Python圖像處理實戰（簡體書）

本書介紹如何用流行的Python 圖像處理庫、機器學習庫和深度學習庫解決圖像處理問題。先介紹經典的圖像處理技術，然後探索圖像處理算法的演變歷程，始終緊扣圖像處理以及計算機視覺與深度學習方面的最新進展。全書共12 章，涵蓋圖像處理入門基礎知識、應用導數方法實現圖像增強、形態學圖像處理、圖像特徵提取與描述符、圖像分割，以及圖像處理中的經典機器學習方法等內容。
本書適合Python 工程師和相關研究人員閱讀，也適合對計算機視覺、圖像處理、機器學習和深度學習感興趣的軟件工程師參考。

第1 章 圖像處理入門 1
1．1　什麼是圖像處理及圖像處理的應用　2
1．1．1　什麼是圖像以及圖像是如何存儲的　2
1．1．2　什麼是圖像處理　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，並執行基本的圖像操作　15
1．5．1　處理不同的文件格式和圖像類型　16
1．5．2　執行基本的圖像操作　20
小結　38
習題　39
拓展閱讀　40
第2　章 采樣、傅裡葉變換與卷積　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　離散傅裡葉變換　51
2．2．1　為什麼需要DFT　51
2．2．2　用快速傅裡葉變換算法計算DFT　51
2．3　理解卷積　56
2．3．1　為什麼需要卷積圖像　57
2．3．2　使用SciPy 信號模塊的convolve2d 函數進行卷積　57
2．3．3　使用SciPy 中的ndimage．convolve 函數進行卷積　61
2．3．4　相關與卷積　62
小結．　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　什麼是濾波器　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　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　基於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　基於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　132
習題　133
第5　章 應用導數方法實現圖像增強　134
5．1　圖像導數—梯度和拉普拉斯算子　134
5．1．1　導數與梯度　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　銳化和反銳化掩模　141
5．2．1　使用拉普拉斯濾波器銳化圖像　141
5．2．2　反銳化掩模　142
5．3　使用導數和濾波器進行邊緣檢測．．144
5．3．1　用偏導數計算梯度大小　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　基於LoG 濾波器的邊緣檢測　157
5．3．7　基於PIL 發現和增強邊緣　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　基於金字塔的圖像融合　170
小結　172
習題　173
第6　章 形態學圖像處理　174
6．1　基於scikit-image 形態學模塊的形態學圖像處理　174
6．1．1　對二值圖像的操作　175
6．1．2　利用開、閉運算實現指紋清洗　183
6．1．3　灰度級操作　184
6．2　基於scikit-image filter．rank 模塊的形態學圖像處理　185
6．2．1　形態學對比度增強　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　基於SciPy ndimage．morphology 模塊的形態學圖像處理　189
6．3．1　填充二值物件中的孔洞　189
6．3．2　采用開、閉運算去噪　190
6．3．3　計算形態學Beucher 梯度191
6．3．4　計算形態學拉普拉斯　193
小結　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　哈裡斯角點檢測器　198
7．2．1　scikit-image 包　198
7．2．2　哈裡斯角點特征在圖像匹配中的應用　200
7．3　基於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　基於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　基於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　209
7．5．3　基於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　基於scikit-image 的類Haar 特征描述符　218
7．6．2　基於類Haar 特征的人臉檢測的應用　219
小結　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　基於邊緣/區域的圖像分割　229
8．4．1　基於邊緣的圖像分割　229
8．4．2　基於區域的圖像分割　231
8．5　基於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　的區域生長算法　234
8．5．1　基於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 的區域生長算法　243
8．6　活動輪廓算法、形態學蛇算法和基於OpenCV 的GrabCut 圖像分割算法　245
8．6．1　活動輪廓算法　245
8．6．2　形態學蛇算法　247
8．6．3　基於OpenCV 的GrabCut 圖像分割算法　250
小結　253
習題　253
第9　章 圖像處理中的經典機器學習方法　255
9．1　監督學習與無監督學習　255
9．2　無監督機器學習—聚類、PCA 和特征臉　256
9．2．1　基於圖像分割與顏色量化的k 均值聚類算法　256
9．2．2　用於圖像分割的譜聚類算法　260
9．2．3　PCA 與特征臉　261
9．3　監督機器學習—基於手寫數字數據集的圖像分類　268
9．3．1　下載MNIST（手寫數字）數據集　270
9．3．2　可視化數據集　270
9．3．3　通過訓練KNN、高斯貝葉斯和SVM 模型對MNIST 數據集分類　272
9．4　監督機器學習—目標檢測　278
9．4．1　使用類Haar 特征的人臉檢測和使用AdaBoost 的級聯分類器—Viola-Jones 算法　279
9．4．2　使用基於HOG 特征的SVM 檢測目標　283
小結　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　什麼是深度學習　290
10．1．2　經典學習與深度學習　290
10．1．3　為何需要深度學習　292
10．2　卷積神經網絡　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　使用基於Keras 的卷積神經網絡進行分類　306
10．4　應用於圖像分類的主流深度卷積神經網絡　311
小結　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　使用卷積神經網絡檢測目標　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—什麼是遷移學習以及什麼時候使用遷移學習　337
11．4　使用預訓練的Torch 模型和cv2 實現神經風格遷移　342
11．4．1　了解NST 算法　342
11．4．2　使用遷移學習實現NST　342
11．4．3　計算總損失##344
11．5　使用Python 和OpenCV 實現神經風格遷移　344
小結　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容感知的圖像大小調整　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　364
習題　364