第1章 绪论 1
1.1 图像与图像处理概述 1
1.1.1 图像与图像处理的概念 1
1.1.2 图像处理过程 2
1.1.3 图像处理任务 5
1.2 智能图像处理概述 6
1.2.1 智能图像处理概念 6
1.2.2 智能图像基准数据集 8
1.2.3 智能图像处理基准测试 15
1.3 智能图像处理应用领域 17
1.3.1 医疗领域 17
1.3.2 机器视觉 19
1.3.3 智能交通 23
1.3.4 智能安防 28
1.3.5 军事领域 29
第2章 智能图像处理技术 34
2.1 机器学习理论 34
2.1.1 机器学习概述 34
2.1.2 机器学习方式 36
2.1.3 机器学习算法 39
2.2 人工神经网络 43
2.2.1 人工神经元 43
2.2.2 感知器 45
2.2.3 支持向量机 47
2.2.4 递归神经网络 48
2.3 卷积神经网络 50
2.3.1 深度学习概述 50
2.3.2 卷积神经网络原理 52
2.3.3 VGG卷积神经网络 58
第3章 智能图像分割 60
3.1 图像分割基本概念 60
3.1.1 图像分割概念 60
3.1.2 传统图像分割方法 62
3.2 智能图像分割方法 65
3.2.1 基于模糊聚类的分割方法 65
3.2.2 基于群智能的图像分割方法 67
3.2.3 基于CNN的图像分割方法 70
3.3 图像分割的应用效果 74
3.3.1 医学图像分割 74
3.3.2 交通图像分割 81
3.3.3 身体部位分割 82
第4章 智能图像特征提取 85
4.1 图像特征概述 85
4.1.1 图像特征的基本概念 85
4.1.2 图像的底层特征 88
4.2 智能图像特征提取方法 96
4.2.1 图像的深层特征 96
4.2.2 深度学习特征提取 99
4.2.3 深度学习特征提取的例子 100
4.3 图像特征提取应用 101
4.3.1 医学图像特征 102
4.3.2 水面目标特征 103
第5章 智能目标检测 111
5.1 图像目标检测原理 111
5.1.1 目标检测技术框架 111
5.1.2 目标检测评价指标 113
5.1.3 目标检测应用分类 117
5.2 智能目标检测算法 119
5.2.1 R-CNN 120
5.2.2 SPPNet 121
5.2.3 Fast RCNN 122
5.2.4 Faster RCNN 123
5.2.5 YOLO系列 124
5.3 智能目标检测应用 126
5.3.1 人脸检测 126
5.3.2 无人艇目标检测 134
5.3.3 车辆检测 138
5.3.4 缺陷检测 140
第6章 智能图像识别 143
6.1 图像识别基本原理 143
6.1.1 图像识别概述 143
6.1.2 图像识别过程 144
6.1.3 传统图像识别方法 146
6.1.4 卷积神经网络识别模型 148
6.2 文字识别 151
6.2.1 文字识别系统 152
6.2.2 LeNet网络文字识别 156
6.2.3 文字识别应用——车牌识别 160
6.3 人脸识别 163
6.3.1 人脸识别系统 164
6.3.2 人脸识别算法 164
6.3.3 人脸识别应用——人机交互 165
6.4 手部生物特征识别 167
6.4.1 指纹识别 167
6.4.2 掌纹识别 169
6.4.3 静脉识别 171
6.4.4 手部生物特征识别应用——身份鉴别 172
第7章 智能图像跟踪 176
7.1 图像跟踪概述 176
7.1.1 图像跟踪问题描述 176
7.1.2 图像跟踪步骤 178
7.1.3 图像跟踪算法分类 180
7.2 智能图像跟踪算法 183
7.2.1 DLT和SO-DLT算法 184
7.2.2 FCNT和HCFVT算法 187
7.2.3 MDNet算法 190
7.2.4 RTT算法 191
7.3 图像跟踪应用 192
7.3.1 图像跟踪应用概述 192
7.3.2 交通视频车辆跟踪 193
7.3.3 街景视频行人跟踪 195
第8章 智能目标行为分析 199
8.1 智能视频分析概述 199
8.1.1 智能视频分析的基本概念 199
8.1.2 智能视频分析的实现方式 201
8.1.3 智能视频分析功能 203
8.2 人体行为分析 204
8.2.1 人体行为分析概述 204
8.2.2 人体行为分析方法 206
8.2.3 人体行为分析应用 209
8.3 行人异常行为分析 211
8.3.1 行人摔倒行为分析 212
8.3.2 人群异常行为分析 213
8.4 手势识别 217
8.4.1 手势识别概述 217
8.4.2 基于视觉的手势识别 219
8.5 多人视频中关键事件识别 221
第9章 智能图像融合 224
9.1 图像融合概述 224
9.1.1 图像融合的基本概念 224
9.1.2 图像融合的处理层次 225
9.2 图像融合方法 227
9.2.1 图像融合方法概述 227
9.2.2 基于卷积神经网络的图像融合方法 231
9.3 图像融合应用 233
9.3.1 多模态医学影像融合 233
9.3.2 多元遥感图像融合 238
9.3.3 多源交通图像融合 241
9.3.4 多波段舰船图像融合 243
第10章 智能图像处理应用实例 247
10.1 身份鉴别 247
10.1.1 苹果手机刷脸解锁 247
10.1.2 刷脸的生活应用 249
10.2 智能安防 251
10.2.1 格灵深瞳监控系统 251
10.2.2 商汤科技智能人群分析 252
10.2.3 全球眼 253
10.2.4 智能视频监控产品 255
10.3 机器视觉 258
10.3.1 百度机器人人脸识别 258
10.3.2 百度无人驾驶 261
10.3.3 亚马逊无人超市 265
10.4 人机交互 270
10.4.1 百度识图 270
10.4.2 腾讯云OCR文字识别 273
10.4.3 Facebook图片搜索 275
第11章 智能图像处理发展趋势 277
11.1 智能图像处理的发展动力 277
11.2 智能图像处理的发展趋势 279
11.2.1 总体发展特点 279
11.2.2 图像设备发展趋势 280
11.2.3 图像处理硬件系统发展趋势 283
11.2.4 图像处理技术发展趋势 284
11.3 图像处理与分析开发平台 287
11.3.1 OpenCV 287
11.3.2 Face＋＋ 288
11.3.3 NiftyNet 291
11.3.4 其他开源项目 292
11.4 智能图像处理应用发展趋势 293
11.4.1 智能安防行业 293
11.4.2 智能交通领域 294
11.4.3 身份识别 295
11.4.4 工业生产领域 296
11.4.5 农业生产领域 298
11.5 智能图像处理存在的问题 299
参考文献 301