机器视觉与机器学习：算法原理、框架应用与代码实现

前言
第1章 绪论
1．1 机器视觉
1．1．1 机器视觉的发展
1．1．2 机器视觉与其他领域的关系
1．2 机器视觉研究的任务、基本内容、应用领域与困难
1．2．1 任务
1．2．2 基本内容
1．2．3 应用领域
1．2．4 困难
1．2．5 机器视觉与人类视觉的关系
1．3 马尔视觉理论
1．3．1 视觉是一个复杂的信息加工过程
1．3．2 视觉系统研究的三个层次
1．3．3 视觉系统处理的三个阶段
1．4 习题

第2章 数字图像处理
2．1 图像预处理
2．1．1 图像滤波
2．1．2 二值化
2．1．3 边缘提取
2．2 图像分割
2．3 数字图像处理的数学工具
2．3．1 傅里叶变换图像处理
2．3．2 离散余弦变换
2．3．3 偏微分方程图像处理
2．3．4 小波变换等时频分析方法
2．3．5 形态学处理
2．4 图像特征提取
2．4．1 特征提取算法
2．4．2 主成分分析
2．4．3 SIFT特征点
2．4．4 SURF特征点
2．5 案例——灯泡灯脚检测中的图像处理
2．5．1 检测背景
2．5．2 图像处理过程与结果
2．6 习题

第3章 相机成像
3．1 影几何与几何变换
3．1．1 空间几何变换
3．1．2 三维到二维投影
3．2 成像模型
3．2．1 线性模型
3．2．2 非线性模型
3．3 图像亮度
3．3．1 亮度模式
3．3．2 传感器
3．3．3 感知颜色
3．4 数字相机与光源
3．4．1 光源
3．4．2 镜头
3．4．3 相机接口
3．5 案例——光源对成像的影响
3．5．1 实验设备
3．5．2 光源照明效果
3．5．3 铆钉光源实验
3．6 习题

第4章 相机标定
4．1 相机标定基础
4．1．1 空间坐标系
4．1．2 空间坐标系变换
4．2 相机标定方法
4．2．1 Tsai相机标定
4．2．2 张正友标定
4．3 相机标定的MATLAB与OpenCV实现
4．3．1 MATLAB棋盘格标定
4．3．2 OpenCV棋盘格标定
4．4 圆形板标定方法
4．4．1 单相机标定
4．4．2 立体相机标定
4．5 单相机与光源系统标定
4．5．1 背景
4．5．2 原理与方法
4．6 案例——显微测量标定
4．6．1 显微标定模型
4．6．2 相机标定实验
4．7 案例——机器人手眼标定
4．7．1 机械臂坐标系
4．7．2 手眼标定
4．8 习题

第5章 Shape from X
5．1 Shape from X技术
5．2 光度立体
5．2．1 典型算法介绍
5．2．2 典型算法实现
5．2．3 算法实例
5．3 从影恢复形状
5．3．1 SFS问题的起源
5．3．2 SFS问题的解决方案
5．3．3 小值方法
5．3．4 演化方法
5．3．5 局部分析法
5．3．6 线性化方法
5．4 从运动求取结构
5．4．1 光流与运动场
5．4．2 多视图求取结构
5．5 从纹理中恢复形状
5．5．1 从纹理恢复形状的三种方法
5．5．2 纹理模式假设
5．6 案例——从影恢复形状
5．6．1 三维缺陷自动检测
5．6．2 气泡大小的自动检测
5．7 习题

第6章 双目立体视觉
6．1 双目立体视觉原理
6．1．1 双目立体视觉测深原理
6．1．2 极线约束
6．2 双目立体视觉系统
6．2．1 双目立体视觉系统分析
6．2．2 双目立体视觉：平行光轴的系统结构
6．2．3 双目立体视觉的精度分析
6．3 双目标定和立体匹配
6．3．1 双目立体视觉坐标系
6．3．2 双目立体视觉标定
6．3．3 双目立体视觉中的对应点匹配
6．4 案例——双目立体视觉实现深度测量
6．4．1 相机标定
6．4．2 实验图片采集和矫正
6．4．3 圆心坐标提取
6．4．4 视差和深度计算
6．4．5 计算三维坐标并输出三维空间位置
6．5 案例——双目立体视觉三维测量
6．5．1 相机标定
6．5．2 立体匹配
6．5．3 三维重建
6．6 习题

第7章 结构光三维视觉
7．1 条纹投影结构光三维形貌测量方法
7．1．1 傅里叶变换法
7．1．2 相移法
7．2 条纹投影轮廓术
7．2．1 基本原理
7．2．2 DLP技术
7．3 条纹投影中的条纹相位提取方法
7．3．1 傅里叶变换法
7．3．2 窗傅里叶脊法
7．3．3 二维连续小波变换法
7．3．4 BEMD法
7．3．5 VMD法
7．3．6 变分图像分解法
7．4 条纹投影三维测量
7．5 案例——基于条纹投影结构光三维扫描仪的牙模扫描
7．6 案例——线激光三维测量
7．6．1 线激光三维测量原理（激光三角法）
7．6．2 系统设计与搭建
7．6．3 结果与分析
7．7 习题

第8章 深度相机
8．1 三维测量原理
8．1．1 飞行时间法
8．1．2 结构光原理
8．2 深度相机
8．2．1 Kinect
8．2．2 Intel RealSense
8．2．3 MESA SR4000深度相机
8．3 案例——基于Kinect的SLAM
8．3．1 RGB-D视觉SLAM算法流程
8．3．2 RGB-D视觉SLAM前端算法
8．3．3 RGB-D视觉SLAM后端算法
8．3．4 实验设计与结果分析
8．4 案例——大场景三维重建
8．4．1 三维激光扫描
8．4．2 法如三维激光扫描仪的使用方法
8．4．3 测量试验与结果
8．5 习题

第9章 机器学习基础
9．1 机器学习简介
9．2 机器学习的相关数学知识
9．2．1 矩阵运算
9．2．2 优化
9．2．3 概率论
9．3 机器学习的主要方法
9．3．1 人工神经网络
9．3．2 支持向量机
9．3．3 K均值聚类
9．3．4 集成学习
9．3．5 深度学习和深度神经网络
9．4 习题

第10章 机器学习在机器视觉领域的应用
10．1 机器学习在分辨率重建中的应用
10．2 机器学习在模式识别中的应用
10．2．1 基于Pytorch的LeNet-5手写字符识别
10．2．2 基于TensorFlow的交通标志识别
10．2．3 基于深度学习框架MatConvNet的图像识别
10．2．4 基于深度学习框架MatConvNet的图像语义分割
10．3 机器学习在图像去噪领域中的应用
10．4 机器学习在目标跟踪中的应用
10．5 机器学习在三维重建中的应用
10．5．1 双目视觉
10．5．2 光场成像与重建
参考文献