本书从计算机视觉初学者的视角出发，以Python及其相关框架为工具，以实战为导向，讲述了计算机视觉中关于图像以及多种图像处理的基本概念、理论方法和经典算法，既有对图像基础知识的介绍，也有对现实问题的解决方案和技术详细阐述。通过利用计算机视觉中的图像变换算法解决图像分类、人脸识别、图像增强、图像语义分割、图像风格迁移、图像超分辨率重建和场景文字识别等现实问题，使读者既能了解图像的多种操作原理，又能学会解决实际问题的思路和方法，提高使用计算机视觉方法的能力。
本书可作为各类职业院校人工智能技术应用及相关专业的教材，也可作为人工智能、计算机视觉初学者的参考书。

前言
单元1 图像基础学习
1.1 图像相关名词概述
1.2 图像基础操作
1.3 图像几何变换
1.4 阈值分割
1.5 图像统计
1.6 图像滤波
单元小结
学习评估
单元习题
单元2 图像分类
2.1 图像分类概述
2.2 神经网络
2.3 卷积神经网络
2.4 实战案例——基于卷积神经网络的图像分类
2.5 迁移学习
2.6 实战案例——基于迁移学习的图像分类
单元小结
学习评估
单元习题
单元3 人脸识别
3.1 目标检测
3.2 实战案例——基于YOLOv3的目标检测
3.3 人脸检测
3.4 实战案例——基于Haar特征的人脸检测
3.5 实战案例——基于Hog特征的人脸检测
3.6 人脸识别
3.7 认识face_recognition开源库
3.8 实战案例——基于face_recognition的人脸识别
单元小结
学习评估
单元习题
单元4 图像增强
4.1 图像增强概述
4.2 有监督的图像增强
4.3 实战案例——基于mixup/cutmix算法的图像增强
4.4 无监督的图像增强
单元小结
学习评估
单元习题
单元5 图像语义分割
5.1 语义分割概述
5.2 上采样
5.3 特征融合
5.4 语义分割网络
5.5 实战案例——基于U-Net的图像语义分割
单元小结
学习评估
单元习题
单元6 图像风格迁移
6.1 图像风格迁移概述
6.2 风格提取
6.3 gram矩阵
6.4 损失计算
6.5 VGG-19
6.6 实战案例——基于VGG-19的图像风格迁移
6.7 对抗生成网络
6.8 实战案例——基于CycleGAN的图像风格迁移
单元小结
学习评估
单元习题
单元7 图像超分辨率重建
7.1 认识图像分辨率
7.2 认识图像超分辨率
7.3 超分辨率重建技术
7.4 SRCNN
7.5 PSNR
7.6 实战案例——基于SRCNN的图像超分辨率重建
7.7 SRGAN
7.8 实战案例——基于SRGAN的图像超分辨率重建
单元小结
学习评估
单元习题
单元8 场景文字识别
8.1 场景文字识别概述
8.2 LSTM
8.3 CTC
8.4 实战案例——基于LSTM+CTC的文字识别
8.5 tesseract
8.6 实战案例——基于tesseract的文字识别
单元小结
学习评估
单元习题
参考文献