Je l'ai comparé à d'autres livres en relation avec la traduction sur "OpenCV-Python Tutorials".
** Introduction à OpenCV **
Tutoriel d'introduction à OpenCV-Python
Commençons avec OpenCV-Python
Installer OpenCV-Python sur Windows
Rendre OpenCV disponible pour Windows.
Installer OpenCV-Python sur Fedora
Rendre OpenCV disponible dans Fedora.
** Fonctionnalités GUI dans OpenCV **
Commençons la manipulation d'image
画像を読み込むこと、表示すること、保存することを学びます。
Commençons l'opération vidéo
動画の再生、カメラからの動画のキャプチャと動画としての保存を学びましょう。
Fonctions de dessin OpenCV
直線、矩形、楕円、円などをOpenCVを使って描画することを学びます。
Utilisez la souris comme un pinceau
マウスを使って塗りつぶし
Utiliser la Trackbar comme palette de couleurs
パラメータを制御するためのtrackbarを作る
** Fonctionnement principal **
Opération de base sur les images
Apprenez à lire et à modifier les valeurs de pixel, à utiliser les images dans le ROI (région d'intérêt) et à d'autres opérations de base.
"Système d'apprentissage automatique pratique" Chapitre 10 Reconnaissance des modèles de vision par ordinateur
L'importation d'images à l'aide de mahotas est introduite.
Encore une fois, le format des données après lecture est numpy.array.
Le nom de la fonction est également imread ().
Opérations arithmétiques sur les images
Effectue des opérations arithmétiques sur l'image.
[Méthode de mesure et d'amélioration des performances d'exécution]
(http://docs.opencv.org/3.0-beta/doc/py_tutorials/py_core/py_optimization/py_optimization.html#optimization-techniques)
Il est important d'obtenir la réponse. Mais obtenir la réponse le plus rapidement est encore plus important. Vérifiez la vitesse de votre code, apprenez à optimiser votre code et plus encore.
Méthodes mathématiques dans OpenCV
PCA(Principalcomponentsanalysis 主成分分析)、SVD(singularvaluedecomposition 特異値分解)などのOpenCVで提供されている数学的手法のいくつかを学びます。
** Traitement d'image avec OpenCV **
Modifier l'espace colorimétrique
異なる色空間で画像を変換する方法を学びましょう。そして動画で色つきの物体を追跡させてみましょう。
Transformation géométrique de l'image
回転、変形などのさまざまな幾何変換を施してみましょう。
Traitement du seuil d'image
画像をグローバルしきい値、適応的閾値処理 、大津の２値化などで2値化画像に変換してみましょう。
mahotas inclut également la binarisation d'Otsu. D'autres techniques de binarisation Les techniques de Ridler-Calvard sont également mises en œuvre.
Lissage d'image
画像をぼかしたり、あつらえたカーネルを用いた画像にフィルタすることを学びます。
Conversion morphologique
Mols tels que contraction, expansion, ouverture, fermeture, etc.
En savoir plus sur la transformation phologique.
Dégradé d'image
Trouvez des dégradés d'image, des bords, etc. Faisons le.
Détection Canny Edge
Trouvons le bord en utilisant la détection de bord Canny.
Pyramide d'images
画像ピラミッドとそれを画像混合に使う方法を学びます。
** Contouring avec OpenCV **
Plan: commençons
Trouvez le contour et dessinez
Caractéristiques générales
Découvrez comment trouver diverses caractéristiques de contour, zones, périmètres, rectangles circonscrits, etc.
Propriétés de contour
Apprenez à trouver différentes caractéristiques de contour, solidité, résistance moyenne et plus encore.
Aperçu: Autres fonctions
Apprenez à trouver des défauts de convexité, à pointer des tests de polygone et à faire correspondre différentes formes.
Hiérarchie des contours
Découvrez la hiérarchie des contours.
Histogramme dans OpenCV
OpenCVにあるヒストグラムの全て。
Histogramme OpenCV OpenCV
Histogrammes-1: Trouvez, tracez et analysez! !! !!
Trouvez l'histogramme et dessinez-le.
Histogrammes-2: aplatissement de l'histogramme
Apprenez à aplatir l'histogramme pour obtenir une image de bon contraste.
Histogrammes --3: histogramme bidimensionnel
Apprenez à trouver et à tracer un histogramme à deux dimensions.
Histogramme-4: Rétroprojection de l'histogramme
Apprenez à projeter en arrière un histogramme sur un objet de couleur régionale.
Conversion d'image avec OpenCV
フーリエ変換、コサイン変換などOpenCVにある様々な画像変換に出会ってみましょう。
Correspondance des modèles
テンプレートマッチングを用いて画像中から物体を探してみましょう。
Conversion de ligne de Huff
画像の中から線を検出してみましょう。
Conversion de Huff Yen
画像の中から円を検出してみましょう。
Division de la zone des images basée sur l'algorithme Watershed
Divisons la zone d'image en utilisant l'algorithme Watershed.
Extraction interactive de premier plan à l'aide de l'algorithme GrabCut
Extrayons le premier plan avec l'algorithme GrabCut.
** Détection et description des fonctionnalités **
Comprendre les fonctionnalités
Quelles sont les principales caractéristiques de l'image? Dans quelle mesure ces fonctionnalités sont-elles utiles?
Détection de coin Harris
ええ、コーナーはよい特徴？ でもどうやって見つけますか？
[Détecteur de coin Shi-Tomasi et bonnes fonctionnalités à suivre](http://docs.opencv.org/3.0-beta/doc/py_tutorials/py_feature2d/py_shi_tomasi/py_shi_tomasi.html#shi- tomasi)
Jetons un coup d'œil aux détails de la détection de coin Shi-Tomasi.
Introduction à la fonctionnalité SIFT (Transformation de fonctionnalité à variation d'échelle)
Le détecteur de coin Harris n'est pas assez bon lorsque l'échelle de l'image change. Lowe a développé une méthode révolutionnaire pour trouver des fonctionnalités qui n'affectent pas l'échelle. Il s'agit de la quantité de caractéristiques SIFT.
Présentation des fonctionnalités de SURF (fonctionnalités robustes accélérées)
Les fonctionnalités SIFT sont certainement de bonnes fonctionnalités. Mais ce n'est pas assez rapide. Par conséquent, une version haute vitesse appelée quantité de fonctionnalités SURF a été créée.
Algorithme FAST pour la détection des coins
上に示した特徴検出器は全てよいものです。しかし、SLAM(訳注：SimultaneousLocalizationandMapping、自己位置推定と環境地図作成を同時に行うこと)のようなリアルタイムの用途に使えるほど十分に速いとは言えません。そこでFASTアルゴリズムの登場です。これは本当に"FAST(速い)"です。
BREF Fonctionnalités élémentaires indépendantes
SIFT特徴量は、128個の浮動小数点からなる特徴記述子を用いています。そのような特徴量を数千個あつかうことを考えてごらんなさい。そのときたくさんのメモリーとマッチングのためにたくさんの時間を使
est. Vous pouvez compresser les fonctionnalités pour les rendre plus rapides, mais vous devez tout d'abord calculer les fonctionnalités. C'est là que BRIEF entre en jeu, offrant un raccourci pour trouver des descripteurs binaires avec moins de mémoire, une correspondance plus rapide et une reconnaissance plus élevée.
Fonctionnalités ORB (Oriented FAST and Rotated BRIEF)
SIFT特徴量とSURF特徴量はとてもよく動くのだけれども、あなたの用途の中で使うには毎年数ドル払わなければならないとしたらどうしますか？ それらは特許が成立しているのです。その問題を解決するには、OpenCVの開発者はSIFT特徴量とSURF特徴量への新しい"FREE"な代替品、ORBを思いつきました。
Correspondance de quantité de fonctionnalités
特徴検出器と記述子についてたくさん理解しました。異なる記述子を対応付ける方法を学ぶときです。OpenCVはそのために２つの手法、Brute-Forceマッチング手法とFLANNに基づくマッチング手法です。
Correspondance des fonctionnalités et homographie pour la recherche d'objets
いま特徴量マッチングについて知っているので、複雑な画像中の物体を見つけるためにcalib3dモジュールとともに混ぜ合わせてみましょう。
Mahotas contient des fonctionnalités Haralic qui permettent de distinguer les images lisses et à motifs.
Les fonctionnalités SURF sont également incluses dans les mahotas.
** Analyse vidéo **
Suivi Meanshift et Camshift
Nous avons déjà vu un exemple de suivi basé sur la couleur. C'est simple. Voyons comment le meilleur algorithme, le décalage moyen et sa version améliorée, CamShift, trouvent et suivent des objets.
[Flux optique]
(http://docs.opencv.org/3.0-beta/doc/py_tutorials/py_video/py_lucas_kanade/py_lucas_kanade.html#lucas-kanade)
Découvrons le concept important, le flux optique. Il est lié à la vidéo et a de nombreuses utilisations.
Suppression d'arrière-plan
Dans certaines applications, il est nécessaire d'extraire le premier plan comme le suivi d'objet. La suppression de l'arrière-plan est une technique bien connue qui aide dans ces cas.
** Calibrage de la caméra et reconstruction 3D **
Calibration de la caméra
利用しているカメラがどれだけ良いものか試してみましょう。それで撮影した画像に歪みが見られるでしょうか？もしあれば、どう補正しましょうか？
Estimation d'attitude
Une courte session pour vous aider à créer un petit effet 3D sympa avec le module calib.
Géométrie épipolaire
エピポーラ幾何とエピポーラ制約を理解しましょう。
Informations sur la distance de profondeur de l'image stéréo
2D画像群から奥行き情報を得ます。
** Apprentissage automatique **
Méthode K-Nearest Neighbor
K最近傍法の使い方を学ぶとともに、K最近傍法を用いて手書きの数字認識について学びます。
Support Vector Machine (SVM)
SVMの考え方を理解します
Méthode moyenne de K
Un groupe de données utilisant la méthode de moyenne K Apprenez à catégoriser en clusters. Ensuite, vous apprendrez à quantifier les couleurs en utilisant la méthode de moyenne K.
Reconnaissance des numéros manuscrits avec OpenCV
($OPENCV_DIR)\sources\samples\python2\digits.py
Vous pouvez voir les résultats par SVM et KNearest.
###Computational Photography
Ici, vous découvrirez les différentes fonctionnalités d'OpenCV liées à la photographie computationnelle, telles que le bruit d'image.
Suppression du bruit d'image
Non-local Meansノイズ除去と呼ばれる画像からノイズを除去する良好な手法を見ていただきます。
Réparation d'image
たくさんの黒点とひっかきを生じた古い劣化した写真を持っていませんか？それを持ってきて、画像修復と呼ばれる方法でそれらを復元してみましょう。
** Détection d'objets **
Détection de visage à l'aide du détecteur de cascade Haar
Haar カスケード検出器を用いた顔検出
** Liaison OpenCV-Python **
Voyons maintenant comment sont créées les liaisons OpenCV-Python.
Comment fonctionne la liaison OpenCV-Python?
OpenCV-Pythonバインディングがどのように作られているのか学びましょう。
Post-scriptum:
Apprentissage automatique à partir des fonctionnalités Python apprises avec scikit-learn Bases de l'ingénierie et de l'apprentissage automatique
Est publié en mai 2017.
Concernant la "vision par ordinateur pratique"
J'ai essayé tous les exercices de "Practical Computer Vision"