仿真實驗
4.3.1 用於學習布爾函數的ID3算法僞代碼
4.3.2 C4.5算法構造決策樹的僞代碼
4.4 算法特點
第5講 Random Forest學習
5.1 基本原理
5.1.1 決策樹
5.1.2 Bagging集成學習
5.1.3 Random Forest方法
5.2 算法改進
5.3 仿真實驗
5.3.1 Random Forest分類與迴歸流程
5.3.2 Forest-RI和For
5.3.3 基於Random Forest的頭部姿態估計
5.4 算法特點
第6講 貝葉斯學習
6.1 基本原理
6.2 算法改進
6.2.1 樸素貝葉斯模型
6.2.2 層級貝葉斯模型
6.2.3 增廣貝葉斯學習模型
6.2.4 基於Boosting技術的樸素貝葉斯模型
6.2.5 貝葉斯神經網絡模型
6.3 仿真實驗
6.3.1 Learn_Bays
6.3.2 Classify_Ba
6.4 算法特點
第7講 EM算法
7.1 基本原理
7.2 算法改進
7.2.1 EM算法的快速計算
7.2.2 未知分布函數的選取
7.2.3 EM算法收斂性的改進
7.3 仿真實驗
7.3.1 EM算法流程
7.3.2 EM算法的僞代碼
7.3.3 EM算法應用——高斯混閤模型
7.4 算法特點
第8講 Adaboost
8.1 基本原理
8.1.1 Boosting方法
8.1.2 Adaboost方法
8.2 算法改進
8.2.1 權值更新方法的改進
8.2.2 Adaboost並行算法
8.3 仿真實驗
8.3.1 Adaboost算法實現流程
8.3.2 Adaboost算法示例
8.4 算法特點
8.4.1 Adaboost算法的優點
8.4.2 Adaboost算法的缺點...........

探索數字世界的奧秘：從圖像感知到智能決策 在信息爆炸的時代，我們被海量的數據所淹沒，而圖像作為最直觀、最豐富的信息載體，其重要性不言而喻。從日常的拍照記錄，到工業生産的質量檢測，再到自動駕駛汽車的路徑規劃，圖像的理解和分析已經深入到我們生活的方方麵麵。本書係旨在帶領讀者深入探索數字圖像的奧秘，構建一個能夠“看懂”世界的智能係統，解鎖前沿技術帶來的無限可能。 第一捲：讓機器擁有“眼睛”——MATLAB計算機視覺與深度學習實戰 計算機視覺，顧名思義，就是賦予計算機感知和理解視覺信息的能力。這不僅僅是簡單地識彆齣圖像中的物體，更重要的是能夠理解物體之間的關係、場景的含義，並據此做齣相應的判斷和決策。本書將以MATLAB為強大的工具，引導您一步步走進計算機視覺的奇妙世界。 基礎理論的堅實奠基： 我們將從最基礎的圖像處理概念入手，例如圖像的錶示、像素操作、色彩空間轉換等。您將瞭解如何通過數字信號處理的原理，對圖像進行濾波、增強、邊緣檢測等預處理操作，為後續的復雜任務打下堅實的基礎。從簡單的灰度化到復雜的形態學操作，您將逐步掌握處理圖像的“十八般武藝”。 經典的計算機視覺算法： 圖像特徵提取是計算機視覺的核心環節。本書將詳細介紹SIFT、SURF、ORB等經典的局部特徵描述子，以及HOG等全局特徵描述子，並闡釋它們在圖像匹配、物體識彆等場景下的應用。您將學習如何利用這些特徵來描述圖像的獨特之處，從而實現圖像間的關聯。 機器學習在視覺領域的應用： 隨著機器學習的飛速發展，其在計算機視覺領域的應用也日益廣泛。我們將重點介紹支持嚮量機（SVM）、K近鄰（KNN）等傳統機器學習算法，並結閤實際案例，演示如何利用這些算法對圖像進行分類、識彆。例如，如何訓練一個模型來區分貓和狗，或者識彆齣圖像中的不同車輛。 深度學習的革命性力量： 深度學習無疑是近年來計算機視覺領域最耀眼的明星。本書將重點講解捲積神經網絡（CNN）的原理，包括捲積層、池化層、激活函數、全連接層等核心組件。您將學習如何搭建和訓練各種經典的CNN模型，如LeNet、AlexNet、VGG、ResNet等，並將其應用於圖像分類、目標檢測、圖像分割等任務。我們將通過詳實的MATLAB代碼示例，讓您親手實踐，感受深度學習的強大威力。 實戰項目驅動學習： 理論學習離不開實踐檢驗。本書包含多個貼近實際應用的實戰項目，例如人臉識彆、手勢識彆、車牌識彆、醫學圖像分析等。通過完成這些項目，您將不僅鞏固所學知識，更能體驗到將理論轉化為實際應用的成就感。每一個項目都將詳細剖析其背後的思路、算法選擇、模型構建和調優過程。 MATLAB工具箱的充分利用： MATLAB強大的圖像處理和深度學習工具箱為我們的學習提供瞭極大的便利。本書將充分利用Image Processing Toolbox、Computer Vision Toolbox、Deep Learning Toolbox等，讓您高效地實現各種算法和模型。您將學會如何運用這些工具箱提供的函數和API，快速完成圖像的讀寫、處理、分析以及神經網絡的構建、訓練和部署。 第二捲：讓機器“定位”自己——視覺SLAM十四講 在復雜的未知環境中，一個機器人或無人機如何知道自己身在何處？如何構建周圍環境的地圖？“同時定位與地圖構建”（Simultaneous Localization and Mapping, SLAM）技術為此提供瞭解決方案。尤其是在缺乏GPS信號的室內或地下環境中，視覺SLAM更是展現瞭其獨特的優勢。本書將以十四講的深度，帶您係統掌握視覺SLAM的核心技術。 SLAM的理論基石： 我們將首先介紹SLAM的基本概念、發展曆程以及其在機器人、無人機、增強現實等領域的廣泛應用。您將理解SLAM問題的本質——在未知環境中，如何通過傳感器測量來同時估計自身的位置姿態以及構建環境地圖。 相機模型與幾何基礎： 視覺SLAM離不開對相機的深刻理解。本書將詳細講解相機模型，包括針孔相機模型、相機標定、畸變校正等，並深入探討多視圖幾何，如對極幾何、本質矩陣、基礎矩陣等，這些都是從圖像中恢復三維信息和相機運動的關鍵。 視覺特徵與追蹤： 特徵點是視覺SLAM的“眼睛”。您將學習如何提取和描述圖像中的關鍵點，如ORB、FAST等特徵點檢測器，以及BRIEF、ORB等描述子。在此基礎上，您將掌握特徵匹配、幾何驗證等技術，實現相機姿態的初步估計。 直接法與基於優化的方法： 除瞭特徵點法，本書還將介紹直接法，它直接利用圖像像素亮度信息進行位姿估計。同時，我們將重點講解基於圖優化的SLAM框架，包括因子圖、因子分解、高斯-牛頓法、Levenberg-Marquardt算法等，這些方法能夠對全局軌跡和地圖進行優化，顯著提升SLAM係統的精度和魯棒性。 傳感器融閤與多模態SLAM： 現實世界的SLAM係統往往需要融閤多種傳感器信息。本書將探討如何融閤IMU（慣性測量單元）、輪式裏程計等傳感器數據，以提高SLAM係統的精度和在紋理稀疏環境下的魯棒性。您將瞭解多模態SLAM的挑戰與解決方案。 經典視覺SLAM算法解析： 從經典的MonoSLAM、PTAM到現代主流的ORB-SLAM係列，本書將深入剖析這些裏程碑式的視覺SLAM算法，幫助您理解它們的設計思想、技術細節和優劣之處。您將瞭解它們如何在特徵提取、運動估計、迴環檢測、地圖構建等方麵實現協同工作。 迴環檢測與閉環優化： SLAM係統最大的挑戰之一是纍積誤差。迴環檢測能夠識彆相機是否迴到曾經到過的地方，並進行閉環優化，消除纍積誤差，構建一緻的地圖。您將學習各種迴環檢測的策略和方法，以及如何在檢測到迴環後進行全局位姿圖優化。 實戰代碼剖析與工程實踐： 本書將結閤開源的視覺SLAM庫，如ORB-SLAM2/3，通過詳細的代碼剖析，讓您理解算法的實現細節。您將有機會通過運行和修改這些代碼，更深入地掌握視覺SLAM的工程實現。 第三捲：賦予機器“學習”的能力——視覺機器學習20講 機器學習是人工智能的核心驅動力，而視覺機器學習則是讓機器能夠從海量的視覺數據中學習規律、提取知識，並最終實現智能決策的關鍵。本書將以20個精心設計的章節，帶您領略視覺機器學習的魅力。 機器學習的入門與進階： 我們將從機器學習的基本概念齣發，包括監督學習、無監督學習、強化學習等，並介紹常用的算法，如綫性迴歸、邏輯迴歸、決策樹、隨機森林等。您將理解不同算法的適用場景和優缺點。 特徵工程的藝術： “Garbage in, garbage out.” 好的特徵是成功機器學習模型的基石。本書將深入講解特徵選擇、特徵提取、特徵降維等技術，例如主成分分析（PCA）、獨立成分分析（ICA）等，幫助您從原始數據中挖掘齣更有價值的信息。 深度學習模型構建與調優： 再次迴到深度學習，本書將聚焦於更廣泛的深度學習模型，包括循環神經網絡（RNN）、長短期記憶網絡（LSTM）、門控循環單元（GRU）等，它們在處理序列數據方麵錶現齣色。同時，我們將深入講解各種網絡結構的優化技巧，如批量歸一化（Batch Normalization）、Dropout、殘差連接（Residual Connections）等，以及如何進行超參數調優、正則化等，以獲得更好的模型性能。 生成模型與圖像生成： 生成模型能夠學習數據的分布，並生成新的、與原始數據相似的數據。本書將介紹生成對抗網絡（GAN）及其變種，如DCGAN、StyleGAN等，並展示如何利用它們生成逼真的圖像、進行風格遷移、圖像修復等。 遷移學習與領域自適應： 在很多場景下，我們可能缺乏足夠多的標注數據。遷移學習能夠利用預訓練的模型，將從大規模數據集中學到的知識遷移到新的任務上，大大減少對標注數據的依賴。本書將深入講解遷移學習的策略和應用。 模型評估與可解釋性： 構建模型隻是第一步，如何科學地評估模型的性能至關重要。本書將介紹各種評估指標，如準確率、召迴率、F1分數、ROC麯綫等。同時，我們將探討模型的可解釋性問題，如LIME、SHAP等技術，幫助我們理解模型做齣決策的原因，增強模型的透明度和可靠性。 實際應用案例分析： 本書將結閤豐富的視覺機器學習應用案例，例如智能推薦係統、醫療影像診斷、自動駕駛感知係統、安防監控等，深入剖析模型的設計思路、數據處理流程、訓練過程以及最終的部署方案。 從理論到實踐的完整鏈路： 貫穿全書，我們將強調從數據準備、模型選擇、訓練、評估到部署的完整機器學習流程。您將學會如何將抽象的理論知識轉化為實際可用的解決方案，真正掌握利用機器學習解決視覺問題的能力。 通過這三本書的學習，您將建立起一套完整的計算機視覺和深度學習知識體係，掌握從低層圖像處理到高層場景理解，從感知到定位，再到智能決策的全流程技術。您將不再僅僅是圖像的觀看者，更能成為能夠讓機器“看見”並“思考”的創造者，為人工智能時代的到來貢獻自己的力量。