Внимание: для доступа к курсам ITtensive на Udemy напишите,пожалуйста,на [email protected] с названием курса или группы курсов,которые хотите пройти.

Второй курс из серии Машинное зрение посвящен локализации объекта на изображениях с помощью OpenCV на Python. Для работа по курсу необходимо установить модули numpy pandas sklearn keras tensorflow pillow opencv-python opencv-contrib-python scikit-image cmake face_recognition mrcnn.

Курс состоит из 4 больших частей:

Выделение форм

Разберем базовые подходы к фильтрации изображений и освоим авто-поворот изображений:

• Графические фильтры: четкость,размытие,наращивание и эрозия.

• Восстановление резкости: адаптивные гистограммы,Ричардсон-Люси,маска нечеткости и устранение шума.

• Выделение границ по Собелю,Щару и Канни.

• Сбор контуров из границ,ограничивающие прямоугольники и поворот изображения.

• Преобразования Хафа и выделение окружностей.

Взаключении соберем простой сканер штрих-кодов на изображении.

Выделение объектов

Применим общие подходы к обнаружению различных форм на изображении на примере человеческих лиц.

• Примитивы Хаара и каскады Виолы-Джонса.

• Гистограммы направленных градиентов.

• Глубокие нейросети.

• Локальные бинарные шаблоны гистограмм.

Для закрепления материала обнаружим лица на фотографиях и распознаем их.

Выделение признаков

Используем дескрипторы ключевых точек для масштабно-инвариантных преобразований.

• SIFTи SURF.

• ORB, FASTи BRIEF.

• Моменты изображения.

• Трехмерная трансформация и повороты.

• Объединение изображений в панораму.

Объединим несколько изображений в панораму,используя ключевые точки.

Сегментация изображений

В заключении разберем нейросетевые подходы для локализации классов объектов на изображении.

• YOLO:You Only Look Once.

• Mask R-CNN: Regions CNN.

• MobileNet-SSD:Single Shot Detection.

• Сегментационные нейросети.

В качестве курсового проекта обработаем набор реальных фотографий для подготовки их к задаче распознавания или классификации.