具体描述
《python计算机视觉编程》是计算机视觉编程的权威实践指南，依赖python语言讲解了基础理论与算法，并通过大量示例细致分析了对象识别、基于内容的图像搜索、光学字符识别、光流法、跟踪、三维重建、立体成像、增强现实、姿态估计、全景创建、图像分割、降噪、图像分组等技术。另外，书中附带的练习还能让读者巩固并学会应用编程知识。
《python计算机视觉编程》适合的读者是：有一定编程与数学基础，想要了解计算机视觉的基本理论与算法的学生，以及计算机科学、信号处理、物理学、应用数学和统计学、神经生理学、认知科学等领域的研究人员和从业者。
作者简介
Jan Erik Solem
瑞典隆德大学副教授（数学成像小组），Polar Rose公司创始人兼CTO，计算机视觉研究者，Python爱好者，技术图书作家，经常出席各种计算机视觉、图像分析、机器智能等国际会议并发表演讲。他主要关注3D重建、变分问题与优化、图像分割与识别、形状分析，有多年Python计算机视觉教学、研究和行业应用经验，技术博客为http://www.janeriksolem.net。另著有Computing with Python: An Introduction to Python for Science and Engineering一书。
目录信息
推荐序 xi
前言 xiii
第1章 基本的图像操作和处理 1
1.1 pil：python图像处理类库 1
1.1.1 转换图像格式 2
1.1.2 创建缩略图 3
1.1.3 复制和粘贴图像区域 3
1.1.4 调整尺寸和旋转 3
1.2 matplotlib 4
1.2.1 绘制图像、点和线 4
1.2.2 图像轮廓和直方图 6
1.2.3 交互式标注 7
1.3 numpy 8
1.3.1 图像数组表示 8
1.3.2 灰度变换 9
1.3.3 图像缩放 11
1.3.4 直方图均衡化 11
1.3.5 图像平均 13
1.3.6 图像的主成分分析（pca） 14
1.3.7 使用pickle模块 16
1.4 scipy 17
1.4.1 图像模糊 18
1.4.2 图像导数 19
1.4.3 形态学：对象计数 22
1.4.4 一些有用的scipy模块 23
1.5 高级示例：图像去噪 24
练习 28
代码示例约定 29
第2章 局部图像描述子 31
2.1 harris角点检测器 31
2.2 sift（尺度不变特征变换） 39
2.2.1 兴趣点 39
2.2.2 描述子 39
2.2.3 检测兴趣点 40
2.2.4 匹配描述子 43
2.3 匹配地理标记图像 47
2.3.1 从panoramio下载地理标记图像 47
2.3.2 使用局部描述子匹配 50
2.3.3 可视化连接的图像 52
练习 54
第3章 图像到图像的映射 57
3.1 单应性变换 57
3.1.1 直接线性变换算法 59
3.1.2 仿射变换 60
3.2 图像扭曲 61
3.2.1 图像中的图像 63
3.2.2 分段仿射扭曲 67
3.2.3 图像配准 70
3.3 创建全景图 76
3.3.1 ransac 77
3.3.2 稳健的单应性矩阵估计 78
3.3.3 拼接图像 81
练习 84
第4章 照相机模型与增强现实 85
4.1 针孔照相机模型 85
4.1.1 照相机矩阵 86
4.1.2 三维点的投影 87
4.1.3 照相机矩阵的分解 89
4.1.4 计算照相机中心 90
4.2 照相机标定 91
4.3 以平面和标记物进行姿态估计 93
4.4 增强现实 97
4.4.1 pygame和pyopengl 97
4.4.2 从照相机矩阵到opengl格式 98
4.4.3 在图像中放置虚拟物体 100
4.4.4 综合集成 102
4.4.5 载入模型 104
练习 106
第5章 多视图几何 107
5.1 外极几何 107
5.1.1 一个简单的数据集 109
5.1.2 用matplotlib绘制三维数据 111
5.1.3 计算f：八点法 112
5.1.4 外极点和外极线 113
5.2 照相机和三维结构的计算 116
5.2.1 三角剖分 116
5.2.2 由三维点计算照相机矩阵 118
5.2.3 由基础矩阵计算照相机矩阵 120
5.3 多视图重建 122
5.3.1 稳健估计基础矩阵 123
5.3.2 三维重建示例 125
5.3.3 多视图的扩展示例 129
5.4 立体图像 130
练习 135
第6章 图像聚类 137
6.1 k-means聚类 137
6.1.1 scipy聚类包 138
6.1.2 图像聚类 139
6.1.3 在主成分上可视化图像 140
6.1.4 像素聚类 142
6.2 层次聚类 144
6.3 谱聚类 152
练习 157
第7章 图像搜索 159
7.1 基于内容的图像检索 159
7.2 视觉单词 160
7.3 图像索引 164
7.3.1 建立数据库 164
7.3.2 添加图像 165
7.4 在数据库中搜索图像 167
7.4.1 利用索引获取候选图像 168
7.4.2 用一幅图像进行查询 169
7.4.3 确定对比基准并绘制结果 171
7.5 使用几何特性对结果排序 172
7.6 建立演示程序及web应用 176
7.6.1 用cherrypy创建web应用 176
7.6.2 图像搜索演示程序 176
练习 179
第8章 图像内容分类 181
8.1 k邻近分类法（knn） 181
8.1.1 一个简单的二维示例 182
8.1.2 用稠密sift作为图像特征 185
8.1.3 图像分类：手势识别 187
8.2 贝叶斯分类器 190
8.3 支持向量机 195
8.3.1 使用libsvm 196
8.3.2 再论手势识别 198
8.4 光学字符识别 199
8.4.1 训练分类器 200
8.4.2 选取特征 200
8.4.3 多类支持向量机 201
8.4.4 提取单元格并识别字符 202
8.4.5 图像校正 205
练习 206
第9章 图像分割 209
9.1 图割（graph cut） 209
9.1.1 从图像创建图 211
9.1.2 用户交互式分割 216
9.2 利用聚类进行分割 218
9.3 变分法 224
练习 226
第10章 opencv 227
10.1 opencv的python接口 227
10.2 opencv基础知识 228
10.2.1 读取和写入图像 228
10.2.2 颜色空间 228
10.2.3 显示图像及结果 229
10.3 处理视频 232
10.3.1 视频输入 232
10.3.2 将视频读取到numpy数组中 234
10.4 跟踪 234
10.4.1 光流 235
10.4.2 lucas-kanade算法 237
10.5 更多示例 243
10.5.1 图像修复 243
10.5.2 利用分水岭变换进行分割 244
10.5.3 利用霍夫变换检测直线 245
练习 246
附录a 安装软件包 247
a.1 numpy和scipy 247
a.1.1 windows 247
a.1.2 mac os x 247
a.1.3 linux 248
a.2 matplotlib 248
a.3 pil 248
a.4 libsvm 249
a.5 opencv 249
a.5.1 windows 和 unix 249
a.5.2 mac os x 249
a.5.3 linux 250
a.6 vlfeat 250
a.7 pygame 250
a.8 pyopengl 250
a.9 pydot 251
a.10 python-graph 251
a.11 simplejson 252
a.12 pysqlite 252
a.13 cherrypy 252
附录b 图像集 253
b.1 flickr 253
b.2 panoramio 254
b.3 牛津大学视觉几何组 255
b.4 肯塔基大学识别基准图像 255
b.5 其他 256
b.5.1 prague texture segmentation datagenerator与基准 256
b.5.2 微软研究院grab cut数据集 256
b.5.3 caltech 101 256
b.5.4 静态手势数据库 256
b.5.5 middlebury stereo数据集 256
附录c 图片来源 257
c.1 来自flickr的图像 257
c.2 其他图像 258
c.3 插图 258
参考文献 259
索引 263
· · · · · · (收起)
读后感
原本我以为是讲解原理的，没想到是个api手册，十分倒胃口。实际上，市面上很多计算机图书，看似高大上，最终一看，仅仅是个api手册罢了。 这本书也很薄，薄到几乎没法讲清楚任何东西。 。。。
原本我以为是讲解原理的，没想到是个api手册，十分倒胃口。实际上，市面上很多计算机图书，看似高大上，最终一看，仅仅是个api手册罢了。 这本书也很薄，薄到几乎没法讲清楚任何东西。 。。。
原本我以为是讲解原理的，没想到是个api手册，十分倒胃口。实际上，市面上很多计算机图书，看似高大上，最终一看，仅仅是个api手册罢了。 这本书也很薄，薄到几乎没法讲清楚任何东西。 。。。
原本我以为是讲解原理的，没想到是个api手册，十分倒胃口。实际上，市面上很多计算机图书，看似高大上，最终一看，仅仅是个api手册罢了。 这本书也很薄，薄到几乎没法讲清楚任何东西。 。。。
原本我以为是讲解原理的，没想到是个api手册，十分倒胃口。实际上，市面上很多计算机图书，看似高大上，最终一看，仅仅是个api手册罢了。 这本书也很薄，薄到几乎没法讲清楚任何东西。 。。。
用户评价
这本书的出版，让我眼前一亮。在我看来，计算机视觉的魅力在于它能够赋予机器“看”的能力，而Python作为一门强大的编程语言，在实现这一目标上扮演着至关重要的角色。我猜测这本书会详细介绍如何利用Python库，如OpenCV，来实现各种计算机视觉任务。从基础的图像加载、显示、裁剪、旋转、缩放，到更高级的图像操作，如色彩空间转换、直方图均衡化、阈值处理等，这些都是构建更复杂视觉系统的基石。我希望书中能提供清晰的代码示例，让我能够快速上手，并在自己的环境中进行实践。同时，我也期待书中能介绍一些图像特征的提取方法，例如角点检测、边缘检测和纹理分析，以及如何利用这些特征进行图像匹配和识别。如果书中还能涉及一些图像分割的技术，比如边缘检测算法或区域生长法，那就更完美了。
这本书的书脊设计就透着一股专业和严谨的气息，那种厚重感让人觉得里面一定蕴含着扎实的知识体系。我一直觉得，计算机视觉不仅仅是炫酷的特效，更是背后严谨的数学和算法支撑。我对于书中关于图像采集、处理和分析的理论部分非常感兴趣。比如，书中是否会详细讲解不同颜色空间（RGB, HSV, Grayscale等）的转换原理和实际应用场景？对于图像滤波、边缘检测等基础但至关重要的技术，是否有详细的数学推导和Python代码实现？我希望书中能够提供清晰易懂的图示和代码示例，帮助我理解这些抽象的概念。如果书中还能涉及一些经典的计算机视觉算法，如SIFT、SURF，并解释它们的工作原理，那将是一大惊喜。毕竟，理解这些经典算法是深入学习更复杂技术的基础。我对这本书的期待，是它能提供一个循序渐进的学习路径，让我能够从零开始，逐步掌握计算机视觉编程的精髓。
读这本书之前，我正好在尝试用Python做一些图像识别的小项目，虽然遇到了一些瓶颈，但一直没有找到一本系统性的书籍来指导。这本书的名字引起了我的注意，我猜测它可能会解决我目前遇到的问题，并且提供更广阔的视野。我尤其关注书中关于机器学习和深度学习在计算机视觉中的应用部分。我希望书中能够介绍如何使用TensorFlow、PyTorch等流行的深度学习框架来构建和训练模型，例如用于图像分类、目标检测或人脸识别的模型。书中是否会讲解如何准备数据集、如何选择合适的模型架构、如何进行模型评估和调优？这些都是我在实践中非常需要指导的地方。另外，如果书中能包含一些实际案例分析，展示如何将这些技术应用于解决现实世界中的问题，比如自动驾驶、医学影像分析或安防监控，那将极大地激发我的学习热情和实践动力。
这本书的书名，精准地捕捉了我想要学习的方向。我一直认为，编程和算法是计算机视觉的灵魂，而Python提供了一个极其便利的平台。我猜测这本书会带领我探索如何在Python环境中实现各种视觉算法。我特别想了解书中是否会讲解一些基础的图像处理算法，比如高斯模糊、中值滤波等，它们是如何工作的，以及如何用Python代码实现。此外，我非常好奇书中会如何介绍更高级的计算机视觉技术，比如立体视觉、运动检测或图像复原。是否会涉及一些经典算法的原理和实现，例如Hough变换用于直线检测，或者卡尔曼滤波器用于目标跟踪？我期待书中能够提供清晰的解释和可执行的代码，让我能够理解算法的逻辑，并通过修改和扩展来尝试解决不同的问题。一本优秀的编程书籍，应该能够激发读者的创造力，让我不仅仅是学习代码，更能理解背后的思想。
这本书的封面设计简洁而富有科技感，那种深邃的蓝色背景搭配一行行闪烁的代码，仿佛瞬间将我拉进了数字世界的奇妙之旅。我本身对计算机视觉领域一直抱有浓厚兴趣，也知道Python在其中的强大应用，所以这本书的名字一出现，就吸引了我。虽然我还没有深入阅读，但仅从书名和目录的初步浏览，我就能感受到它涵盖的广度。从基础的图像处理技术，到复杂的机器学习模型在视觉任务中的应用，再到一些前沿的深度学习框架的介绍，这本书似乎为初学者和有一定基础的开发者都准备了丰富的学习资源。我特别期待书中关于特征提取、物体检测以及图像分割的章节，这几个部分一直是我想深入了解的重点。我相信，通过这本书的学习，我不仅能掌握Python在计算机视觉领域的编程技巧，更能理解背后的原理和算法，为我未来的项目开发打下坚实的基础。书的出版年份也比较新，这意味着它应该包含了近年来比较新的技术和框架，这一点对于快速发展的计算机视觉领域来说至关重要。
不细，还是python2
简单易懂的入门书，给公司培训参考用书
适合赶大作业DDL，放在手边当索引用。
很不错的一本书，适合图像处理，计算机视觉相关的python入门
应该是这一学期图像分析比较有用的工具书了，numpy和matplotlib常用的方法基本都有，并且例子也不错。
