目录：  
第1章 概述 1  
1.1 OpenCV简述 1  
1.2 OpenCV的功能 1  
1.3 OpenCV中的机器学习与深度神经网络模块 2  
1.4 基本数据类型 2  
1.4.1 数据类型概述 2  
1.4.2 cv::Vec类 3  
1.4.3 cv::Point类 6  
1.4.4 cv::Scalar类 8  
1.4.5 cv::Size类 9  
1.4.6 cv::Rect类 9  
1.4.7 cv::RotatedRect类 13  
1.4.8 cv::Mat类 14  
1.4.9 基本矩阵运算 19  
参考文献 22  
第2章 OpenCV在机器学习任务中的基本图像操作 23  
2.1 基本图像操作 23  
2.1.1 读取、显示和存储图像 23  
2.1.2 颜色空间转换 30  
2.1.3 图像的几何变换 36  
2.1.4 直方图均衡化 49  
2.1.5 标注文字和矩形框 57  
2.2 基本视频操作 60  
2.2.1 读取和播放视频文件 61  
2.2.2 处理视频文件 62  
2.2.3 存储视频文件 65  
参考文献 67  
第3章 机器学习的基本原理与OpenCV机器学习模块 69  
3.1 机器学习的基本概念 69  
3.1.1 机器学习的定义 69  
3.1.2 机器学习的分类 70  
3.2 机器学习的一般流程 73  
3.2.1 机器学习流程 73  
3.2.2 数据集 74  
3.2.3 偏差与方差 77  
3.2.4 评估分类器性能的方法 79  
3.3 逻辑回归分类示例 80  
3.3.1 图像数据与数据表示 81  
3.3.2 逻辑回归模型 82  
3.3.3 逻辑回归的损失函数 83  
3.4 OpenCV支持的机器学习算法 84  
3.4.1 机器学习模块的结构 84  
3.4.2 机器学习模块中的算法 85  
3.4.3 数据集准备 87  
3.4.4 特征选择 88  
参考文献 89  
第4章 K-means和KNN 90  
4.1 算法原理 90  
4.1.1 K-means原理 90  
4.1.2 KNN原理 92  
4.2 OpenCV实现 95  
4.2.1 K-means的实现 95  
4.2.2 KNN的实现 97  
4.3 应用示例 99  
4.3.1 K-means聚类示例 99  
4.3.2 KNN手写数字识别示例 106  
4.3.3 应用提示 112  
参考文献 113  
第5章 决策树 114  
5.1 决策树原理 114  
5.1.1 决策树的基本思想 114  
5.1.2 决策树的表示方法 114  
5.1.3 *佳切分属性的选择 116  
5.1.4 停止标准 123  
5.1.5 剪枝 123  
5.2 OpenCV实现 123  
5.2.1 创建决策树 123  
5.2.2 训练决策树 126  
5.2.3 使用决策树预测 127  
5.3 应用示例 129  
5.3.1 蘑菇可食性分类 129  
5.3.2 预测波士顿房价 135  
5.3.3 应用提示 142  
参考文献 142  
第6章 随机森林 143  
6.1 随机森林原理 143  
6.1.1 随机森林的基本思想 143  
6.1.2 Bagging算法 143  
6.2 OpenCV实现 146  
6.2.1 OpenCV中的随机森林 146  
6.2.2 创建随机森林 147  
6.2.3 训练随机森林 148  
6.2.4 使用随机森林预测 148  
6.3 应用示例 148  
6.3.1 蘑菇可食性分类 149  
6.3.2 预测波士顿房价 153  
6.3.3 应用提示 158  
参考文献 158  
第7章 Boosting算法 159  
7.1 Boosting算法原理 159  
7.1.1 Boosting算法的基本思想 159  
7.1.2 Boosting算法 159  
7.1.3 AdaBoost算法 160  
7.2 OpenCV实现 164  
7.2.1 创建AdaBoost模型 164  
7.2.2 训练AdaBoost模型 166  
7.2.3 使用AdaBoost模型预测 166  
7.3 应用示例 166  
7.3.1 蘑菇可食性分类 167  
7.3.2 英文字母分类问题 169  
7.3.3 应用提示 174  
参考文献 174  
第8章 支持向量机 175  
8.1 支持向量机原理 175  
8.1.1 统计学习理论概述 175  
8.1.2 线性SVM算法基本原理 179  
8.1.3 非线性SVM算法的基本原理 190  
8.1.4 SVM回归算法的基本原理 192  
8.1.5 SVM算法执行SRM准则的解释 194  
8.2 OpenCV实现 195  
8.2.1 OpenCV中的SVM算法 195  
8.2.2 创建SVM模型 197  
8.2.3 训练SVM模型 199  
8.2.4 使用SVM模型预测 202  
8.3 应用示例 203  
8.3.1 使用HOG特征与SVM算法识别手写数字 203  
8.3.2 应用提示 213  
参考文献 214  
第9章 神经网络 215  
9.1 神经网络算法原理 215  
9.1.1 神经网络的结构与表示 216  
9.1.2 单隐层前馈神经网络 220  
9.1.3 多隐层前馈神经网络 222  
9.1.4 梯度下降法 225  
9.1.5 反向传播算法 229  
9.2 OpenCV实现 234  
9.2.1 OpenCV中的MLP算法 234  
9.2.2 创建MLP模型 235  
9.2.3 训练MLP模型 237  
9.2.4 使用MLP模型预测 239  
9.3 应用示例 239  
9.3.1 使用神经网络识别手写数字 239  
9.3.2 应用提示 251  
参考文献 251  
第10章 深度神经网络 252  
10.1 卷积神经网络的基本原理 253  
10.1.1 卷积神经网络的结构 254  
10.1.2 卷积层 255  
10.1.3 池化 262  
10.1.4 Softmax层 263  
10.1.5 CNN特征学习的过程 263  
10.1.6 CNN特征学习的原理 266  
10.2 OpenCV的DNN模块 268  
10.2.1 OpenCV支持的深度学习框架 269  
10.2.2 支持的层类型 269  
10.2.3 编译支持GPU加速的OpenCV 269  
10.2.4 DNN模块的使用 274  
10.3 应用示例 286  
10.3.1 典型计算机视觉任务 286  
10.3.2 使用GoogLeNet实现图像分类 289  
10.3.3 使用YOLOv4实现目标检测 295  
10.3.4 使用Mask R-CNN实现实例分割 306  
10.3.5 使用GOTURN模型实现目标跟踪 315  
10.3.6 使用DB算法实现场景文本检测 319  
10.3.7 使用CRNN实现场景文本识别 327  
10.3.8 应用提示 338  
参考文献 339