Машинное зрение: локализация объектов на Python [Udemy] [Центр digital-профессий ITtensive]

Машинное зрение: локализация объектов на Python
Обработка изображений с помощью фильтров, градиентов, каскадов и нейросетей для выделения форм и областей
Авторы: Центр digital-профессий ITtensive
Опубликовано: 12/2020

Чему вы научитесь

• Графические фильтры и операторы
• Детектор границ Канни
• Контуры и ориентация изображения
• Направляющие и эллипсы Хафа
• Примитивы и каскады Хаара
• Локальные бинарные шаблоны
• Направленные градиенты
• Дескрипторы ключевых точек
• SIFT и SURF
• ORB, FAST, BRIEF
• Панорамное изображение
• Моменты изображения
• Глубокие нейросети
• YOLO
• Mask R-CNN
• MobileNet-SSD
• Сегментационные нейросети

Описание

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.

В заключении 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.

• SIFT и SURF.
  
  
• ORB, FAST и 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.


Для кого этот курс:

• Разработчики систем машинного зрения
• Инженеры по работе с графическими данными
• Научные работники и исследователи данных

Скрытая ссылка