AI源码解读：数字图像处理案例

融汇科研与教学经验，案例可二次开发利用！阿里巴巴|字节跳动|讯飞智元|腾讯|百度|微软

专家联袂推荐！配套程序代码、工程文件、附赠案例！

关注“人工智能科学与技术”微信公众号，在 “知识”→“资源下载”→“配书资源”菜单获取下载链接（或到清华大学出版社网站本书页面下载）。

本书根据当前人工智能RNN深度学习的发展成果，具体设计基于RNN的模型算法，并给出了具体实现，z新算法流程及Python代码实现。其主要内容包括：基于深度学习的图像处理的20个案例，基于Python的具体实现，本书图文并茂，丰富实用，深入浅出，易学易用。本书根据当前人工智能RNN深度学习的发展成果，具体设计基于RNN的模型算法，并给出了具体实现，z新算法流程及Python代码实现。其主要内容包括：基于深度学习的图像处理的20个案例，基于Python的具体实现，本书图文并茂，丰富实用，深入浅出，易学易用。

李永华：北京邮电大学，教授，拥有超过10年的软硬件开发经验，长期致力于物联网、云计算与人工智能的研究工作。在教学中以兴趣为导向，激发学生的创造性；以素质为基础，提高自身教学水平；以科研为手段，促进教学理念的转变，在教学与科研实践中指导学生实现300余个创新案例。主持30余项国j级与企事业单位课题的研究工作，在国内外学术期刊及会议发表论文100余篇，申请专利50余项，出版图书20余部。

项目1基于插帧和超分辨率的视频增强应用

1.1总体设计

1.1.1系统整体结构

1.1.2系统流程

1.2运行环境

1.2.1Python环境

1.2.2PyTorch环境

1.2.3FFmpeg使用

1.2.4百度AI Studio使用

1.3模块实现

1.3.1视频处理模块

1.3.2超分辨率模块

1.3.3插帧模块

1.3.4GUI模块

1.4系统测试

1.4.1算法训练

1.4.2GUI界面效果

1.4.3输出效果展示

项目2基于Pix2Pix的快速图像风格迁移

2.1总体设计

2.1.1系统整体结构

2.1.2系统流程

2.2运行环境

2.2.1Python环境

2.2.2TensorFlow环境

2.2.3Flask环境

2.2.4微信小程序环境

2.3模块实现

2.3.1数据预处理

2.3.2创建模型与编译

2.3.3模型训练及保存

2.3.4构建Pix2Pix数据集

2.3.5Pix2Pix模型构建

2.3.6Pix2Pix模型训练及保存

2.3.7后端搭建

2.4系统测试

2.4.1训练效果

2.4.2测试效果

2.4.3模型应用

项目3常见花卉识别

3.1总体设计

3.1.1系统整体结构

3.1.2系统流程

3.2运行环境

3.2.1Python环境

3.2.2TensorFlow环境

3.2.3Android环境

3.3模块实现

3.3.1数据预处理

3.3.2创建模型并编译

3.3.3模型训练及保存

3.3.4模型生成

3.4系统测试

3.4.1训练准确率

3.4.2测试效果

3.4.3模型应用

项目4基于Keras的狗狗分类与人脸相似检测器

4.1总体设计

4.1.1系统整体结构

4.1.2系统流程

4.2运行环境

4.2.1Python环境

4.2.2TensorFlow环境

4.2.3Keras环境

4.2.4安装库

4.3模块实现

4.3.1数据预处理

4.3.2模型编译主体

4.3.3图像检测

4.3.4文本数据翻译与爬虫

4.3.5模型训练评估与生成

4.3.6前端界面

4.4系统测试

4.4.1前端界面展示

4.4.2程序功能介绍

4.4.3识别狗狗效果展示

4.4.4识别人脸效果展示

项目5猫猫相机

5.1总体设计

5.1.1系统整体结构

5.1.2系统流程

5.2运行环境

5.2.1Python环境

5.2.2mxnet环境

5.2.3OpenCV环境

5.3模块实现

5.3.1数据预处理

5.3.2创建模型并编译

5.3.3模型训练及保存

5.3.4模型测试

5.4系统测试

5.4.1训练准确率

5.4.2测试效果

5.4.3模型应用

项目6基于Mask RCNN的动物识别分割及渲染

6.1总体设计

6.1.1系统整体结构

6.1.2系统流程

6.2运行环境

6.2.1Python环境

6.2.2TensorFlowGPU环境

6.2.3Keras环境

6.2.4pycocotools 2.0环境

6.2.5其他依赖库

6.3模块实现

6.3.1数据预处理

6.3.2数据集处理

6.3.3模型训练及保存

6.3.4渲染效果实现

6.3.5GUI设计

6.4系统测试

6.4.1模型评估

6.4.2测试效果

6.4.3模型应用

项目7新冠肺炎辅助诊断系统

7.1总体设计

7.1.1系统整体结构

7.1.2系统流程

7.2运行环境

7.2.1Python环境

7.2.2PaddlePaddle环境

7.2.3在线运行

7.3模块实现

7.3.1定义待测数据

7.3.2加载预训练模型

7.3.3数据预处理

7.3.4可视化操作

7.4系统测试

7.4.1DICOM图像

7.4.2预处理后的图像

7.4.3肺部分割

7.4.4病灶分割

7.4.5分割结果

7.4.6统计输出结果

项目8StrokeControllable快速风格迁移在网页端应用

8.1总体设计

8.1.1系统整体结构

8.1.2系统流程

8.2运行环境

8.2.1Python环境

8.2.2TensorFlow环境

8.2.3Linux环境

8.2.4网页配置环境

8.3模块实现

8.3.1数据预处理

8.3.2模型构建

8.3.3模型训练及保存

8.3.4模型测试

8.4系统测试

8.4.1训练准确率

8.4.2测试效果

8.4.3模型应用

项目9SRGAN网络在网站默认头像生成中的应用

9.1总体设计

9.1.1系统整体结构

9.1.2系统流程

9.2运行环境

9.2.1TensorFlow环境

9.2.2网页服务器开发环境

9.3模块实现

9.3.1数据预处理

9.3.2模型构建

9.3.3模型训练及保存

9.3.4网站搭建

9.4系统测试

项目10乱序成语验证码识别

10.1总体设计

10.1.1系统整体结构

10.1.2系统流程

10.2运行环境

10.2.1Python环境

10.2.2TensorFlow环境

10.2.3安装所需的包

10.3模块实现

10.3.1数据预处理

10.3.2模型一的构建和训练

10.3.3模型二的构建和训练

10.3.4乱序成语验证码识别

10.3.5可视化界面的实现

10.4系统测试

10.4.1训练准确率

10.4.2测试效果

10.4.3可视化界面应用

项目11基于CNN的SNEAKERS识别

11.1总体设计

11.1.1系统整体结构

11.1.2系统流程

11.2运行环境

11.2.1Python环境与Flask框架

11.2.2环境配置与工具包

11.2.3微信小程序环境

11.3模块实现

11.3.1数据制作

11.3.2数据构建

11.3.3模型训练及保存

11.3.4模型测试

11.3.5前端与后台搭建

11.4系统测试

11.4.1训练准确率

11.4.2测试效果

11.4.3模型应用

项目12基于SRGAN的单图像超分辨率

12.1总体设计

12.1.1系统整体结构

12.1.2系统流程

12.2运行环境

12.2.1Python环境

12.2.2PyTorch环境

12.2.3网页端Flask框架

12.2.4PyQt环境配置

12.3模块实现

12.3.1数据预处理

12.3.2数据导入

12.3.3定义模型

12.3.4定义损失函数

12.3.5模型训练及保存

12.3.6服务器端架构

12.3.7本地单机程序

12.4系统测试

项目13滤镜复制

13.1总体设计

13.1.1系统整体结构

13.1.2系统流程

13.2运行环境

13.2.1Anaconda环境

13.2.2TensorFlow环境

13.2.3Keras环境

13.3模块实现

13.3.1模式选择

13.3.2任意风格模式

13.3.3固定风格模式

13.4系统测试

13.4.1任意风格模式测试结果

13.4.2固定风格模式测试结果

项目14基于PyTorch的快速风格迁移

14.1总体设计

14.1.1系统整体结构

14.1.2系统流程

14.2运行环境

14.2.1Python环境

14.2.2PyTorch环境

14.2.3PyQt5环境

14.3模块实现

14.3.1数据预处理

14.3.2模型构建

14.3.3模型训练及保存

14.3.4界面化及应用

14.4系统测试

14.4.1训练准确率

14.4.2测试效果

14.4.3程序应用

项目15CASIAHWDB手写汉字识别

15.1总体设计

15.1.1系统整体结构

15.1.2系统流程

15.2运行环境

15.2.1Python环境

15.2.2TensorFlow环境

15.2.3wxPython和OpenCV环境

15.2.4pyttsx3环境

15.3模块实现

15.3.1数据预处理

15.3.2模型构建

15.3.3模型训练及保存

15.3.4前端界面

15.4系统测试

15.4.1测试效果

15.4.2模型应用

项目16图像智能修复

16.1总体设计

16.1.1系统整体结构

16.1.2系统流程

16.2运行环境

16.2.1Python环境

16.2.2TensorFlow环境

16.2.3OpenFace环境

16.3模块实现

16.3.1数据预处理

16.3.2模型构建

16.3.3模型训练

16.3.4程序实现

16.3.5GUI设计

16.3.6程序打包

16.4系统测试

16.4.1GAN网络损失变化

16.4.2测试效果

项目17黑白图像自动着色

17.1总体设计

17.1.1系统整体结构

17.1.2系统流程

17.2运行环境

17.3模块实现

17.3.1数据预处理

17.3.2模型构建与训练

17.3.3模型调用与结果优化

17.3.4结果展示

17.4系统测试

项目18深度神经网络压缩与加速技术在风格迁移中的应用

18.1总体设计

18.1.1系统整体结构

18.1.2系统流程

18.2运行环境

18.2.1Python环境

18.2.2GPU环境

18.3模块实现

18.3.1数据预处理

18.3.2创建模型

18.3.3模型训练及保存

18.3.4模型测试

18.4系统测试

18.4.1风格迁移效果

18.4.2网络的加速与压缩

项目19迁移学习的狗狗分类器

19.1总体设计

19.1.1系统整体结构

19.1.2系统流程

19.2运行环境

19.2.1Python环境

19.2.2TensorFlow环境

19.2.3Keras环境

19.2.4wxPython的安装

19.3模块实现

19.3.1数据预处理

19.3.2模型构建

19.3.3模型训练

19.3.4API调用

19.3.5模型生成

19.4系统测试

19.4.1训练准确率

19.4.2测试效果

19.4.3模型应用

项目20基于TensorFlow的人脸检测及追踪

20.1总体设计

20.1.1系统整体结构

20.1.2系统流程

20.2运行环境

20.2.1Python环境

20.2.2TensorFlow环境

20.2.3models环境

20.3模块实现

20.3.1数据预处理

20.3.2模型构建

20.3.3模型训练及保存

20.4系统测试

前言

Python作为人工智能和大数据领域的主要开发语言，具有灵活性强、扩展性好、应用面广、可移植、可扩展、可嵌入等特点，近年来发展迅速，热度不减，人才需求量逐年攀升，已经成为高等院校的专业课程。

为适应当前教学改革的要求，更好地践行人工智能模型与算法的应用，本书以实践教学与创新能力培养为目标，采取了创新方式，从不同难度、不同类型、不同算法，融合了同类教材的优点，将实际智能应用案例进行总结，希望起到抛砖引玉的作用。

本书的主要内容和素材来自开源网站的人工智能经典模型算法、信息工程专业创新课程内容及作者所在学校近几年承担的科研项目成果、作者指导学生完成的创新项目。通过这些创新项目学生不仅学到了知识，提高了能力，而且为本书提供了第一手素材和相关资料。

本书内容由总述到分述、先理论后实践，采用系统整体架构、系统流程与代码实现相结合的方式，对于从事人工智能开发、机器学习和算法实现的专业技术人员可作为技术参考书，提高其工程创新能力；也可作为信息通信工程及相关专业本科生的参考书，为机器学习模型分析、算法设计和实现提供帮助。

本书的编写得到了教育部电子信息类专业教学指导委员会、信息工程专业国家第一类特色专业建设项目、信息工程专业国家第二类特色专业建设项目、教育部CDIO工程教育模式研究与实践项目、教育部本科教学工程项目、信息工程专业北京市特色专业建设、北京市教育教学改革项目、北京邮电大学教育教学改革项目（2020JC03）的大力支持，在此表示感谢！

由于作者水平有限，书中疏漏之处在所难免，衷心地希望各位读者多提宝贵意见，以便作者进一步修改和完善。

编者2021年7月