MATLAB计算机视觉与深度学习实战（第2版）

本书详细讲解了29个实用的MATLAB计算机视觉与深度学习实战案例（含可运行程序），涉及图像去雾、答题卡识别、图像分割、肝脏影像辅助分割系统、人脸二维码编解码系统、英文印刷体字符识别、图像融合、全景图像拼接、图像压缩和重建、视频处理工具、运动目标检测、路面裂缝检测识别系统、车流量计数、三维网格模型特征点提取、数字水印、图像水印、辅助自动驾驶、汽车目标检测、手写数字识别、以图搜图、验证码识别、图像生成、影像识别、物体识别、图像校正、时间序列分析、交通目标检测、智能问答等，还讲解了深度神经网络的拆分、编辑、重构等多项重要技术及应用，涵盖了数字图像处理中几乎所有的基本模块，并延伸到了深度学习的理论及应用方面。工欲善其事，必先利其器。本书对每个数字图像处理的知识点都提供了丰富、生动的案例素材，并以MATLAB为工具详细讲解了实验的核心程序，涉及DeepLearning Toolbox、TensorFlow、Keras、Java等。通过对这些程序的阅读、理解和仿真运行，读者可以更加深刻地理解图像处理的相关知识，并且更加熟练地掌握计算机视觉及深度学习在不同领域中的应用。本书以案例为基础，结构紧凑，内容深入浅出，实验简单高效，适合高等院校计算机、通信和自动化等相关专业的教师、本科生、研究生，以及计算机视觉工程人员阅读和参考。

第1章 基于图像增强方法的图像去雾技术 1
1.1 案例背景 1
1.2 空域图像增强 1
1.3 直方图均衡化 2
1.4 程序实现 4
1.4.1 设计GUI 4
1.4.2 全局直方图均衡化处理 5
1.4.3 对比度的自适应直方图均衡化处理 6
1.4.4 Retinex增强处理 8
1.4.5 方法评测 10
第2章 基于Hough变换的答题卡识别 15
2.1 案例背景 15
2.2 图像二值化 15
2.3 倾斜校正 16
2.4 图像分割 19
2.5 程序实现 21
2.5.1 图像灰度化 21
2.5.2 灰度图像二值化 21
2.5.3 图像平滑滤波 21
2.5.4 图像校正 22
2.5.5 完整性核查 22
第3章 基于聚类算法的图像分割 32
3.1 案例背景 32
3.2 K-means聚类算法的原理 32
3.3 K-means聚类算法的特点 33
3.4 K-means聚类算法的缺点 34
3.5 基于K-means聚类算法进行图像分割 34
3.6 程序实现 35
3.6.1 数据样本间的距离 35
3.6.2 提取特征向量 36
3.6.3 图像聚类分割 36
第4章 基于区域生长的肝脏影像辅助分割系统 40
4.1 案例背景 40
4.2 阈值分割算法 40
4.3 区域生长算法 41
4.4 基于阈值预分割的区域生长算法 42
4.5 程序实现 42
第5章 基于主成分分析的人脸二维码编解码系统 46
5.1 案例背景 46
5.2 QR编码简介 46
5.2.1 QR编码的符号结构 46
5.2.2 QR编码的基本特性 47
5.2.3 QR编码的流程 48
5.2.4 QR译码的流程 49
5.3 主成分分析 49
5.4 程序实现 50
5.4.1 人脸建库 50
5.4.2 人脸识别 51
5.4.3 人脸二维码 52
第6章 基于特征匹配的英文印刷体字符识别 58
6.1 案例背景 58
6.2 图像预处理 58
6.3 图像识别技术 59
6.4 程序实现 61
6.4.1 设计GUI 61
6.4.2 回调识别 65
第7章 基于小波变换的图像融合 67
7.1 案例背景 67
7.2 小波变换 68
7.3 程序实现 70
7.3.1 设计GUI 70
7.3.2 图像载入 70
7.3.3 小波融合 72
第8章 基于块匹配的全景图像拼接 75
8.1 案例背景 75
8.2 图像拼接 75
8.3 图像匹配 76
8.4 图像融合 78
8.5 程序实现 78
8.5.1 设计GUI 78
8.5.2 载入图像 79
8.5.3 图像匹配 81
8.5.4 图像拼接 84
第9章 基于主成分分析的图像压缩和重建 90
9.1 案例背景 90
9.2 主成分分析降维的原理 90
9.3 由得分矩阵重建样本 91
9.4 主成分分析数据压缩比 92
9.5 基于主成分分析的图像压缩 92
9.6 程序实现 92
9.6.1 主成分分析的代码实现 92
9.6.2 图像与样本间的转换 93
9.6.3 基于主成分分析的图像压缩 94
第10章 基于小波变换的图像压缩 98
10.1 案例背景 98
10.2 图像压缩基础 98
10.3 程序实现 99
第11章 基于GUI搭建通用的视频处理工具 107
11.1 案例背景 107
11.2 视频解析 107
11.3 程序实现 108
11.3.1 设计GUI 108
11.3.2 实现GUI 110
第12章 基于帧间差分法进行运动目标检测 120
12.1 案例背景 120
12.2 帧间差分法 120
12.3 背景差分法 121
12.4 光流法 122
12.5 程序实现 123
第13章 路面裂缝检测识别系统设计 132
13.1 案例背景 132
13.2 图像灰度化 132
13.3 图像滤波 134
13.4 图像增强 136
13.5 图像二值化 137
13.6 程序实现 139
第14章 基于光流场的车流量计数 151
14.1 案例背景 151
14.2 光流法检测运动物体的基本原理 151
14.3 光流场的计算方法 152
14.4 梯度光流场约束方程 153
14.5 Horn-Schunck算法 155
14.6 程序实现 156
14.6.1 计算视觉系统工具箱简介 156
14.6.2 基于光流场检测汽车运动 157
第15章 基于邻域支持的三维网格模型特征点提取 164
15.1 案例背景 164
15.2 网格特征提取 164
15.2.1 邻域支持 165
15.2.2 网格特征点提取 166
15.3 程序实现 170
第16章 基于小波变换的数字水印技术 174
16.1 案例背景 174
16.2 数字水印技术原理 175
16.3 典型的数字水印算法 177
16.4 数字水印攻击和评价 179
16.5 基于小波变换的水印技术 180
16.6 程序实现 182
16.6.1 准备宿主图像和水印图像 182
16.6.2 小波数字水印的嵌入 183
16.6.3 小波数字水印的检测和提取 187
16.6.4 小波数字水印的攻击实验 189
第17章 基于BEMD与Hilbert曲线的图像水印技术 193
17.1 案例背景 193
17.2 BEMD与Hilbert曲线 193
17.2.1 相关工作 194
17.2.2 案例算法 196
17.3 程序实现 200
17.3.1 实验结果与分析 200
17.3.2 核心程序 203
第18章 基于计算机视觉的辅助自动驾驶 209
18.1 案例背景 209
18.2 环境感知 210
18.3 行为决策 210
18.4 路径规划 211
18.5 运动控制 211
18.6 程序实现 211
18.6.1 传感器数据载入 211
18.6.2 创建追踪器 213
18.6.3 碰撞预警 215
第19章 基于深度学习的汽车目标检测 220
19.1 案例背景 220
19.2 基本架构 220
19.3 卷积层 221
19.4 池化层 223
19.5 程序实现 223
19.5.1 加载数据 223
19.5.2 构建CNN 224
19.5.3 训练CNN 226
19.5.4 评估训练效果 227
第20章 基于深度学习的手写数字识别 230
20.1 案例背景 230
20.2 卷积核 230
20.3 特征图 232
20.4 池化降维 233
20.5 模型定义 234
20.6 MATLAB实现 244
20.6.1 解析数据集 244
20.6.2 构建网络模型 247
20.6.3 构建识别平台 250
20.7 Python实现 253
20.7.1 数据拆分 253
20.7.2 训练网络 254
20.7.3 网络测试 257
20.7.4 集成应用 257
第21章 基于深度学习的以图搜图 260
21.1 案例背景 260
21.2 选择模型 260
21.2.1 AlexNet 261
21.2.2 VGGNet 263
21.2.3 GoogLeNet 264
21.3 深度特征 266
21.4 程序实现 269
21.4.1 构建深度索引 269
21.4.2 构建搜索引擎 272
21.4.3 构建搜索平台 275
第22章 基于深度学习的验证码识别 278
22.1 案例背景 278
22.2 生成验证码数据 278
22.3 验证码CNN识别 286
22.4 程序实现 289
22.4.1 验证码样本数据集标注 289
22.4.2 验证码样本数据集分割 291
22.4.3 训练验证码识别模型 292
22.4.4 测试验证码识别模型 294
第23章 基于生成对抗网络的图像生成 297
23.1 案例背景 297
23.2 选择生成对抗数据 297
23.3 设计生成对抗网络 298
23.4 程序实现 304
23.4.1 训练生成对抗模型 304
23.4.2 测试生成对抗模型 307
23.4.3 构建生成对抗平台 309
第24章 基于深度学习的影像识别 311
24.1 案例背景 311
24.2 选择肺部影像数据集 311
24.3 编辑CNN迁移模型 313
24.4 程序实现 319
24.4.1 训练CNN迁移模型 319
24.4.2 测试CNN迁移模型 323
24.4.3 融合CNN迁移模型 326
24.4.4 构建CNN识别平台 328

第25章 基于CNN的物体识别 330
25.1 案例背景 330
25.2 CIFAR-10数据集 331
25.3 VGGNet 332
25.4 ResNet 334
25.5 程序实现 336
第26章 基于CNN的图像校正 344
26.1 案例背景 344
26.2 倾斜数据集 344
26.3 自定义CNN回归网络 346
26.4 AlexNet回归网络 347
26.5 程序实现 349
第27章 基于LSTM的时间序列分析 357
27.1 案例背景 357
27.2 厄尔尼诺―南方涛动指数数据 357
27.3 样条分析 358
27.4 用MATLAB实现LSTM预测 359
27.5 用Python实现LSTM预测 363
第28章 基于YOLO的交通目标检测 368
28.1 案例背景 368
28.2 车辆YOLO检测 371
28.3 交通标志YOLO检测 378
第29章 基于ChatGPT的智能问答 384
29.1 案例背景 384
29.2 网络URL访问 384
29.3 ChatGPT接口说明 385
29.4 构建智能问答应用 386