王丽，硕士，拥有丰富的开发经验。现就职于国内某大型互联网公司，负责大模型的开发工作，参与了多个大型项目的研发工作，创新性地提出“单模态图像输入、多模态表征学习”预训练框架。

本书详细讲解了使用Python语言开发AI图像视觉处理程序的知识。全书共11章，依次讲解了图像视觉技术基础，图像的采样、变换和卷积处理，图像增强处理，图像特征提取处理，图像分割处理，目标检测处理，图像分类处理，鲜花识别系统开发，智能素描绘图系统开发，小区AI停车计费管理系统开发和机器人智能物体识别系统开发。书中在详细讲解每个知识点的同时，还穿插了大量的实例来演示每个知识点的用法，引领读者扎实掌握基于AI的图像视觉开发技术。
   本书适用于已经了解了Python语言基础语法，想进一步学习计算机视觉开发的读者，还可以作为大专院校计算机科学及相关专业的师生用书和培训学校的参考书。

第1章  图像视觉技术基础
 1.1  图像识别概述
   1.1.1  什么是图像识别
   1.1.2  图像识别的发展阶段
   1.1.3  图像识别的应用
 1.2  图像识别的步骤
 1.3  图像识别技术
   1.3.1  人工智能
   1.3.2  机器学习
   1.3.3  深度学习
   1.3.4  基于神经网络的图像识别
   1.3.5  基于非线性降维的图像识别
第2章  图像的采样、变换和卷积处理
 2.1  采样
   2.1.1  最近邻插值采样
   2.1.2  双线性插值
   2.1.3  双立方插值
   2.1.4  lanczos插值
 2.2  离散傅里叶变换（DFT）
   2.2.1  为什么使用DFT
   2.2.2  使用NumPy库实现DFT
   2.2.3  使用SciPy库实现DFT
   2.2.4  用快速傅里叶变换算法计算DFT
 2.3  卷积
   2.3.1  为什么需要卷积图像
   2.3.2  使用SciPy库中的函数convolve2d()进行卷积操作
   2.3.3  使用SciPy库中的函数ndimage.convolve()进行卷积操作
 2.4  频域滤波
   2.4.1  什么是滤波器
   2.4.2  高通滤波器
   2.4.3  低通滤波器
   2.4.4  DoG带通滤波器
   2.4.5  带阻滤波器
第3章  图像增强处理
 3.1  对比度增强
   3.1.1  直方图均衡化
   3.1.2  自适应直方图均衡化
   3.1.3  对比度拉伸
   3.1.4  非线性对比度增强
 3.2  锐化
   3.2.1  锐化滤波器
   3.2.2  高频强调滤波
   3.2.3  基于梯度的锐化
 3.3  噪声减少
   3.3.1  均值滤波器
   3.3.2  中值滤波器
   3.3.3  高斯滤波器
   3.3.4  双边滤波器
   3.3.5  小波降噪
 3.4  色彩平衡
   3.4.1  白平衡
   3.4.2  颜色校正
   3.4.3  调整色调和饱和度
 3.5  超分辨率
 3.6  去除运动模糊
   3.6.1  边缘
   3.6.2  逆滤波
   3.6.3  统计方法
   3.6.4  盲去卷积
第4章  图像特征提取处理
 4.1  图像特征提取方法
 4.2  颜色特征
   4.2.1  颜色直方图
   4.2.2  其他颜色特征提取方法
 4.3  纹理特征
   4.3.1  灰度共生矩阵
   4.3.2  方向梯度直方图
   4.3.3  尺度不变特征变换
   4.3.4  小波变换
 4.4  形状特征
   4.4.1  边界描述子
   4.4.2  预处理后的轮廓特征
   4.4.3  模型拟合方法
   4.4.4  形状上的变换
 4.5  基于LoG、DoG和：DoH的斑点检测器
   4.5.1  LoG
   4.5.2  DoG
   4.5.3  DoH
第5章  图像分割处理
 5.1  图像分割的重要性
 5.2  基于阈值的分割
   5.2.1  灰度阈值分割
   5.2.2  彩色阈值分割
 5.3  基于边缘的分割
   5.3.1  canny边缘检测
   5.3.2  边缘连接方法
 5.4  基于区域的分割
   5.4.1  区域生长算法
   5.4.2  基于图论的分割算法
   5.4.3  基于聚类的分割算法
 5.5  最小生成树算法
 5.6  基于深度学习的分割
   5.6.1  FCN（全卷积网络）
   5.6.2  U-Net
   5.6.3  DeepLab
   5.6.4  Mask R-CNN
第6章  目标检测处理
 6.1  目标检测介绍
   6.1.1  目标检测的步骤
   6.1.2  目标检测的方法
 6.2  YOLO v5
   6.2.1  YOLO v5的改进
   6.2.2  基于YOLO v5的训练、验证和预测
 6.3  语义分割
   6.3.1  什么是语义分割
   6.3.2  DeepLab语义分割
 6.4  SSD目标检测
   6.4.1  摄像头目标检测
   6.4.2  基于图像的目标检测
第7章  图像分类处理
 7.1  图像分类介绍
 7.2  基于特征提取和机器学习的图像分类
   7.2.1  基本流程
   7.2.2  基于scikit-learn机器学习的图像分类
   7.2.3  分类算法
   7.2.4  聚类算法
 7.3  基于卷积神经网络的图像分类
   7.3.1  卷积神经网络基本结构
   。7.3.2  第一个卷积神经网络程序
   7.3.3  使用卷积神经网络进行图像分类
 7.4  基于迁移学习的图像分类
   7.4.1  迁移学习介绍
   7.4.2  基于迁移学习的图片分类器
 7.5  基于循环神经网络的图像分类
   7.5.1  循环神经网络介绍
   7.5.2  实战演练
 7.6  基于卷积循环神经网络的图像分类
   7.6.1  卷积循环神经网络介绍
   7.6.2  CRNN图像识别器
第8章  鲜花识别系统开发
 8.1  系统介绍
 8.2  创建模型
   8.2.1  创建TensorFlow数据模型
   8.2.2  将Keras模型转换为TensorFlow Lite
   8.2.3  量化处理
   8.2.4  更改模型
 8.3  识别器的具体实现
   8.3.1  准备工作
   8.3.2  页面布局
   8.3.3  实现UI Activity
   8.3.4  实现主Activity
   8.3.5  图像转换
   8.3.6  使用GPU委托加速
第9章  智能素描绘图系统开发
 9.1  背景介绍
 9.2  需求分析
 9.3  功能模块
 9.4  预处理
   9.4.1  低动态范围配置
   9.4.2  图像处理和调整
   9.4.3  获取原始图像的笔画
   9.4.4  方向检测
   9.4.5  去蓝处理
   9.4.6  图像合成
   9.4.7  快速排序
   9.4.8  侧窗滤波
 9.5  开始绘图
   9.5.1  基于边缘绘画