前言
第1章緒論
1.1機(jī)器視覺(jué)
1.1.1機(jī)器視覺(jué)的發(fā)展
1.1.2機(jī)器視覺(jué)與其他領(lǐng)域的關(guān)系
1.2機(jī)器視覺(jué)研究的任務(wù)、基本內(nèi)容、應(yīng)用領(lǐng)域與困難
1.2.1任務(wù)
1.2.2基本內(nèi)容
1.2.3應(yīng)用領(lǐng)域
1.2.4困難
1.2.5機(jī)器視覺(jué)與人類(lèi)視覺(jué)的關(guān)系
1.3馬爾視覺(jué)理論
1.3.1視覺(jué)是一個(gè)復(fù)雜的信息加工過(guò)程
1.3.2視覺(jué)系統(tǒng)研究的三個(gè)層次
1.3.3視覺(jué)系統(tǒng)處理的三個(gè)階段
1.4習(xí)題
第2章數(shù)字圖像處理
2.1圖像預(yù)處理
2.1.1圖像濾波
2.1.2二值化
2.1.3邊緣提取
2.2圖像分割
2.3數(shù)字圖像處理的數(shù)學(xué)工具
2.3.1傅里葉變換圖像處理
2.3.2離散余弦變換
2.3.3偏微分方程圖像處理
2.3.4小波變換等時(shí)頻分析方法
2.3.5形態(tài)學(xué)處理
2.4圖像特征提取
2.4.1特征提取算法
2.4.2主成分分析
2.4.3SIFT特征點(diǎn)
2.4.4SURF特征點(diǎn)
2.5案例——燈泡燈腳檢測(cè)中的圖像處理
2.5.1檢測(cè)背景
2.5.2圖像處理過(guò)程與結(jié)果
2.6習(xí)題
第3章相機(jī)成像
3.1射影幾何與幾何變換
3.1.1空間幾何變換
3.1.2三維到二維投影
3.2成像模型
3.2.1線性模型
3.2.2非線性模型
3.3圖像亮度
3.3.1亮度模式
3.3.2傳感器
3.3.3感知顏色
3.4數(shù)字相機(jī)與光源
3.4.1光源
3.4.2鏡頭
3.4.3相機(jī)接口
3.5案例——光源對(duì)成像的影響
3.5.1實(shí)驗(yàn)設(shè)備
3.5.2光源照明效果
3.5.3鉚釘光源實(shí)驗(yàn)
3.6習(xí)題
第4章相機(jī)標(biāo)定
4.1相機(jī)標(biāo)定基礎(chǔ)
4.1.1空間坐標(biāo)系
4.1.2空間坐標(biāo)系變換
4.2相機(jī)標(biāo)定方法
4.2.1Tsai相機(jī)標(biāo)定
4.2.2張正友標(biāo)定
4.3相機(jī)標(biāo)定的MATLAB與OpenCV實(shí)現(xiàn)
4.3.1MATLAB棋盤(pán)格標(biāo)定
4.3.2OpenCV棋盤(pán)格標(biāo)定
4.4圓形板標(biāo)定方法
4.4.1單相機(jī)標(biāo)定
4.4.2立體相機(jī)標(biāo)定
4.5單相機(jī)與光源系統(tǒng)標(biāo)定
4.5.1背景
4.5.2原理與方法
4.6案例——顯微測(cè)量標(biāo)定
4.6.1顯微標(biāo)定模型
4.6.2相機(jī)標(biāo)定實(shí)驗(yàn)
4.7案例——機(jī)器人手眼標(biāo)定
4.7.1機(jī)械臂坐標(biāo)系
4.7.2手眼標(biāo)定
4.8習(xí)題
第5章Shape from X
5.1Shape from X技術(shù)
5.2光度立體
5.2.1典型算法介紹
5.2.2典型算法實(shí)現(xiàn)
5.2.3算法實(shí)例
5.3從陰影恢復(fù)形狀
5.3.1SFS問(wèn)題的起源
5.3.2SFS問(wèn)題的解決方案
5.3.3最小值方法
5.3.4演化方法
5.3.5局部分析法
5.3.6線性化方法
5.4從運(yùn)動(dòng)求取結(jié)構(gòu)
5.4.1光流與運(yùn)動(dòng)場(chǎng)
5.4.2多視圖求取結(jié)構(gòu)
5.5從紋理中恢復(fù)形狀
5.5.1從紋理恢復(fù)形狀的三種方法
5.5.2紋理模式假設(shè)
5.6案例——從陰影恢復(fù)形狀
5.6.1三維缺陷自動(dòng)檢測(cè)
5.6.2氣泡大小的自動(dòng)檢測(cè)
5.7習(xí)題
第6章雙目立體視覺(jué)
6.1雙目立體視覺(jué)原理
6.1.1雙目立體視覺(jué)測(cè)深原理
6.1.2極線約束
6.2雙目立體視覺(jué)系統(tǒng)
6.2.1雙目立體視覺(jué)系統(tǒng)分析
6.2.2雙目立體視覺(jué)：平行光軸的系統(tǒng)結(jié)構(gòu)
6.2.3雙目立體視覺(jué)的精度分析
6.3雙目標(biāo)定和立體匹配
6.3.1雙目立體視覺(jué)坐標(biāo)系
6.3.2雙目立體視覺(jué)標(biāo)定
6.3.3雙目立體視覺(jué)中的對(duì)應(yīng)點(diǎn)匹配
6.4案例——雙目立體視覺(jué)實(shí)現(xiàn)深度測(cè)量
6.4.1相機(jī)標(biāo)定
6.4.2實(shí)驗(yàn)圖片采集和矯正
6.4.3圓心坐標(biāo)提取
6.4.4視差和深度計(jì)算
6.4.5計(jì)算三維坐標(biāo)并輸出三維空間位置
6.5案例——雙目立體視覺(jué)三維測(cè)量
6.5.1相機(jī)標(biāo)定
6.5.2立體匹配
6.5.3三維重建
6.6習(xí)題
第7章結(jié)構(gòu)光三維視覺(jué)
7.1條紋投影結(jié)構(gòu)光三維形貌測(cè)量方法
7.1.1傅里葉變換法
7.1.2相移法
7.2條紋投影輪廓術(shù)
7.2.1基本原理
7.2.2DLP技術(shù)
7.3條紋投影中的條紋相位提取方法
7.3.1傅里葉變換法
7.3.2窗傅里葉脊法
7.3.3二維連續(xù)小波變換法
7.3.4BEMD法
7.3.5VMD法
7.3.6變分圖像分解法
7.4條紋投影三維測(cè)量
7.5案例——基于條紋投影結(jié)構(gòu)光三維掃描儀的牙模掃描
7.6案例——線激光三維測(cè)量
7.6.1線激光三維測(cè)量原理（激光三角法）
7.6.2系統(tǒng)設(shè)計(jì)與搭建
7.6.3結(jié)果與分析
7.7習(xí)題
第8章深度相機(jī)
8.1三維測(cè)量原理
8.1.1飛行時(shí)間法
8.1.2結(jié)構(gòu)光原理
8.2深度相機(jī)
8.2.1Kinect
8.2.2Intel RealSense
8.2.3MESA SR4000深度相機(jī)
8.3案例——基于Kinect的SLAM
8.3.1RGB-D視覺(jué)SLAM算法流程
8.3.2RGB-D視覺(jué)SLAM前端算法
8.3.3RGB-D視覺(jué)SLAM后端算法
8.3.4實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
8.4案例——大場(chǎng)景三維重建
8.4.1三維激光掃描
8.4.2法如三維激光掃描儀的使用方法
8.4.3測(cè)量試驗(yàn)與結(jié)果
8.5習(xí)題
第9章機(jī)器學(xué)習(xí)基礎(chǔ)
9.1機(jī)器學(xué)習(xí)簡(jiǎn)介
9.2機(jī)器學(xué)習(xí)的相關(guān)數(shù)學(xué)知識(shí)
9.2.1矩陣運(yùn)算
9.2.2優(yōu)化
9.2.3概率論
9.3機(jī)器學(xué)習(xí)的主要方法
9.3.1人工神經(jīng)網(wǎng)絡(luò)
9.3.2支持向量機(jī)
9.3.3K均值聚類(lèi)
9.3.4集成學(xué)習(xí)
9.3.5深度學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)
9.4習(xí)題
第10章機(jī)器學(xué)習(xí)在機(jī)器視覺(jué)領(lǐng)域的應(yīng)用
10.1機(jī)器學(xué)習(xí)在超分辨率重建中的應(yīng)用
10.2機(jī)器學(xué)習(xí)在模式識(shí)別中的應(yīng)用
10.2.1基于Pytorch的LeNet-5手寫(xiě)字符識(shí)別
10.2.2基于TensorFlow的交通標(biāo)志識(shí)別
10.2.3基于深度學(xué)習(xí)框架MatConvNet的圖像識(shí)別
10.2.4基于深度學(xué)習(xí)框架MatConvNet的圖像語(yǔ)義分割
10.3機(jī)器學(xué)習(xí)在圖像去噪領(lǐng)域中的應(yīng)用
10.4機(jī)器學(xué)習(xí)在目標(biāo)跟蹤中的應(yīng)用
10.5機(jī)器學(xué)習(xí)在三維重建中的應(yīng)用
10.5.1雙目視覺(jué)
10.5.2光場(chǎng)成像與重建
參考文獻(xiàn)