Python机器学习和图像处理实战 面部识别、目标检测和模式识别

    阅读《Python机器学习和图像处理实战  面部识别、目标检测和模式识别》可深入?解基于Python实现的机器学习与神经网络之上的图像处理方法与算法。本书首先介绍环境设置，讲解图像处理的基本术语，并探究有助于实现本书中算法的Python概念。然后详细介绍所有的核心图像处理算法，接着转而介绍计算机视觉库OpenCV，你将?解OpenCV算法及其在图像处理中的应用。*后介绍用于图像处理与分类的机器学习和深度学习的高级方法，将神经网络、Adaboost、XGBoost、卷积神经网络等概念运用到具体的图像应用中。
    书中所有的概念都用现实场景来解释。读完本书，你将能够应用图像处理技术并训练机器学习模型来满足定制化需求。

了解图像处理算法以及如何使用Python应用这些算法；

探索使用OpenCV进行图像处理；

使用scikit-leam、NumPy和其他程序库；

把机器学习和深度学习算法运用到图像处理中；

把图像处理技术应用到五个实时项目中。

       Himanshu Singh拥有超过6年的数据科学从业经验，目前是V-Soft Labs的高级数据科学家。他提供关于数据科学、机器学习和深度学习的企业培训，是Narsee Monjee管理学院(Narsee Monjee Institute of Management Studies)在分析方面的访问学者，这家学院被视为印度的高级管理学院之一。他是Black Feathers Analytics和Rise of Literati Clubs的创始人。

目    录
 
第1章  设置环境   1
1.1  安装Anaconda   1
1.1.1  在Windows下安装   2
1.1.2  在macOS下安装   3
1.1.3  在Ubuntu下安装   3
1.2  安装OpenCV   3
1.3  安装Keras   4
1.4  测试安装   4
1.5  虚拟环境   4
第2章  图像处理入门   7
2.1  图像   7
2.2  像素   8
2.3  图像分辨率   8
2.4  PPI与DPI   9
2.5  位图图像   10
2.6  无损压缩   10
2.7  有损压缩   10
2.8  图像文件格式   11
2.9  色彩空间   12
2.9.1  RGB   12
2.9.2  XYZ   13
2.9.3  HSV/HSL   14
2.9.4  Lab   15
2.9.5  LCH   16
2.9.6  YPbPr   16
2.9.7  YUV   17
2.9.8  YIQ   17
2.10  高级图像概念   18
2.10.1  贝塞尔曲线   18
2.10.2  椭球   19
2.10.3  伽马校正   20
2.10.4  结构相似性指标   21
2.10.5  解卷积   21
2.10.6  单应性   22
2.10.7  卷积   22
第3章  Python基础和Scikit Image   23
3.1  Python入门   23
3.1.1  变量和数据类型   24
3.1.2  数据结构   25
3.1.3  循环语句   26
3.1.4  条件语句   28
3.1.5  函数   29
3.2  Scikit Image   31
3.2.1  上传和查看图像   32
3.2.2  获取图像分辨率   32
3.2.3  查看像素值   33
3.2.4  转换色彩空间   33
3.2.5  保存图像   40
3.2.6  创建基本图形   41
3.2.7  执行伽马校正   44
3.2.8  旋转、平移和缩放图像   45
3.2.9  确定结构相似度   46
第4章  OpenCV高级图像处理   47
4.1  混合两张图像   47
4.2  改变图像的对比度和 亮度   49
4.3  往图像中添加文字   51
4.4  平滑图像   52
4.4.1  中值滤波器   53
4.4.2  高斯滤波器   53
4.4.3  双边滤波器   54
4.5  改变图像的形状   55
4.6  实施图像阈限化   59
4.7  计算梯度   62
4.8  执行直方图均衡   63
第5章  基于机器学习的图像处理   67
5.1  使用SIFT算法的特征映射   67
5.1.1  步骤1：构造尺度不变的空间   68
5.1.2  步骤2：求两个高斯之差   68
5.1.3  步骤3：找出图像中的关键点   69
5.1.4  步骤4：为了高效地比较，移除非关键点   69
5.1.5  步骤5：提供关键点的方向   69
5.1.6  步骤6：确定唯一关键特征   69
5.2  使用RANSAC算法的图像配准   73
5.2.1  estimate_affine()函数   77
5.2.2  residual_lengths()函数   77
5.2.3  输出图像   78
5.2.4  全部代码   78
5.3  使用人工神经网络的图像分类   81
5.4  使用CNN的图像分类   87
5.5  使用机器学习的图像分类   92
5.5.1  决策树   92
5.5.2  支持向量机   92
5.5.3  逻辑回归   93
5.5.4  代码   93
5.6  重要术语   95
第6章  实时用例   97
6.1  找出掌纹   97
6.2  检测面部   99
6.3  识别面部   101
6.4  追踪运动   103
6.5  检测车道   104
附录  重要概念与术语   111

前    言

《Python机器学习和图像处理实战  面部识别、目标检测和模式识别》的目标是使读者深入了解图像处理的基础知识、图像处理的不同方法和算法、多种Python库的应用和实时用例的机器学习实现。
《Python机器学习和图像处理实战 面部识别、目标检测和模式识别》首先讨论不同操作系统下的环境设置，介绍图像处理的基本术语，并探究有助于算法应用的Python概念。然后，深入讨论图像处理的不同算法和它们的实际实现；后者使用了Python下的两种代码库——Scikit Image和OpenCV。接着，《Python机器学习和图像处理实战 面部识别、目标检测和模式识别》介绍用于图像处理与分类的机器学习和深度学习的高级方法，解释具体图像应用中的Adaboost、XGBoost、卷积神经网络等概念。最后，《Python机器学习和图像处理实战 面部识别、目标检测和模式识别》描述了实时建模和部署模型的过程。
书中所有的概念都用现实场景来解释。阅读完《Python机器学习和图像处理实战 面部识别、目标检测和模式识别》，读者应该能够应用图像处理技术并通过训练机器学习模型来满足定制化的需求。