OpenCV+TensorFlow深度學習與計算機視覺實戰

本書旨在掌握深度學習基本知識和特性的基礎上，培養使用TensorFlow+OpenCV進行實際編程以解決圖像處理相關問題的能力。全書力求通過通俗易懂的語言和詳細的程序分析，介紹TensorFlow的基本用法、高級模型設計和對應的程序編寫。 本書共13章，內容包括計算機視覺與深度學習的關係、Python的安裝和使用、Python數據處理及可視化、機器學習的理論和算法、計算機視覺處理庫OpenCV 、OpenCV圖像處理實戰、TensorFlow基本數據結構和使用、TensorFlow數據集的創建與讀取、BP神經網絡、反饋神經網絡、卷積神經網絡等。本書強調理論聯繫實際，着重介紹TensorFlow+OpenCV解決圖像識別的應用，提供大量數據集供讀者使用，並以代碼的形式實現深度學習模型實例供讀者參考。 ^[1] 

第1章 計算機視覺與深度學習 1

1.1 計算機視覺與深度學習的關係 1

1.1.1 人類視覺神經的啓迪 2

1.1.2 計算機視覺的難點與人工神經網絡 3

1.1.3 應用深度學習解決計算機視覺問題 4

1.2 計算機視覺學習的基礎與研究方向 5

1.2.1 學習計算機視覺結構圖 5

1.2.2 計算機視覺的學習方式和未來趨勢 6

1.3 本章小結 7

第2章 Python的安裝與使用 8

2.1 Python基本安裝和用法 8

2.1.1 Anaconda的下載與安裝 9

2.1.2 Python編譯器PyCharm的安裝 12

2.1.3 使用Python計算softmax函數 15

2.2 TensorFlow類庫的下載與安裝（基於CPU模式） 16

2.3 TensorFlow類庫的下載與安裝（基於GPU模式） 18

2.3.1 CUDA配置 18

2.3.2 cuDNN配置 21

2.4 OpenCV類庫的下載與安裝 22

2.5 Python常用類庫中的threading 24

2.5.1 threading庫的使用 25

2.5.2 threading模塊中重要的Thread類 25

2.5.3 threading中的Lock類 26

2.5.4 threading中的join類 27

2.6 本章小結 28

第3章 Python數據處理及可視化 29

3.1 從小例子起步—NumPy的初步使用 29

3.1.1 數據的矩陣化 29

3.1.2 數據分析 31

3.1.3 基於統計分析的數據處理 32

3.2 圖形化數據處理—Matplotlib包的使用 33

3.2.1 差異的可視化 33

3.2.2 座標圖的展示 34

3.2.3 玩個大的數據集 36

3.3 深度學習理論方法—相似度計算 38

3.3.1 基於歐幾里得距離的相似度計算 38

3.3.2 基於餘弦角度的相似度計算 39

3.3.3 歐幾里得相似度與餘弦相似度的比較 40

3.4 數據的統計學可視化展示 41

3.4.1 數據的四分位 41

3.4.2 數據的四分位示例 42

3.4.3 數據的標準化 46

3.4.4 數據的平行化處理 47

3.4.5 熱點圖-屬性相關性檢測 49

3.5 Python數據分析與可視化實戰—某地降水的關係處理 50

3.5.1 不同年份的相同月份統計 50

3.5.2 不同月份之間的增減程度比較 52

3.5.3 每月降水是否相關 53

3.6 本章小結 54

第4章 深度學習的理論基礎—機器學習 55

4.1 機器學習基本分類 55

4.1.1 基於學科的分類 55

4.1.2 基於學習模式的分類 56

4.1.3 基於應用領域的分類 56

4.2 機器學習基本算法 57

4.2.1 機器學習的算法流程 57

4.2.2 基本算法的分類 58

4.3 算法的理論基礎 60

4.3.1 小學生的故事—求圓的面積 60

4.3.2 機器學習基礎理論—函數逼近 61

4.4 迴歸算法 62

4.4.1 函數逼近經典算法—線性迴歸算法 62

4.4.2 線性迴歸的姐妹—邏輯迴歸 64

4.5 機器學習的其他算法—決策樹 65

4.5.1 水晶球的秘密 65

4.5.2 決策樹的算法基礎—信息熵 66

4.5.3 決策樹的算法基礎—ID3算法 67

4.6 本章小結 68

第5章 計算機視覺處理庫OpenCV 70

5.1 認識OpenCV 70

5.1.1 OpenCV的結構 70

5.1.2 從雪花電視談起—在Python中使用OpenCV 74

5.2 OpenCV基本的圖片讀取 75

5.2.1 基本的圖片存儲格式 76

5.2.2 圖像的讀取與存儲 78

5.2.3 圖像的轉換 78

5.2.4 使用NumPy模塊對圖像進行編輯 80

5.3 OpenCV的卷積核處理 81

5.3.1 計算機視覺的三種不同色彩空間 81

5.3.2 卷積核與圖像特徵提取 82

5.3.3 卷積核進階 84

5.4 本章小結 85

第6章 OpenCV圖像處理實戰 86

6.1 圖片的自由縮放以及邊緣裁剪 86

6.1.1 圖像的擴縮裁挖 86

6.1.2 圖像色調的調整 87

6.1.3 圖像的旋轉、平移和翻轉 89

6.2 使用OpenCV擴大圖像數據庫 90

6.2.1 圖像的隨機裁剪 90

6.2.2 圖像的隨機旋轉變換 91

6.2.3 圖像色彩的隨機變換 92

6.2.4 對鼠標的監控 93

6.3 本章小結 94

第7章 Let’s play TensorFlow 95

7.1 TensorFlow遊樂場 95

7.1.1 I want to play a game 95

7.1.2 TensorFlow遊樂場背後的故事 99

7.1.3 如何訓練神經網絡 101

7.2 Hello TensorFlow 102

7.2.1 TensorFlow名稱的解釋 102

7.2.2 TensorFlow基本概念 103

7.2.3 TensorFlow基本架構 105

7.3 本章小結 106

第8章 Hello TensorFlow，從0到1 107

8.1 TensorFlow的安裝 107

8.2 TensorFlow常量、變量和數據類型 109

8.3 TensorFlow矩陣計算 114

8.4 Hello TensorFlow 115

8.5 本章小結 120

第9章 TensorFlow重要算法基礎 122

9.1 BP神經網絡簡介 122

9.2 BP神經網絡兩個基礎算法詳解 124

9.2.1 小二乘法詳解 125

9.2.2 道士下山的故事—梯度下降算法 127

9.3 TensorFlow實戰—房屋價格的計算 130

9.3.1 數據收集 130

9.3.2 模型的建立與計算 131

9.3.3 TensorFlow程序設計 133

9.4 反饋神經網絡反向傳播算法介紹 135

9.4.1 深度學習基礎 135

9.4.2 鏈式求導法則 136

9.4.3 反饋神經網絡原理與公式推導 138

9.4.4 反饋神經網絡原理的激活函數 143

9.4.5 反饋神經網絡原理的Python實現 144

9.5 本章小結 150

第10章 TensorFlow數據的生成與讀取 151

10.1 TensorFlow的隊列 151

10.1.1 隊列的創建 151

10.1.2 線程同步與停止 155

10.1.3 隊列中數據的讀取 156

10.2 CSV文件的創建與讀取 157

10.2.1 CSV文件的創建 157

10.2.2 CSV文件的讀取 158

10.3 TensorFlow文件的創建與讀取 160

10.3.1 TFRecords文件的創建 160

10.3.2 TFRecords文件的讀取 163

10.3.3 圖片文件的創建與讀取 164

10.4 本章小結 169

第11章 卷積神經網絡的原理 170

11.1 卷積運算基本概念 170

11.1.1 卷積運算 171

11.1.2 TensorFlow中卷積函數實現詳解 172

11.1.3 使用卷積函數對圖像感興趣區域進行標註 176

11.1.4 池化運算 178

11.1.5 使用池化運算加強卷積特徵提取 180

11.2 卷積神經網絡的結構詳解 181

11.2.1 卷積神經網絡原理 181

11.2.2 卷積神經網絡的應用實例—LeNet5網絡結構 184

11.2.3 卷積神經網絡的訓練 186

11.3 TensorFlow實現LeNet實例 186

11.3.1 LeNet模型分解 187

11.3.2 使用ReLU激活函數替代Sigmoid 191

11.3.3 程序的重構—模塊化設計 195

11.3.4 卷積核和隱藏層參數的修改 199

11.4 本章小結 205

第12章 卷積神經網絡公式的推導與應用 206

12.1 反饋神經網絡算法 206

12.1.1 經典反饋神經網絡正向與反向傳播公式推導 206

12.1.2 卷積神經網絡正向與反向傳播公式推導 209

12.2 使用卷積神經網絡分辨CIFAR-10數據集 217

12.2.1 CIFAR-10數據集下載與介紹 217

12.2.2 CIFAR-10模型的構建與數據處理 219

12.2.3 CIFAR-10模型的細節描述與參數重構 228

12.3 本章小結 229

第13章 貓狗大戰—實戰AlexNet圖像識別 230

13.1 AlexNet簡介 231

13.1.1 AlexNet模型解讀 231

13.1.2 AlexNet程序的實現 234

13.2 實戰貓狗大戰—AlexNet模型 239

13.2.1 數據的收集與處理 240

13.2.2 模型的訓練與存儲 244

13.2.3 使用訓練過的模型預測圖片 250

13.2.4 使用Batch_Normalization正則化處理數據集 257

13.3 本章小結 266 ^[2]