在第1章中，我们将介绍如何用NumPy、SciPy、scikit-image、OpenCV和Matplotlib等Python库来进行图像处理和变换。通过学习本章内容，读者可以知道如何通过Python代码来执行点变换（对数变换/伽马变换、Gotham滤波器、颜色空间变换和增强亮度/对比度）以及几何变换（螺旋变换、透视变换和单应性变换）。

在第2章中，我们将介绍如何用NumPy、SciPy、scikit-image、OpenCV、MedPy等Python库对图像进行去噪，如使用线性/非线性滤波器、快速傅里叶变换（FFT）和自动编码器。通过学习本章内容，读者可以知道如何实现图像增强技术，如直方图均衡化/匹配、草图绘制/卡通化、金字塔融合/梯度融合和基于零交叉的边缘检测。

在第3章中，我们将介绍如何通过反卷积（逆向、维纳、LMS）滤波器实现图像修复（通过使用NumPy、scikit-image、OpenCV和scikit-learn库）。通过学习本章内容，读者可以知道如何通过图像修复、变分方法和稀疏字典学习实现图像修复，还可以了解如何实现隐写术/隐写分析技术。

在第4章中，我们将介绍如何用NumPy、SciPy、scikit-image和OpenCV等Python库进行二值图像处理（使用数学形态学）。通过学习本章内容，读者可以知道如何实现形态学运算、滤波器和模式匹配，以及如何将其应用于图像分割、指纹图像增强、对象计数和Blob分离。

在第5章中，我们将介绍如何用NumPy、scikit-image、OpenCV等Python库进行图像匹配、配准、拼接。通过学习本章内容，读者可以知道如何使用基于图像扭曲/特征（SIFT/SURF/ORB）的方法和RANSAC算法来实现图像配准技术，还可以了解如何实现全景图创建、人脸变形，以及如何实现基本的图像搜索引擎。

在第6章中，我们将介绍如何用NumPy、scikit-image、OpenCV、Simpletik和DeepLab等Python库来进行图像分割。通过学习本章内容，读者可以知道如何使用基于图的方法/聚类方法、超像素和机器学习算法来实现图像分割技术，还可以了解如何使用DeepLab来实现语义分割。

在第7章中，我们将介绍如何用scikit-learn、OpenCV、TensorFlow、Keras和PyTorch等Python库进行图像分类。通过学习本章内容，读者可以知道如何实现基于深度学习的技术，例如迁移学习/微调，还可以了解如何实现全景图像创建和人脸变形，以及如何实现基于深度学习的适用于手势和交通信号灯的分类技术。

在第8章中，我们将介绍如何用scikit-learn、OpenCV、TensorFlow、Keras和PyTorch等Python库进行图像中的目标检测。通过学习本章内容，读者可以知道如何实现经典的机器学习算法——方向梯度直方图/支持向量机以及深度学习模型，进而检测目标。读者还可以了解如何从图像中实现条形码检测和文本检测。

在第9章中，我们将介绍如何用scikit-learn、OpenCV、dlib、TensorFlow、Keras、PyTorch、DeepFace和FaceNet等Python库在图像中进行人脸检测。读者还可以了解如何用深度学习来实现面部关键点识别以及面部、情绪、性别的识别。