第1章　計算機視覺綜述 001
1.1 生物的視界 002
1.1.1 三只眼 002
1.1.2 眼見為實？ 005
1.2 人工智能的視界 009
1.2.1 數(shù)字圖像類型 009
1.2.2 從圖像到矩陣 011
1.2.3 視不同，理相通 014
1.3 計算機視覺發(fā)展與應用 018
1.3.1 計算機視覺發(fā)展史 018
1.3.2 大規(guī)模視覺識別挑戰(zhàn)賽 021
1.3.3 計算機視覺應用 022

第2章　機器學習與圖像識別 024
2.1 從感知機到支持向量機 025
2.1.1 感知機的線性可分 025
2.1.2 支持向量機 027
2.2 支持向量機的超強“核”心 030
2.3 支持向量機的實踐 034
2.3.1 鳶尾花的辨識 034
2.3.2 手寫數(shù)字圖像識別 040

第3章　神經(jīng)網(wǎng)絡與圖像分類 043
3.1 從神經(jīng)元到神經(jīng)網(wǎng)絡 044
3.1.1 神經(jīng)元與感知機 044
3.1.2 神經(jīng)網(wǎng)絡的結構 046
3.1.3 前向與反向傳播 047
3.2 激活函數(shù)與損失函數(shù) 052
3.2.1 非線性轉(zhuǎn)換的激活函數(shù) 052
3.2.2 衡量優(yōu)劣的損失函數(shù) 056
3.2.3 激活函數(shù)與損失函數(shù)的組合 057
3.3 擬合與誤差 058
3.3.1 過擬合與欠擬合 058
3.3.2 偏差與方差的權衡 060
3.4 利用神經(jīng)網(wǎng)絡識別手寫數(shù)字圖像 064
3.4.1 MNIST手寫數(shù)字圖像數(shù)據(jù)集 064
3.4.2 Scikit-learn庫神經(jīng)網(wǎng)絡與手寫數(shù)字圖像 066
3.4.3 NumPy庫神經(jīng)網(wǎng)絡與手寫數(shù)據(jù)集 069

第4章　卷積入門 073
4.1 圖像噪聲 074
4.2 卷積核與去噪 077
4.3 邊緣檢測 085
4.4 紋理分析 089

第5章　卷積神經(jīng)網(wǎng)絡及經(jīng)典詳解 092
5.1 卷積神經(jīng)網(wǎng)絡的提出 093
5.1.1 從全局到局部 093
5.1.2 感受野 096
5.2 卷積層、池化層與全連接層 097
5.2.1 卷積與卷積層 098
5.2.2 池化與池化層 100
5.2.3 全連接層 101
5.3 卷積神經(jīng)網(wǎng)絡的圖像分類 103
5.3.1 CIFAR-10圖像集介紹 103
5.3.2 簡單實現(xiàn)圖像分類 104
5.4 ImageNet與經(jīng)典網(wǎng)絡介紹 113
5.4.1 ImageNet數(shù)據(jù)集 113
5.4.2 經(jīng)典卷積神經(jīng)網(wǎng)絡 114

第6章　OpenCV基礎 118
6.1 圖像處理入門 120
6.1.1 讀取、顯示與保存圖像 121
6.1.2 分割與合并顏色通道 126
6.1.3 轉(zhuǎn)換顏色空間 128
6.1.4 讀取、顯示與保存視頻 131
6.2 圖像基本變換 135
6.2.1 操作單個像素 135
6.2.2 裁剪圖像 138
6.2.3 調(diào)整圖像大小 140
6.2.4 翻轉(zhuǎn)圖像 144
6.3 為圖像添加注釋 146
6.3.1 為圖像添加線段 147
6.3.2 為圖像添加圓 148
6.3.3 為圖像添加矩形 149
6.3.4 為圖像添加文本 150
6.4 圖像增強 151
6.4.1 調(diào)整圖像亮度 151
6.4.2 調(diào)整圖像對比度 153

第7章　OpenCV實戰(zhàn)應用 157
7.1 目標跟蹤 158
7.1.1 目標跟蹤算法 159
7.1.2 創(chuàng)建跟蹤器實例 160
7.2 目標檢測 169
7.2.1 SSD目標檢測算法 169
7.2.2 目標檢測實例 170
7.3 圖像分割 177
7.3.1 圖像分割介紹 178
7.3.2 通過Mask R-CNN進行圖像分割 179
7.4 人臉識別 181
7.4.1 人臉檢測實例 182
7.4.2 眼睛檢測實例 187

附錄　 189
附錄一　優(yōu)化基礎 190
附錄二　神經(jīng)網(wǎng)絡代碼 198
附錄三　騰訊扣叮Python實驗室：Jupyter Lab使用說明 205