《计算机视觉应用与实战》围绕计算机视觉在农业、医学、工业等领域的案例，深入浅出地讲解计算机视觉核心的模型与关键技术。本书中的案例代码可以在达内时代科技集团自主研发的AIX-EBoard 人工智能实验平台上部署与实施，实现了教学场景化、学习趣味化。

《计算机视觉应用与实战》分为三个部分，循序渐进地介绍计算机视觉相关技术的理论基础和各案例的实践步骤。第1 部分基于 OpenCV 介绍传统视觉应用的基础算法，同时实现轮廓提取、全景图像拼接等案例的实践；在传统视觉应用的基础上，第 2 部分讲解基于机器学习和深度学习的视觉应用，结合不同行业的案例对图像进行分析处理，如水果识别、病虫害识别、相似图像搜索、眼底血管图像分割等；第 3 部分聚焦市场关注度较高的一些新兴视觉应用的原理及实现，如从二维图像到三维空间的重建、计算机视觉在移动设备中的应用、实时图像和视频的风格迁移等。

《计算机视觉应用与实战》适合人工智能相关专业的本科生、专科生及计算机初学者阅读，既可以作为应用型本科院校和高等职业院校人工智能相关专业的教材，也可以作为相关领域从业者的学习和参考用书。本书可以帮助有一定基础的读者查漏补缺，深入理解和掌握相关原理与方法，提高解决实际问题的能力。

目录

第1 部分 基于 OpenCV 的传统视觉应用

第1 章 图像生成 /2

1.1 图像显示 /3

1.1.1 使用 OpenCV 显示图像 /3

1.1.2 使用 Matplotlib 显示图像 /3

1.1.3 案例实现——使用OpenCV 显示图像 /3

1.1.4 案例实现——使用Matplotlib 显示图像 /5

1.2 图像读取 /6

1.2.1 使用 OpenCV 读取图像 /6

1.2.2 使用 Matplotlib 读取图像 /7

1.2.3 案例实现——使用OpenCV 读取图像 /7

1.2.4 案例实现——使用Matplotlib 读取图像 /9

1.3 图像保存 /10

1.3.1 使用 OpenCV 保存图像 /10

1.3.2 使用 Matplotlib 保存图像/11

1.3.3 案例实现——使用OpenCV 保存图像 /11

1.3.4 案例实现——使用Matplotlib 保存图像 /14

本章总结/16

作业与练习/16

第2 章 OpenCV 图像处理（1） /17

2.1 图像模糊 /17

2.1.1 均值滤波 /17

2.1.2 中值滤波 /18

2.1.3 高斯滤波 /18

2.1.4 案例实现 /18

2.2 图像锐化 /21

2.2.1 图像锐化简介 /21

2.2.2 案例实现 /21

本章总结/24

作业与练习/24

第3 章 OpenCV 图像处理（2） /26

3.1 OpenCV 绘图 /26

3.1.1 使用 OpenCV 绘制各种图形 /26

3.1.2 案例实现 /27

3.2 图像的几何变换 /31

3.2.1 几何变换操作 /31

3.2.2 案例实现 /32

本章总结/38

作业与练习/38

第4 章 图像特征检测 /40

4.1 边缘编辑和增强 /41

4.1.1 Canny 边缘检测简介 /41

4.1.2 案例实现 /42

4.2 图像轮廓检测 /44

4.2.1 轮廓查找步骤 /45

4.2.2 查找轮廓函数 /45

4.2.3 绘制轮廓函数 /45

4.2.4 案例实现 /46

4.3 图像角点和线条检测 /48

4.3.1 角点的定义 /48

4.3.2 Harris 角点简介 /48

4.3.3 Harris 角点检测函数 /49

4.3.4 案例实现 /49

本章总结/51

作业与练习/52

第5 章 图像特征匹配 /53

5.1 ORB 关键点检测与匹配 /53

5.1.1 FAST 算法 /54

5.1.2 BRIEF 算法 /55

5.1.3 特征匹配 /56

5.1.4 代码流程 /56

5.2 案例实现 /57

本章总结/59

作业与练习/59

第6 章 图像对齐与拼接 /60

6.1 全景图像拼接 /60

6.1.1 全景图像的拼接原理 /61

6.1.2 算法步骤 /61

6.1.3 Ransac 算法介绍 /62

6.1.4 全景图像剪裁 /63

6.2 案例实现 /64

本章总结/67

作业与练习/67

第7 章 相机运动估计 /68

7.1 双目相机运动估计 /68

7.1.1 相机测距流程 /68

7.1.2 双目相机成像模型 /69

7.1.3 极限约束 /70

7.1.4 双目测距的优势 /70

7.1.5 双目测距的难点 /70

7.2 案例实现 /72

本章总结/82

作业与练习/83

第2 部分 基于机器学习和深度学习的视觉应用

第8 章 基于 SVM 模型的手写数字识别/85

8.1 手写数字识别 /85

8.1.1 手写数字图像 /85

8.1.2 图像处理 /86

8.2 案例实现 /87

本章总结/95

作业与练习/95

第9 章 基于 HOG+SVM 的行人检测 /96

9.1 行人检测 /96

9.1.1 HOG+SVM /96

9.1.2 检测流程 /97

9.1.3 滑动窗口 /98

9.1.4 非极大值抑制 /100

9.2 案例实现 /101

本章总结/109

作业与练习/109

第10 章 数据标注 /110

10.1 目标检测数据标注 /110

10.1.1 数据收集与数据标注 /111

10.1.2 数据标注的通用规则 /112

10.1.3 案例实现 /113

10.2 视频目标跟踪数据标注 /118

10.2.1 视频与图像数据标注的差异 /118

10.2.2 案例实现 /119

本章总结/127

作业与练习/127

第11 章 水果识别 /128

11.1 LeNet-5 模型的训练与评估 /128

11.1.1 卷积层 /129

11.1.2