Машинное зрение: локализация объектов на Python

🧠 Обработка изображений с помощью фильтров, градиентов, каскадов и нейросетей для выделения форм и областей: Машинное зрение - Локализация объектов на Python

Вводное Сообщение: 📫

Для доступа к курсам ITtensive на Udemy, пожалуйста, свяжитесь со us на support@ittensive.com с названием курса или группы курсов, которые вы хотите изучить.

О курсе:

Это второй курс в серии по машинному зрению, посвященный локализации объектов на изображениях с использованием OpenCV на Python. Для работы с курсом вам потребуется установить следующие модули: numpy, pandas, sklearn, keras, tensorflow, Pillow, opencv-python, opencv-contrib-python, scikit-image, cmake, face_recognition и mrcnn.

Курс состоит из 4 ключевых частей:

1. Выделение форм 🎨

Мы начнем с основных методов фильтрации изображений и освоим авто-поворот изображений, включая:

• Графические фильтры: четкость, размытие, наращивание и эрозия.
• Восстановление резкости: адаптивные гистограммы, Ричардсон-Люси, маска нечеткости и устранение шума.
• Выделение границ: алгоритмы Собэля, Щара и Канни.
• Преобразования Хафа для выделения окружностей.
• И закончим собиранием простого сканера штрих-кодов на изображении.

2. Выделение объектов 🔍

Применим общие подходы к обнаружению различных форм, в частности, для распознавания человеческих лиц, включая:

• Примитивы Хаара и каскады Виолы-Джонса.
• Гистограммы направленных градиентов.
• Глубокие нейросети для распознавания объектов.
• Локальные бинарные шаблоны гистограм для более сложного анализа. Для закрепления материала, мы попробуем найти и распознать лица на фотографиях.

3. Выделение признаков 🔑

Используем дескрипторы ключевых точек для создания масштабно-инвариантных преобразований, включая:

• SIFT и SURF.
• ORB, FAST и BRIEF.
• Моменты изображения для более точного анализа.
• В заключение этой части, мы разберемся с преобразованием и выравниванием изображений.

4. Сегментация изображений 🖼️

В заключении курса, мы обсудим нейросетевые подходы для локализации классов объектов на изображении, включая:

• YOLO (You Only Look Once).
• Mask R-CNN (Regions CNN).
• MobileNet-SSD (Single Shot Detection).
• Сегментационные нейросети.

Курсовой Проект: 🏗️

В качестве курсового проекта предлагается обработать набор реальных фотографий для подготовки их к задачам распознавания или классификации.

Присоединяйтесь к нам в этом интересном путешествии по миру машинного зрения с помощью Python и OpenCV! 🚀✨