Программирование компьютерного зрения на языке Python, Ян Эрик Солем, 2016

Программирование компьютерного зрения на языке Python, Ян Эрик Солем, 2016.

  Если вы хотите разобраться в основах теории и алгоритмов компьютерного зрения, то эта книга - как раз то, что вам нужно. Вы узнаете о методах распознавания объектов, трехмерной реконструкции, обработке стереоизображений, дополненной реальности и других приложениях компьютерного зрения. Изложение сопровождается понятными примерами на языке Python. При этом объяснения даются в общих чертах, без погружения в сухую теорию.
Издание идеально подходит для студентов, исследователей и энтузиастов-любителей с базовыми знаниями математики и навыками программирования.




Метод главных компонент для изображений.
Метод главных компонент (РСА) - полезная техника понижения размерности, оптимальная в том смысле, что представляет изменчивость обучающих данных, используя наименьшее возможное число измерений. Даже у крохотного полутонового изображения размером 100x100 число измерений равно 10 000, поэтому его можно рассматривать как точку в 10 000-мерном пространстве. У мегапиксельного изображения измерений миллионы. Не удивительно, что понижение такой высокой размерности оказывается чрезвычайно кстати во многих приложениях компьютерного зрения. Матрицу проекции, получающуюся в результате применения метод РСА, можно рассматривать как переход к системе координат, в которой координаты упорядочены в порядке важности.

Для применения метода главных компонент к данным изображения их нужно сначала преобразовать в одномерный вектор, например, методом NumPy tlatten ().
Линеаризованные изображения собираются в матрицу, по одной строке на каждое изображение. Перед тем как вычислять доминирующие направления, строки центрируются относительно среднего изображения. Для нахождения главных компонент обычно используется сингулярное разложение (SVD), но когда размерность очень высока, вычисление SVD оказывается слишком медленным, поэтому заменяется одним полезным приемом.

Содержание.
Предисловие.
Требования к читателю и структура книги.
Необходимые знания и навыки.
Чему вы научитесь.
Структура книги.
Введение в компьютерное зрение.
Python и NumPy.
Обозначения и графические выделения.
О примерах кода.
Как с нами связаться.
Благодарности.
Об авторе.
Глава 1. Основы обработки изображений.
1.1. PIL-библиотека Python Imaging Library.
Преобразование изображения в другой формат.
Создание миниатюр.
Копирование и вставка областей.
Изменение размера и поворот.
1.2. Библиотека Matplotlib.
Рисование точек и прямых линий.
Изолинии и гистограммы изображений.
Интерактивное аннотирование.
1.3. Пакет NumPy.
Представление изображения в виде массива.
Преобразование уровня яркости.
Изменение размера изображения.
Выравнивание гистограммы.
Усреднение изображений.
Метод главных компонент для изображений.
Использование модуля pickle.
1.4. Пакет SciPy.
Размытие изображений.
Производные изображения.
Морфология - подсчет объектов.
Полезные модули в пакете SciPy.
1.5. Более сложный пример: очистка изображения от шумов.
Упражнения.
Соглашения в примерах кода.
Глава 2. Локальные дескрипторы изображений.
2.1. Детектор углов Харриса.
Нахождение соответственных точек в изображениях.
2.2. SIFT - масштабно-инвариантное преобразование признаков.
Особые точки.
Дескриптор.
Обнаружение особых точек.
Сопоставление дескрипторов.
2.3. Сопоставление изображений с геометками.
Загрузка изображений с геометками из Раnоrаmio.
Сопоставление с помощью локальных дескрипторов.
Визуализация связанных изображений.
Упражнения.
Глава 3. Преобразования изображений.
3.1. Гомографии.
Алгоритм прямого линейного преобразования.
Аффинные преобразования.
3.2. Деформирование изображений.
Изображение внутри изображения.
Кусочно-аффинное деформирование.
Регистрация изображений.
3.3. Создание панорам.
RANSAC.
Устойчивое вычисление томографии.
Сшивка изображений.
Упражнения.
Глава 4. Модели камер и дополненная реальность.
4.1. Модель камеры с точечной диафрагмой.
Матрица камеры.
Проецирование точек трехмерного пространства.
Вычисление центра камеры.
4.2. Калибровка камеры.
Простой метод калибровки.
4.3. Оценивание положения по плоскостям и маркерам.
4.4. Дополненная реальность.
PyGame и PyOpenGL.
От матрицы камеры к формату OpenGL.
Помещение виртуальных на изображение.
Собираем все вместе.
Загрузка моделей.
Упражнения.
Глава 5. Многовидовая геометрия.
5.1. Эпиполярная геометрия.
Демонстрационный набор данных.
Построение трехмерных графиков в Matplotlib.
Вычисление F - восьмиточечный алгоритм.
Эпиполюс и эпиполярные прямые.
5.2. Вычисления, вносящиеся к камерам и трехмерной структуре.
Триангуляция.
Вычисление матрицы камеры по точкам в пространстве.
вычисление матрицы камеры по фундаментальной матрице.
5.3. Многовидовая реконструкция.
Устойчивое вычисление фундаментальной матрицы.
Пример трехмерной реконструкции.
Обобщения и случай более двух видов.
5.4. Стереоизображения.
Вычисление карт диспаратности.
Упражнения.
Глава 6. Кластеризация изображений.
6.1. Кластеризация методом К средних.
Пакет кластеризации в SciPy.
Кластеризация изображений.
Визуализация проекций изображений на главные компоненты.
Кластеризация пикселей.
6.2. Иерархическая кластеризация.
Кластеризация изображений.
6.3. Спектральная кластеризация.
Упражнения.
Глава 7. Поиск изображений.
7.1. Поиск изображений по содержанию.
Векторная модель - инструмент анализа текста.
7.2. Визуальные слова.
Создание словаря.
7.3. Индексирование изображений.
Подготовка базы данных.
Добавление изображений.
7.4. Поиск изображений в базе данных.
Использование индекса для получении кандидатов.
Запрос по изображению.
Эталонное тестирование и построение графика.
7.5. Ранжирование результатов с применением геометрических соображений.
7.6. Создание демонстраций и веб-приложений.
Создание веб-приложений с помощью CherryPy.
Демонстрация поиска изображений.
Упражнения.
Глава 8. Классификация изображений по содержанию.
8.1. Метод к ближайших соседей.
Простой двумерный пример.
Плотные SIFT-дескрипторы в качестве признаков изображения.
Классификация изображений - распознавание жестов.
8.2. Байесовский классификатор.
Использование метода главных компонент для понижения размерности.
8.3. Метод опорных векторов.
Использование библиотеки LibSVM.
И снова о распознавании жестов.
8.4. Оптическое распознавание символов.
Обучение классификатора.
Отбор признаков.
Выделение клеток и распознавание символов.
Выпрямление изображений.
Упражнения.
Глава 9. Сегментация изображений.
9.1. Разрезание графов.
Графы изображений.
Сегментация с привлечением пользователя.
9.2. Сегментация с применением кластеризации.
9.3. Вариационные методы.
Упражнения.
Глава 10. OpenCV.
10.1. Интерфейс между OpenCV и Python.
10.2. Основы OpenCV.
Чтение и запись изображений.
Цветовые пространства.
Отображение изображений и результатов обработки.
10.3. Обработка видео.
Ввод видео.
Чтение видео в массивы NumPy.
10.4. Трассировка.
Оптический поток.
Алгоритм Лукаса-Канаде.
Использование трассировщика.
Применение генераторов.
10.5. Другие примеры.
Ретуширование.
Сегментация по морфологическим водоразделам.
Обнаружение фигур с помощью преобразования Хафа.
Упражнения.
Приложение А. Установка пакетов.
А.1. NumPy и SciPy.
Windows.
Mac OSX.
Linux.
A.2. Matplotlib.
A.3. PIL.
A.4. LibSVM.
A.5. OpenCV.
Windows и Unix.
Mac OSX.
Linux.
A 6. VLFeat.
A.7. PyGame.
A.8. PyOpenGL.
A.9. Pydot.
A.10. Python-graph.
A.11. Simplejson.
A.12. PySQLite.
A.13. CherryPy.
Приложение Б. Наборы изображений.
Б.1. Flickr.
Б.2 Panoramio.
Б.3. Оксфордская группа Visual Geometry.
Б.4. Эталонные изображения для распознавания Кентуккийского университета.
Б.5. Другие наборы.
Пражский генератор данных и эталонный набор для сегментации текстур.
Набор данных Grab Cut научно-исследовательского центра Microsoft в Кембридже.
Caltech 101.
База данных статических положений руки.
Наборы стереоизображений Мидлбери-колледжа.
Приложение В. Благодарности авторам изображений.
В.1. Изображения с сайта Flickr.
В.2. Прочие изображения.
В.3. Иллюстрации.
Литература.
Предметный указатель.

Купить .



Хештеги: #учебник по программированию :: #программирование :: #Ян Эрик Солем