简体网页||繁体网页

☆☆☆☆☆

图书标签:

• MATLAB
• 计算机视觉
• 深度学习
• SLAM
• 视觉SLAM
• 机器学习
• 图像处理
• 算法
• 实战
• 十四讲

店铺： 旷氏文豪图书专营店

出版社： 电子工业出版社

ISBN：9787121315503

商品编码：12966742613

YL6855  9787121315503 9787302397922 9787121311048

MATLAB计算机视觉与深度学习实战

《MATLAB 计算机视觉与深度学习实战》详细讲解了30个 MATLAB 计算机视觉与深度学习案例（含可运行程序），涉及雾霾去噪、答题卡自动阅卷、肺部图像分割、小波数字水印、图像检索、人脸二维码识别、车牌定位及识别、霍夫曼图像压缩、手写数字识别、英文字符文本识别、眼前节组织提取、全景图像拼接、小波图像融合、基于语音识别的音频信号模拟灯控、路面裂缝检测识别、视频运动估计追踪、Simulink 图像处理、胸片及肝脏分割、基于深度学习的汽车目标检测、基于计算机视觉的自动驾驶应用、基于深度学习的视觉场景识别等多项重要技术，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其应用方面。

第 1 章 基于直方图优化的图像去雾技术 1

1.1 案例背景 1

1.2 理论基础 1

1.2.1 空域图像增强 1

1.2.2 直方图均衡化 2

1.3 程序实现 3

1.3.1 设计 GUI 界面 4

1.3.2 全局直方图处理 4

1.3.3 局部直方图处理 7

1.3.4 Retinex 增强处理 9

1.4 延伸阅读 13

1.5 参考文献 13

第 2 章 基于 形态学的权重自适应图像去噪 14

2.1 案例背景 14

2.2 理论基础 15

2.2.1 图像去噪方法 15

2.2.2 数学形态学原理 16

2.2.3 权重自适应的多结构形态学去噪 16

2.3 程序实现 17

2.4 延伸阅读 22

2.5 参考文献 23

第 3 章 基于多尺度形态学提取眼前节组织 24

3.1 案例背景 24

3.2 理论基础 25

3.3 程序实现 28

3.3.1 多尺度边缘 28

3.3.2 主处理函数 29

3.3.3 形态学处理 31

3.4 延伸阅读 33

3.5 参考文献 33

第 4 章 基于 Hough 变化的答题卡识别 34

4.1 案例背景 34

4.2 理论基础 34

4.2.1 图像二值化 35

4.2.2 倾斜校正 35

4.2.3 图像分割 38

4.3 程序实现 40

4.4 延伸阅读 51

4.5 参考文献 51

第 5 章 基于阈值分割的车牌定位识别 52

5.1 案例背景 52

5.2 理论基础 52

5.2.1 车牌图像处理 53

5.2.2 车牌定位原理 57

5.2.3 车牌字符处理 57

5.2.4 字符识别 59

5.3 程序实现 61

5.4 延伸阅读 69

5.5 参考文献 69

第 6 章 基于分水岭分割进行肺癌诊断 70

6.1 案例背景 70

6.2 理论基础 70

6.2.1 模拟浸水的过程 71

6.2.2 模拟降水的过程 71

6.2.3 过度分割问题 71

6.2.4 标记分水岭分割算法 71

6.3 程序实现 72

6.4 延伸阅读 77

6.5 参考文献 78

第 7 章 基于主成分分析的人脸二维码识别 79

7.1 案例背景 79

7.2 理论基础 79

7.2.1 QR 编码简介 80

7.2.2 QR 编码译码 82

7.2.3 主成分分析方法 84

7.3 程序实现 86

7.3.1 人脸建库 86

7.3.2 人脸识别 87

7.3.3 人脸二维码 88

7.4 延伸阅读 93

7.5 参考文献 93

第 8 章 基于知识库的手写体数字识别 94

8.1 案例背景 94

8.2 理论基础 94

8.2.1 算法流程 94

8.2.2 特征提取 95

8.2.3 模式识别 96

8.3 程序实现 97

8.3.1 图像处理 97

8.3.2 特征提取 98

8.3.3 模式识别 101

8.4 延伸阅读 102

8.4.1 识别器选择 102

8.4.2 提高识别率 102

8.5 参考文献 102.........

视觉SLAM十四讲：从理论到实践

本书系统介绍了视觉SLAM（同时定位与地图构建）所需的基本知识与核心算法，既包括数学理论基础，如三维空间的刚体运动、非线性优化，又包括计算机视觉的算法实现，例如多视图几何、回环检测等。此外，还提供了大量的实例代码供读者学习研究，从而更深入地掌握这些内容。本书可以作为对SLAM 感兴趣的研究人员的入门自学材料，也可以作为SLAM 相关的高校本科生或研究生课程教材使用。
第1 讲预备知识 1
1.1 本书讲什么1
1.2 如何使用本书3
1.2.1 组织方式3
1.2.2 代码5
1.2.3 面向的读者6
1.3 风格约定6
1.4 致谢和声明7
第2 讲初识SLAM 9
2.1 引子：小萝卜的例子11
2.2 **视觉SLAM 框架17
2.2.1 视觉里程计17
2.2.2 后端优化19
2.2.3 回环检测20
2.2.4 建图21
2.3 SLAM 问题的数学表述22
2.4 实践：编程基础 25
2.4.1 安装Linux 操作系统25
2.4.2 Hello SLAM27
2.4.3 使用cmake28
2.4.4 使用库30
2.4.5 使用IDE32
第3 讲三维空间刚体运动37
3.1 旋转矩阵39
3.1.1 点和向量，坐标系39
3.1.2 坐标系间的欧氏变换40
3.1.3 变换矩阵与齐次坐标42
3.2 实践：Eigen 44
3.3 旋转向量和欧拉角48
3.3.1 旋转向量48
3.3.2 欧拉角50
3.4 四元数51
3.4.1 四元数的定义51
3.4.2 四元数的运算53
3.4.3 用四元数表示旋转55
3.4.4 四元数到旋转矩阵的转换55
3.5 * 相似、仿射、射影变换56
3.6 实践：Eigen 几何模块57
3.7 可视化演示60
第4 讲李群与李代数62
4.1 李群与李代数基础 64
4.1.1 群64
4.1.2 李代数的引出65
4.1.3 李代数的定义 67
4.1.4 李代数so(3) 67
4.1.5 李代数se(3)68
4.2 指数与对数映射69
4.2.1 SO(3) 上的指数映射69
4.2.2 SE(3) 上的指数映射.70
4.3 李代数求导与扰动模型72
4.3.1 BCH 公式与近似形式72
4.3.2 SO(3) 李代数上的求导73
4.3.3 李代数求导74
4.3.4 扰动模型（左乘）75
4.3.5 SE(3) 上的李代数求导76
4.4 实践：Sophus76
4.5 * 相似变换群与李代数.79
4.6 小结81
第5 讲相机与图像82
5.1 相机模型 84
5.1.1 针孔相机模型84
5.1.2 畸变87
5.1.3 双目相机模型 90
5.1.4 RGB-D 相机模型92
5.2 图像93
5.3 实践：图像的存取与访问95
5.3.1 安装OpenCV95
5.3.2 操作OpenCV 图像96
5.4 实践：拼接点云99
第6 讲非线性优化104
6.1 状态估计问题106
6.1.1 *大后验与*大似然106
6.1.2 *小二乘的引出 108
6.2 非线性*小二乘109
6.2.1 一阶和二阶梯度法110
6.2.2 高斯牛顿法111
6.2.3 列文伯格—马夸尔特方法113
6.2.4 小结114
6.3 实践：Ceres115
6.3.1 Ceres 简介 116
6.3.2 安装Ceres116
6.3.3 使用Ceres 拟合曲线 117
6.4 实践：g2o121
6.4.1 图优化理论简介121
6.4.2 g2o 的编译与安装122
6.4.3 使用g2o 拟合曲线123
6.5 小结128
第7 讲视觉里程计1130
7.1 特征点法132
7.1.1 特征点132
7.1.2 ORB 特征134
7.1.3 特征匹配137
7.2 实践：特征提取和匹配138
7.3 2D?2D: 对极几何141
7.3.1 对极约束141
7.3.2 本质矩阵143
7.3.3 单应矩阵146
7.4 实践：对极约束求解相机运动148
7.5 三角测量153
7.6 实践：三角测量154
7.6.1 三角测量代码154
7.6.2 讨论156
7.7 3D?2D：PnP157
7.7.1 直接线性变换158
7.7.2 P3P159......

视觉机器学习20讲

《视觉机器学习20讲》是计算机、自动化、信息、电子与通信学科方向的专著，详尽地介绍了K-Means、KNN学习、回归学习、决策树学习、Random Forest、贝叶斯学习、EM算法、 Adaboost、SVM方法、增强学习、流形学习、RBF学习、稀疏表示、字典学习、BP学习、CNN学习、RBM学习、深度学习、遗传算法、蚁群方法等基本理论；深入阐述了视觉机器学习算法的优化方法和实验仿真；系统地总结了其优点和不足。
本书特别重视如何将视觉机器学习算法的理论和实践有机地结合，解决视觉机器学习领域中的诸多基础问题，可应用于医学图像分析、工业自动化、机器人、无人车、人脸检测与识别、车辆信息识别、行为检测与识别、智能视频监控等。本书特别重视算法的典型性和可实现性，既包含本领域的**算法，也包含本领域的*研究成果。
本书不仅可作为高年级本科生与研究生教材，而且也是从事视觉机器学习领域研发极为有用的参考资料。
绪论
第1讲 K-means
1.1 基本原理
1.2 算法改进
1.3 仿真实验
1.4 算法特点
第2讲 KNN学习
2.1 基本原理
2.2 算法改进
2.3 仿真实验
2.4 算法特点
第3讲 回归学习
3.1 基本原理
3.1.1 参数回归
3.1.2 非参数回归
3.1.3 半参数回归
3.2 算法改进
3.2.1 线性回归模型
3.2.2 多项式回归模型
3.2.3 主成分回归模型
3.2.4 自回归模型
3.2.5 核回归模型
3.3 仿真实验
3.3.1 回归学习流程
3.3.2 基于回归学习的直线边缘提取
3.3.3 基于回归学习的图像插值
3.4 算法特点
第4讲 决策树学习
4.1 基本原理
4.1.1 分类与聚类
4.1.2 决策树
4.1.3 信息增益的度量标准
4.1.4 信息增益度量期望的熵降低
4.1.5 悲观错误剪枝
4.1.6 基本决策树算法
4.2 算法改进
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 仿真实验
4.3.1 用于学习布尔函数的ID3算法伪代码
4.3.2 C4.5算法构造决策树的伪代码
4.4 算法特点
第5讲 Random Forest学习
5.1 基本原理
5.1.1 决策树
5.1.2 Bagging集成学习
5.1.3 Random Forest方法
5.2 算法改进
5.3 仿真实验
5.3.1 Random Forest分类与回归流程
5.3.2 Forest-RI和For
5.3.3 基于Random Forest的头部姿态估计
5.4 算法特点
第6讲 贝叶斯学习
6.1 基本原理
6.2 算法改进
6.2.1 朴素贝叶斯模型
6.2.2 层级贝叶斯模型
6.2.3 增广贝叶斯学习模型
6.2.4 基于Boosting技术的朴素贝叶斯模型
6.2.5 贝叶斯神经网络模型
6.3 仿真实验
6.3.1 Learn_Bays
6.3.2 Classify_Ba
6.4 算法特点
第7讲 EM算法
7.1 基本原理
7.2 算法改进
7.2.1 EM算法的快速计算
7.2.2 未知分布函数的选取
7.2.3 EM算法收敛性的改进
7.3 仿真实验
7.3.1 EM算法流程
7.3.2 EM算法的伪代码
7.3.3 EM算法应用——高斯混合模型
7.4 算法特点
第8讲 Adaboost
8.1 基本原理
8.1.1 Boosting方法
8.1.2 Adaboost方法
8.2 算法改进
8.2.1 权值更新方法的改进
8.2.2 Adaboost并行算法
8.3 仿真实验
8.3.1 Adaboost算法实现流程
8.3.2 Adaboost算法示例
8.4 算法特点
8.4.1 Adaboost算法的优点
8.4.2 Adaboost算法的缺点...........

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆