标签分类
当前位置:首页 > 计算机理论电子书 > 机器视觉电子书网盘下载
机器视觉技术 机器视觉技术
my522321

my522321 提供上传

资源
22
粉丝
18
喜欢
256
评论
10

    机器视觉技术 PDF 高质量版

    机器视觉电子书
    • 发布时间:

    给大家带来的一篇关于机器视觉相关的电子书资源,介绍了关于机器、视觉技术方面的内容,本书是由化学工业出版社出版,格式为PDF,资源大小98.4 MB,陈兵旗编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:7.2,更多相关的学习资源可以参阅 计算机理论电子书、等栏目。

  • 机器视觉技术 PDF 下载
  • 下载地址:https://pan.baidu.com/s/19he74clRyvhwll1PpIq3Bw
  • 分享码:k5o7
  • 机器视觉技术 PDF

    这书分左右几篇详细介绍机器视觉的组成、图象处理方式及其运用案例。
    上篇“机器视觉基础理论与优化算法”包含:机器视觉、图象处理、总体目标获取、边缘检测、图象光滑解决、几何图形主要参数检验、Hough转换、单目視覺精确测量、双眼視覺精确测量、健身运动图象处理、傅里叶变换、小波变换、模式识别、神经元网络、深度神经网络、遗传算法。
    续篇“机器视觉软件系统”包含:通用性图象处理系统软件ImageSys、二维动画健身运动精确测量分析软件MIAS、三维立体健身运动精确测量分析软件MIAS 3D、车子視覺网站导航。
    这书汇聚了图象处理绝大部分目前时兴优化算法,以粗浅的图片配文字的方式解读繁杂的基础理论优化算法,每一优化算法都得出了具体解决实例。
    书中所说实例均来源于生活实践,都获得了具体运用的检测。
    这书不但适用机器视觉和图象处理技术专业基础理论融合实践活动的课堂教学,针对本技术专业及有关技术专业的研究课题工作人员和专业技术也具备关键的实用价值。

    目录

    • 上篇 机器视觉理论与算法
    • 第1章机器视觉/ 2
    • 1.1机器视觉的作用/ 2
    • 1.2机器视觉的硬件构成/ 3
    • 1.2.1计算机/ 4
    • 1.2.2图像采集设备/ 6
    • 1.3机器视觉的软件及编程工具/ 7
    • 1.4机器视觉、机器人和智能装备/ 8
    • 1.5机器视觉的功能与精度/ 9
    • 第2章图像处理/ 12
    • 2.1图像处理的发展过程/ 12
    • 2.2数字图像的采样与量化/ 18
    • 2.3彩色图像与灰度图像/ 20
    • 2.4图像文件及视频文件格式/ 22
    • 2.5数字图像的计算机表述/ 23
    • 2.6常用图像处理算法及其通用性问题/ 24
    • 参考文献/ 25
    • 第3章目标提取/ 26
    • 3.1如何提取目标物体/ 26
    • 3.2基于阈值的目标提取/ 26
    • 3.2.1二值化处理/ 26
    • 3.2.2阈值的确定/ 27
    • 3.3基于颜色的目标提取/ 30
    • 3.3.1色相、亮度、饱和度及其他/ 30
    • 3.3.2颜色分量及其组合处理/ 33
    • 3.4基于差分的目标提取/ 38
    • 3.4.1帧间差分/ 38
    • 3.4.2背景差分/ 39
    • 参考文献/ 40
    • 第4章边缘检测/ 42
    • 4.1边缘与图像处理/ 42
    • 4.2基于微分的边缘检测/ 44
    • 4.3基于模板匹配的边缘检测/ 45
    • 4.4边缘图像的二值化处理/ 47
    • 4.5细线化处理/ 48
    • 4.6Canny算法/ 48
    • 参考文献/ 52
    • 第5章图像平滑处理/ 53
    • 5.1图像噪声及常用平滑方式/ 53
    • 5.2移动平均/ 54
    • 5.3中值滤波/ 54
    • 5.4高斯滤波/ 56
    • 5.5模糊图像的清晰化处理/ 59
    • 5.5.1对比度增强/ 59
    • 5.5.2自动对比度增强/ 61
    • 5.5.3直方图均衡化/ 63
    • 5.5.4暗通道先验法去雾处理/ 65
    • 5.6二值图像的平滑处理/ 67
    • 参考文献/ 69
    • 第6章几何参数检测/ 70
    • 6.1基于图像特征的自动识别/ 70
    • 6.2二值图像的特征参数/ 70
    • 6.3区域标记/ 73
    • 6.4基于特征参数提取物体/ 74
    • 6.5基于特征参数消除噪声/ 75
    • 参考文献/ 76
    • 第7章Hough变换/ 77
    • 7.1传统Hough变换的直线检测/ 77
    • 7.2过已知点Hough变换的直线检测/ 79
    • 7.3Hough变换的曲线检测/ 81
    • 参考文献/ 81
    • 第8章几何变换/ 82
    • 8.1关于几何变换/ 82
    • 8.2放大缩小/ 83
    • 8.3平移/ 87
    • 8.4旋转/ 87
    • 8.5复杂变形/ 88
    • 8.6齐次坐标表示/ 90
    • 参考文献/ 91
    • 第9章单目视觉测量/ 92
    • 9.1硬件构成/ 92
    • 9.2摄像机模型/ 93
    • 9.2.1参考坐标系/ 94
    • 9.2.2摄像机模型分析/ 95
    • 9.3摄像机标定/ 97
    • 9.4标定尺检测/ 98
    • 9.4.1定位追踪起始点/ 98
    • 9.4.2蓝黄边界检测/ 100
    • 9.4.3确定角点坐标/ 102
    • 9.4.4单应矩阵计算/ 103
    • 9.5标定结果分析/ 103
    • 9.6标识点自动检测/ 104
    • 9.7手动选取目标/ 110
    • 9.8距离测量分析/ 110
    • 9.8.1透视畸变对测距精度的影响/ 110
    • 9.8.2目标点与标定点的距离对测距精度的影响/112
    • 9.9面积测量算法/ 113
    • 9.9.1获取待测区域轮廓点集/ 113
    • 9.9.2最小凸多边形拟合/ 114
    • 9.9.3多边形面积计算/ 115
    • 9.9.4测量实例/ 116
    • 参考文献/ 117
    • 第10章双目视觉测量/ 118
    • 10.1双目视觉系统的结构/ 118
    • 10.1.1平行式立体视觉模型/ 119
    • 10.1.2汇聚式立体视觉模型/ 120
    • 10.2摄像机标定/ 122
    • 10.2.1直接线性标定法/ 123
    • 10.2.2张正友标定法/ 124
    • 10.2.3摄像机参数与投影矩阵的转换/ 128
    • 10.3标定测量试验/ 129
    • 10.3.1直接线性标定法试验/ 130
    • 10.3.2张正友标定法试验/ 131
    • 10.3.3三维测量试验/ 134
    • 参考文献/ 135
    • 第11章运动图像处理/ 136
    • 11.1光流法/ 136
    • 11.1.1光流法的基本概念/ 136
    • 11.1.2光流法用于目标跟踪的原理/ 137
    • 11.2模板匹配/ 138
    • 11.3运动图像处理实例/139
    • 11.3.1羽毛球技战术实时图像检测/ 139
    • 11.3.2蜜蜂舞蹈行为分析/ 145
    • 参考文献/ 154
    • 第12章傅里叶变换/ 155
    • 12.1频率的世界/ 155
    • 12.2频率变换/ 156
    • 12.3离散傅里叶变换/ 159
    • 12.4图像的二维傅里叶变换/ 161
    • 12.5滤波处理/ 162
    • 参考文献/ 163
    • 第13章小波变换/ 164
    • 13.1小波变换概述/ 164
    • 13.2小波与小波变换/ 165
    • 13.3离散小波变换/ 167
    • 13.4小波族/ 167
    • 13.5信号的分解与重构/ 168
    • 13.6图像处理中的小波变换/ 175
    • 13.6.1二维离散小波变换/ 175
    • 13.6.2图像的小波变换编程/ 177
    • 参考文献/ 179
    • 第14章模式识别/ 180
    • 14.1模式识别与图像识别的概念/ 180
    • 14.2图像识别系统的组成/ 181
    • 14.3图像识别与图像处理和图像理解的关系/ 182
    • 14.4图像识别方法/ 183
    • 14.4.1模板匹配方法/ 183
    • 14.4.2统计模式识别/ 183
    • 14.4.3新的模式识别方法/ 187
    • 14.5人脸图像识别系统/189
    • 参考文献/ 192
    • 第15章神经网络/ 193
    • 15.1人工神经网络/ 193
    • 15.1.1人工神经网络的生物学基础/ 194
    • 15.1.2人工神经元/ 195
    • 15.1.3人工神经元的学习/ 195
    • 15.1.4人工神经元的激活函数/ 196
    • 15.1.5人工神经网络的特点/ 197
    • 15.2BP神经网络/ 198
    • 15.2.1BP神经网络简介/ 198
    • 15.2.2BP神经网络的训练学习/ 200
    • 15.2.3改进型BP神经网络/ 202
    • 15.3BP神经网络在数字字符识别中的应用/ 203
    • 15.3.1BP神经网络数字字符识别系统原理/ 204
    • 15.3.2网络模型的建立/ 205
    • 15.3.3数字字符识别演示/ 207
    • 参考文献/ 209
    • 第16章深度学习/ 210
    • 16.1深度学习的发展历程/ 210
    • 16.2深度学习的基本思想/ 212
    • 16.3浅层学习和深度学习/ 212
    • 16.4深度学习与神经网络/ 213
    • 16.5深度学习训练过程/ 214
    • 16.6深度学习的常用方法/ 215
    • 16.6.1自动编码器/ 215
    • 16.6.2稀疏编码/ 218
    • 16.6.3限制波尔兹曼机/ 220
    • 16.6.4深信度网络 / 222
    • 16.6.5卷积神经网络/ 225
    • 16.7基于卷积神经网络的手写体字识别/ 228
    • 16.7.1手写字识别的卷积神经网络结构/ 228
    • 16.7.2卷积神经网络文字识别的实现/ 231
    • 参考文献/ 231
    • 第17章遗传算法/ 232
    • 17.1遗传算法概述/ 232
    • 17.2简单遗传算法/ 234
    • 17.2.1遗传表达/ 234
    • 17.2.2遗传算子/ 235
    • 17.3遗传参数/ 238
    • 17.3.1交叉率和变异率/ 238
    • 17.3.2其他参数/ 238
    • 17.3.3遗传参数的确定/ 238
    • 17.4适应度函数/ 239
    • 17.4.1目标函数映射为适应度函数/ 239
    • 17.4.2适应度函数的尺度变换/ 240
    • 17.4.3适应度函数设计对GA 的影响/ 241
    • 17.5模式定理/ 242
    • 17.5.1模式的几何解释/ 244
    • 17.5.2模式定理/ 246
    • 17.6遗传算法在模式识别中的应用/ 248
    • 17.6.1问题的设定/ 248
    • 17.6.2GA的应用方法/ 250
    • 17.6.3基于GA的双目视觉匹配/ 252
    • 参考文献/ 255
    • 下篇 机器视觉应用系统
    • 第18章通用图像处理系统ImageSys/ 258
    • 18.1系统简介/ 258
    • 18.2状态窗/ 259
    • 18.3图像采集/ 259
    • 18.3.1DirectX直接采集/ 259
    • 18.3.2VFW PC相机采集/ 260
    • 18.3.3A/D图像卡采集/ 260
    • 18.4直方图处理/ 261
    • 18.4.1直方图/ 261
    • 18.4.2线剖面/ 261
    • 18.4.33D剖面/ 262
    • 18.4.4累计分布图/ 263
    • 18.5颜色测量/ 264
    • 18.6颜色变换/ 264
    • 18.6.1颜色亮度变换/ 264
    • 18.6.2HSI表示变换/ 265
    • 18.6.3自由变换/ 265
    • 18.6.4RGB颜色变换/ 266
    • 18.7几何变换/ 266
    • 18.7.1仿射变换/ 266
    • 18.7.2透视变换/ 267
    • 18.8频率域变换/ 267
    • 18.8.1小波变换/ 267
    • 18.8.2傅里叶变换/ 268
    • 18.9图像间变换/ 270
    • 18.9.1图像间演算/ 270
    • 18.9.2运动图像校正/ 270
    • 18.10滤波增强/ 271
    • 18.10.1单模板滤波增强/ 271
    • 18.10.2多模板滤波增强/ 272
    • 18.10.3Canny边缘检测/ 273
    • 18.11图像分割/ 273
    • 18.12二值运算/ 274
    • 18.12.1基本运算/ 274
    • 18.12.2特殊提取/ 275
    • 18.13二值图像测量/ 276
    • 18.13.1几何参数测量/ 276
    • 18.13.2直线参数测量/ 281
    • 18.13.3圆形分离/ 281
    • 18.13.4轮廓测量/ 281
    • 18.14帧编辑/ 282
    • 18.15画图/ 283
    • 18.16查看/ 284
    • 18.17文件/ 284
    • 18.17.1图像文件/ 284
    • 18.17.2多媒体文件/ 286
    • 18.17.3多媒体文件编辑/ 289
    • 18.17.4添加水印/ 290
    • 18.18系统设置/ 291
    • 18.18.1系统帧设置/ 291
    • 18.18.2系统语言设置/ 292
    • 18.19系统开发平台Sample/ 293
    • 参考文献/ 293
    • 第19章二维运动图像测量分析系统MIAS/ 294
    • 19.1系统概述/ 294
    • 19.2文件/ 295
    • 19.3运动图像及2D比例标定/ 296
    • 19.4运动测量/ 298
    • 19.4.1自动测量/ 298
    • 19.4.2手动测量/ 301
    • 19.4.3标识测量/ 302
    • 19.5结果浏览/ 305
    • 19.5.1结果视频表示/ 305
    • 19.5.2位置速率/ 308
    • 19.5.3偏移量/ 310
    • 19.5.42点间距离/ 311
    • 19.5.52线间夹角/ 311
    • 19.5.6连接线图一览/ 312
    • 19.6结果修正/ 313
    • 19.6.1手动修正/ 313
    • 19.6.2平滑化/ 313
    • 19.6.3内插补间/ 314
    • 19.6.4帧坐标变换/ 314
    • 19.6.5人体重心测量/ 314
    • 19.6.6设置事项/ 315
    • 19.7查看/ 315
    • 19.8实时测量/ 315
    • 19.8.1实时目标测量/ 315
    • 19.8.2实时标识测量/ 316
    • 19.9开发平台MSSample/ 316
    • 参考文献/ 317
    • 第20章三维运动测量分析系统MIAS 3D/ 318
    • 20.1MIAS 3D系统简介/ 318
    • 20.2文件/ 319
    • 20.32D结果导入、3D标定及测量/ 319
    • 20.4显示结果/ 321
    • 20.4.1视频表示/ 322
    • 20.4.2点位速率/ 323
    • 20.4.3位移量/ 323
    • 20.4.42点间距离/ 324
    • 20.4.52线间夹角/ 325
    • 20.4.6连接线一览图/ 326
    • 20.5结果修正/ 326
    • 20.6其他功能/ 327
    • 参考文献/ 327
    • 第21章车辆视觉导航系统/ 328
    • 21.1车辆无人驾驶的发展历程及趋势/ 328
    • 21.2视觉导航系统的硬件/ 330
    • 21.3视觉导航系统的软件/ 331
    • 21.4导航试验及性能测试比较/ 334
    • 索引/ 337

    上一篇:iOS 11 开发指南  下一篇:手把手教你设计CPU:RISC-V处理器篇

    展开 +

    收起 -

    码小辫二维码
     

    机器视觉相关电子书
    学习笔记
    网友NO.906039

    python实现向微信用户发送每日一句 python实现微信聊天机器人

    分享几个Python针对微信的小工具,供大家参考,具体内容如下 用Python实现向微信用户发送每日一句 # -*- coding:utf-8 -*-from __future__ import unicode_literalsfrom threading import Timerfrom wxpy import *import requests#bot = Bot()#bot = Bot(console_qr=2,cache_path="botoo.pkl")#这里的二维码是用像素的形式打印出来!,如果你在win环境上运行,替换为 bot=Bot()bot = Bot(cache_path=True) def get_news1():#获取金山词霸每日一句,英文和翻译 url = "http://open.iciba.com/dsapi/" r = requests.get(url) contents = r.json()['content'] translation= r.json()['translation'] return contents,translationdef send_news(): try: my_friend = bot.friends().search(u'浩')[0] #你朋友的微信名称,不是备注,也不是微信帐号。 my_friend.send(get_news1()[0]) my_friend.send(get_news1()[1][5:]) my_friend.send(u"以上是金山词霸每日一句,http://www.qq.com\" data-miniprogram-appid=\"wxae430cc3e778834b\" data-miniprogram-path=\"pages/goLogin/goLogin\"") t = Timer(10, send_news)#每86400秒(1天),发送1次,不用linux的定时任务是因为每次登陆都需要扫描二维码登陆,很麻烦的一件事,就让他一直挂着吧 t.start() except: my_friend = bot.friends().search('回憶總是如此伤')[0]#你的微信名称,不是微信帐号。 my_friend.send(u"今天消息发送失败了")if __name__ == "__main__": send_news() 用Python调用图灵机器人接口实现微信聊天机器人 i……

    网友NO.555026

    机器学习的框架推荐Python的原因

    13个机器学习的框架偏向于Python的原因,供大家参考,具体内容如下 前言 主要有以下原因: 1. Python是解释语言,程序写起来非常方便 写程序方便对做机器学习的人很重要。 因为经常需要对模型进行各种各样的修改,这在编译语言里很可能是牵一发而动全身的事情,Python里通常可以用很少的时间实现。 举例来说,在C等编译语言里写一个矩阵乘法,需要自己分配操作数(矩阵)的内存、分配结果的内存、手动对BLAS接口调用gemm、最后如果没用smart pointer还得手动回收内存空间。Python几乎就是import numpy; numpy.dot两句话的事。 当然现在很多面向C/C++库已经支持托管的内存管理了,这也让开发过程容易了很多,但解释语言仍然有天生的优势不需要编译时间。这对机器学习这种需要大量prototyping和迭代的研究方向是非常有益工作效率的。 2. Python的开发生态成熟,有很多有用的库可以用 除了上面说到的NumPy,还有SciPy、NLTK、os(自带)等等不一而足。Python灵活的语法还使得包括文本操作、list/dict comprehension等非常实用的功能非常容易高效实现(编写和运行效率都高),配合lambda等使用更是方便。这也是Python良性生态背后的一大原因。相比而言,Lua虽然也是解释语言,甚至有LuaJIT这种神器加持,但其本身很难做到Python这样,一是因为有Py……

    网友NO.144219

    Python机器学习之scikit-learn库中KNN算法的封装与使用方法

    本文实例讲述了Python机器学习之scikit-learn库中KNN算法的封装与使用方法。分享给大家供大家参考,具体如下: 1、工具准备,python环境,pycharm 2、在机器学习中,KNN是不需要训练过程的算法,也就是说,输入样例可以直接调用predict预测结果,训练数据集就是模型。当然这里必须将训练数据和训练标签进行拟合才能形成模型。 3、在pycharm中创建新的项目工程,并在项目下新建KNN.py文件。 import numpy as npfrom math import sqrtfrom collections import Counterclass KNNClassifier: def __init__(self,k): """初始化KNN分类器""" assert k = 1 """断言判断k的值是否合法""" self.k = k self._X_train = None self._y_train = None def fit(self,X_train,y_train): """根据训练数据集X_train和Y_train训练KNN分类器,形成模型""" assert X_train.shape[0] == y_train.shape[0] """数据和标签的大小必须一样 assert self.k = X_train.shape[0] """k的值不能超过数据的大小""" self._X_train = X_train self._y_train = y_train return self def predict(self,X_predict): """必须将训练数据集和标签拟合为模型才能进行预测的过程""" assert self._X_train is not None and self._y_train is not None """训练数据和标签不可以是空的""" assert X_predict.shape[1]== self._X_train.shape[1] """待预测数据和训练数据的列(特征个数)必须相同""" y_predict = [self._predict(x) for x in X_predict] return np.array(y_predict) ……

    网友NO.226397

    Python与Scikit-Learn的机器学习探索详解

    这篇文章主要介绍了基于Python和Scikit-Learn的机器学习探索的相关内容,小编觉得还是挺不错的,这里分享给大家,供需要的朋友学习和参考。 你好,%用户名%! 我叫Alex,我在机器学习和网络图分析(主要是理论)有所涉猎。我同时在为一家俄罗斯移动运营商开发大数据产品。这是我第一次在网上写文章,不喜勿喷。 现在,很多人想开发高效的算法以及参加机器学习的竞赛。所以他们过来问我:”该如何开始?”。一段时间以前,我在一个俄罗斯联邦政府的下属机构中领导了媒体和社交网络大数据分析工具的开发。我仍然有一些我团队使用过的文档,我乐意与你们分享。前提是读者已经有很好的数学和机器学习方面的知识(我的团队主要由MIPT(莫斯科物理与技术大学)和数据分析学院的毕业生构成)。 这篇文章是对数据科学的简介,这门学科最近太火了。机器学习的竞赛也越来越多(如,Kaggle, TudedIT),而且他们的资金通常很可观。 R和Python是提供给数据科学家的最常用的两种工具。每一个工具都有其优缺点,但Python最近在各个方面都有所胜出(仅为鄙人愚见,虽然我两者都用)。这一切的发生是因为Scikit-Learn库的腾空出世,它包含有完善的文档和丰富的机器学习算法。 请注意,我们将主要在这篇文章中探讨机器学习算……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明