OpenCV+TensorFlow 入门人工智能图像处理【已完结 MK191】

  • 第1章 课程导学

    包括课程概述、课程安排、学习前提等方面的介绍,让同学们对计算机视觉有所理解

    • 1-1 计算机视觉导学试看
  • 第2章 计算机视觉入门

    通过OpenCV以及TensorFlow两个方面介绍计算机入门的相关知识。OpenCV侧重点在于为大家补充图像处理的相关基础,如像素、文件封装格式、灰度等级、颜色通道等的概念。TensorFlow重点在于通过对常量、变量、矩阵等的介绍,学习并掌握TensorFlow的基本使用。…

    • 2-1 本章介绍
    • 2-2 Mac下一站式开发环境anaconda搭建
    • 2-3 Windows下一站式开发环境anaconda搭建
    • 2-4 测试案例helloWorld
    • 2-5 案例1:图片的读取和展示
    • 2-6 Opencv模块组织结构
    • 2-7 案例2:图片写入
    • 2-8 案例3:不同图片质量保存
    • 2-9 像素操作基础
    • 2-10 案例4:像素读取写入
    • 2-11 tensorflow常量变量定义
    • 2-12 tensorflow运算原理
    • 2-13 常量变量四则运算
    • 2-14 矩阵基础1
    • 2-15 矩阵基础2
    • 2-16 矩阵基础3
    • 2-17 numpy模块使用
    • 2-18 matplotlib模块的使用
    • 2-19 小综合:人工神经网络逼近股票价格1试看
    • 2-20 小综合:人工神经网络逼近股票价格2
    • 2-21 小综合:人工神经网络逼近股票价格3
    • 2-22 小综合:人工神经网络逼近股票价格4
  • 第3章 计算机视觉加强之几何变换

    本章节主要为大家介绍图像的几何变换。几何变换顾名思义就是对图片外形轮廓进行操作以适应不同的场景。如缩放、剪切、位移、镜像、旋转、仿射变换等。

    • 3-1 本章介绍
    • 3-2 图片缩放1
    • 3-3 图片缩放2
    • 3-4 图片缩放3
    • 3-5 图片剪切
    • 3-6 图片位移1
    • 3-7 图片移位2
    • 3-8 图片移位3
    • 3-9 图片镜像
    • 3-10 图片缩放
    • 3-11 图片仿射变换
    • 3-12 图片旋转
    • 3-13 图片几何变换小结
  • 第4章 计算机视觉加强之图像特效&线段文字绘制

    视频滤镜也是目前在计算机算法处理上比较火的一个方向之一,在本章节中将结合灰度、底板、马赛克、毛玻璃、边缘检测、油画效果等为大家介绍视频滤镜的使用

    • 4-1 图像特效介绍
    • 4-2 图像灰度处理1
    • 4-3 图像灰度处理2
    • 4-4 算法优化
    • 4-5 颜色反转
    • 4-6 马赛克
    • 4-7 毛玻璃
    • 4-8 图片融合
    • 4-9 边缘检测1
    • 4-10 边缘检测2
    • 4-11 浮雕效果
    • 4-12 颜色映射
    • 4-13 油画特效
    • 4-14 图像特效小结
    • 4-15 线段绘制
    • 4-16 矩形圆形任意多边形绘制
    • 4-17 文字图片绘制
  • 第5章 计算机视觉加强之图像美化

    每个人都有一个爱美的心,在这个章节中大家可以通过磨皮美白、亮度增强、直方图均衡化、图像滤波等方法自己美化自己的照片。

    • 5-1 美化效果章节介绍
    • 5-2 彩色图片直方图
    • 5-3 直方图均衡化
    • 5-4 图片修补
    • 5-5 灰度直方图源码
    • 5-6 彩色直方图源码
    • 5-7 灰度直方图均衡化
    • 5-8 彩色直方图均衡化
    • 5-9 亮度增强
    • 5-10 磨皮美白
    • 5-11 高斯均值滤波
    • 5-12 中值滤波
    • 5-13 图像美化章节小结
  • 第6章 计算机视觉加强之机器学习

    本章节将结合haar+adaboost以及hog+svm分别实现人脸识别、卡通小狮子识别。将为大家介绍一个从训练到识别一个完整的机器学习案例。

    • 6-1 机器学习章节介绍
    • 6-2 视频分解图片
    • 6-3 图片合成视频
    • 6-4 Haar特征1试看
    • 6-5 Haar特征2
    • 6-6 Haar特征3
    • 6-7 adaboost分类器1
    • 6-8 adaboost分类器2
    • 6-9 Haar+adaboost人脸识别
    • 6-10 SVM支持向量机1
    • 6-11 SVM支持向量机2
    • 6-12 SVM小结
    • 6-13 Hog特征1
    • 6-14 Hog特征2
    • 6-15 Hog特征3
    • 6-16 Hog特征4
    • 6-17 Hog小结
    • 6-18 Hog_SVM小狮子识别1
    • 6-19 Hog_SVM小狮子识别2
    • 6-20 Hog_SVM小狮子识别3
    • 6-21 Hog_SVM小狮子识别4
    • 6-22 Hog_SVM小狮子识别5
    • 6-23 机器学习小结
  • 第7章 手写数字识别

    通过knn、cnn两种方式,并结合每种方法的矩阵维度变化,深层次的讲解手写数字识别案例,讲述不一样的案例。

    • 7-1 章节介绍
    • 7-2 样本介绍
    • 7-3 knn数字识别1
    • 7-4 knn数字识别2
    • 7-5 knn数字识别3
    • 7-6 knn数字识别4
    • 7-7 knn数字识别5
    • 7-8 knn数字识别6
    • 7-9 knn数字识别7
    • 7-10 knn数字识别8
    • 7-11 knn数字识别9
    • 7-12 knn数字识别10
    • 7-13 cnn实现手写数字识别1
    • 7-14 cnn实现手写数字识别2
    • 7-15 cnn实现手写数字识别3
    • 7-16 cnn实现手写数字识别4
    • 7-17 cnn实现手写数字识别5
    • 7-18 cnn实现手写数字识别6
    • 7-19 数字识别小结
  • 第8章 “刷脸”识别

    在第六章的基础上,通过识别某个具体的人脸来达到“刷脸”的效果。该案例架构包含样本收集+图像预处理+神经网络训练识别。可以说是一个从样本到训练的完整项目。

    • 8-1 章节介绍
    • 8-2 最简单的图片爬虫
    • 8-3 ffmpeg初识
    • 8-4 OpenCV预处理
    • 8-5 神经网络训练识别1
    • 8-6 神经网络训练识别2
    • 8-7 神经网络训练识别3
    • 8-8 神经网络训练识别4
    • 8-9 本章小结
  • 第9章 课程总结

    对课程进行整体的回顾与总结

    • 9-1 课程总结

发表评论