本书包括三大部分，对应着三个层次的OpenCV开发进阶：（1）基础篇学习OpenCV基础知识，知道如何简单使用API函数；（2）进阶篇学习OpenCV核心API、达到熟练掌握可以解决常见的计算机视觉问题；（3）高级实战篇：综合运用OpenCV开发知识，解决实际问题。
第 一部分针对初级读者，介绍什么是OpenCV、如何开始写第 一行OpenCV代码，图像如何被OpenCV加载与显示、OpenCV基础API操作、Mat对象与像素操作。
第二部分针对中级读者，从图像卷积开始，认真学习OpenCV图像处理、特征提取、机器学习等核心模块相关知识点、穿插大量工程案例与代码实践、从图像卷积滤波到二值图像分析、图像特征提取、自定义对象检测、完整系统化的学习OpenCV传统图像处理的经典知识点与案例。真正做到扎实基础、构建中级水准，可以解决常见计算机视觉问题。
第三部分针对高级读者，这是本书的重点与难点，主要涉及深度神经网络运用、DNN中支持卷积神经网络模型理解与调用、人脸检测与识别、自定义对象检测、深度神经网络模型压缩与优化、模型转换与加速推理、tensorflow对象检测框架与OpenCV DNN模块结合使用等相关知识点、同时还有OpenCV传统强项应用二值图像分析相关的典型工业应用案例学习。
通过对本书的学习，读者对OpenCV整个框架理解、相关模块的运用能力都达到一个新的高度、有能力设计复杂的计算机视觉算法、通过OpenCV解决实际问题、把深度学习模型应用到端侧加速实现商业价值、拓展OpenCV与计算机视觉在各个行业的商业化落地。
工业界和学术界专家联袂推荐，一线开发专家与金牌讲师撰写，一站式解决OpenCV工程化开发痛点
以工业级视觉应用开发所需知识点为主线，讲透OpenCV相关核心模块，案例化详解1000个常用函数、深度学习知识以及模型的推理与加速
计算机\程序设计
本书紧跟技术发展动态，内容扎实、案例丰富，由浅入深地介绍了数字图像基础理论，内容涵盖OpenCV4的各种详细操作。同时，本书将理论方法与当前主流深度学习框架、工具相结合，从数据集操作到训练、验证、部署，手把手地详细指导。更难得的是，本书添加了真实的工业检测案例，值得机器视觉工程应用等相关从业人员及高校师生阅读。
—— 郭灵犀，中国运载火箭技术研究院人工智能领域专家、高级工程师
近年来，随着神经网络模型成功应用于大规模计算机视觉任务，OpenCV作为计算机视觉领域广泛应用的框架，重要性日益凸显。本书主要基于C++语言编写，围绕图像底层处理、中层分析、高层理解这一主线，先详细介绍了OpenCV的基本功能和用法，再简要介绍机器学习和神经网络，并结合计算机视觉实例分析基于CUDA和OpenVINO的神经网络加速策略。本书为神经网络与计算机视觉的工程落地提供了可参照的典范。
—— 陈佳伟，新加坡南洋理工大学高级研究科学家
众所周知，一个完整的AI解决方案的落地离不开AI算法，也离不开传统的计算机视觉算法，二者相辅相成。作者总结了15年来基于OpenCV的计算机视觉项目开发和授课经验，用清晰易懂的方式，系统化地呈现了AI解决方案中的关键开发知识点（例如OpenVINO），通过完整的C++范例一一呈现出来，一站式教会大家综合使用传统算法和深度学习算法完成AI解决方案开发。
—— 张晶，英特尔亚太区AI开发者布道策略经理
本书基于OpenCV4.x版本讲解，通过循序渐进、深入浅出的方式剖析OpenCV各个基础知识点以及相关算法的原理，并且运用大量的案例和代码帮助读者学习与理解。因此，本书可以作为OpenCV理论以及工程化的参考书，推荐阅读。
—— 沈哲，万物新生创新业务部技术总监
第一部分 基础篇
第1章 OpenCV介绍与安装
1.1 OpenCV介绍
1.1.1 OpenCV历史
1.1.2 OpenCV模块与功能
1.1.3 OpenCV4里程碑
1.1. OpenCV应用现状和发展趋势
1.2 OpenCV源码项目
1.3 OpenCV4开发环境搭建
1.4 第一个OpenCV开发程序
1.5 图像加载与保存
1.5.1 加载图像
1.5.2 保存图像
1.6 加载视频
1.7 小结
第2章 Mat与像素操作
2.1 Mat对象
2.1.1什么是Mat对象
2.1.2 一切数据皆Mat
2.1.3 Mat对象类型与图像深度
2.1.4 Mat对象创建
2.1.4 Mat对象操作
2.2 Mat像素访问
2.2.1遍历Mat中的像素数据
2.2.2像素算术运算
2.2.3位运算
2.2.4调整图像亮度与对比度
2.3 图像类型与通道
2.3.1图像类型(各种图像类型转换)
2.2.2图像通道(不同通道之间的转换)
2.2.3通道操作(通道分离与合并、获取通道)
（字节类型图像、单通道与多通道图像、通道转换、通道分离、通道获取）
第3章 色彩空间
3.1 RGB色彩空间
3.2 HSV色彩空间
3.3 Lab色彩空间
3.4 色彩空间转换与应用
3.5 小结
（介绍常用Hadoop API、插件以及使用Hadoop的经典例子）
第4章 直方图相关
4.1像素统计信息
4.2 直方图与绘制
4.3 直方图均衡化
4.4 直方图比较
4.5 直方图反向投影
4.6 小结
第二部分 进阶篇
第5章 卷积操作
5.1 卷积概念
5.2 卷积模糊
5.3 自定义滤波
5.4 梯度提取
5.5 边缘发现
5.6 噪声与去噪声
5.7 边缘保留滤波
5.8 锐化与增强
5.9 小结
第6章 二值图像
6.1 图像二值化分割
6.2 全局阈值分割
6.3 自适应阈值分割
6.4 去噪声与二值化
6.5 小结
第7章 二值分析
7.1 二值图像分析概述
7.2 连通组件扫描
7.3 轮廓发现
7.4 轮廓测量
7.5 拟合与逼近
7.6 轮廓分析
7.7 直线检测
7.8 直线拟合
7.9 圆检测
7.10 最大内接圆与最小外接圆
7.11 轮廓匹配
7.12 点多边形测试
7.13 最大轮廓与关键点编码
7.14 凸包检测
7.15 小结
第8章 形态学分析
8.1 图像形态学概述
8.2 腐蚀与膨胀
8.3 开闭操作
8.4 形态学梯度
8.5 顶帽与黑帽
8.6 击中击不中
8.7 结构元素
8.8 距离变换与骨架提取
8.9 分水岭变换
8.10 小结
第9章 特征提取
9.1 拉普拉斯滤波
9.2 图像金字塔
9.2.1 高斯金字塔
9.2.2拉普拉斯金字塔
9.2.3 金字塔融合
9.3 Harris角点检测
9.4 shi-tomas角点检测
9.5 亚像素级别角点检测
9.6 HOG特征与使用
9.6.1. HOG特征描述
9.6.2 基于HOG特征的行人检测
9.7 LBP特征与使用
9.7.1 . LBP特征提取
9.7.2. 基于LPB特征的纹理分类
9.7.3. 基于LPB特征的人脸检测
9.8 灰度共轭特征提取
9.9 HAAR特征与人脸检测
9.9.1. HAAR特征概述
9.9.2. 积分图快速计算
9.9.3 基于HAAR特征的人脸检测
9.10 小结
第10章 视频分析
10.1 基于颜色的对象跟踪
10.2 视频背景分析
10.3 帧差法背景析
10.4 稀疏光流分析
10.5 稠密光流分析
10.6 均值迁移分析
10.7 自适应均值迁移分析
10.8 小结
第11章 机器学习
11.1 KMeans
11.1.1 KMeans数据分类
11.1.2 KMeans图像分割
11.1.3 KMeans 提取图像色卡
11.2 KNN分类
11.3 SVM分类
11.4 ANN分类
11.5 HOG+SVM自定义对象检测
11.6 小结
第三部分 高级与实战
第12章 深度神经网络
12.1 DNN概述
12.2 卷积神经网络
12.2.1 基本单元卷积层与池化层
12.2.2 常见图像分类网络结构
12.2.3 从分类任务到检测任务
12.3 图像分类
12.4 SSD对象检测
12.5 Faster-RCNN对象检测
12.6 YOLOv3对象检测
12.7 SSD实时视频对象检测
12.8 ENet图像分割
12.9 风格迁移
12.10 场景文字检测
12.11 人脸检测
12.12 小结
第13章 tensorflow对象检测框架
13.1 tensorflow object detection API框架概述
13.2 安装与配置
13.3 使用预训练模型实现对象检测
13.3.1 预训练模型结构
13.3.2 导出预训练模型支持
13.3.3 DNN使用预训练模型实现对象检测
13.4 使用预训练模型实现迁移学习
13.4.1 数据准备与tf record生成
13.4.2 训练配置文件修改
13.4.3 tensorborad查看训练结果
13.4.4 模型导出与使用
13.5 tensorflow对象检测框架对DNN的支持
13.6 自定义对象检测
13.6.1 自定义对象数据采集与标注
13.6.2 自定义数据的模型训练
13.6.3 模型导出与OpenCV DNN调用
13.7 小结
第14章 缺陷检测与测量
14.1 工业刀片缺陷检测
14.1.1 问题描述
14.1.2 二值分析
14.1.3 缺陷分析
14.2 工业品内外径测量
14.2.1 问题描述与分析
14.2.2 轮廓分析与拟合
14.2.3 圆检测
14.2.4 总结
第15章 二维码识别
15.1 二维码应用场景与结构
15.2 二维码检测
15.2.1 opencv4 二维码检测与识别
15.2.2 基于轮廓分析的二维码
15.2.3 轮廓分析
15.2.4透视变换与几何分析
15.2.5 二维码定位与识别
15.3 基于tensorflow的二维码检测
15.3.1 二维码数据收集与标注
15.3.2 数据生成
15.2.3 SSD迁移学习训练
15.2.4导出与使用
15.2.5 实时二维码检测与识别
15.4小结
第16章 OpenVINO IE加速支持
16.1 OpenVINO框架概述
16.2 DNN集成Inference Engine模块
16.2.1 openvino安装
16.2.2 使用带IE支持的OpenCV版本
16.2.3 从源码编译OpenCV支持IE加速
16.2.4 高帧率的实时人脸检测演示
16.3 小结
第17章 实时对象检测与跟踪
17.1 编译OpenCV扩展模块支持
17.2 行人检测与跟踪
17.2.1 实时行人检测
17.2.2 行人属性与重识别
17.2.3 行人跟踪与轨迹绘制
17.3 小结
附录A 参考资料索引
