پردازش تصویر عملی با پایتون؛ تکنیک‌های تخصصی برای تحلیل پیشرفته تصویر و تفسیر موثر از داده های تصویر

پردازش تصویر نقش مهمی در زندگی روزمره ما دارد و کاربردهای مختلفی از جمله در رسانه‌های اجتماعی (تشخیص چهره)، تصویربرداری پزشکی (اشعه ایکس، سی‌تی‌اسکن)، امنیت (تشخیص اثر انگشت) تا رباتیک و فضا دارد. این کتاب به هسته پردازش تصویر، از مفاهیم گرفته تا کدنویسی با استفاده از پایتون، می‌پردازد.

این کتاب از تکنیک‌های کلاسیک پردازش تصویر شروع می‌شود و تکامل الگوریتم‌های پردازش تصویر تا پیشرفت‌های اخیر در پردازش تصویر یا بینایی کامپیوتر با یادگیری عمیق را بررسی می‌کند. ما یاد خواهیم گرفت که چگونه از کتابخانه‌های پردازش تصویر مانند PIL، scikit-mage و scipy ndimage در پایتون استفاده کنیم. این کتاب ما را قادر می‌سازد تا قطعه کدهایی را در پایتون ۳ بنویسیم و به سرعت الگوریتم‌های پیچیده پردازش تصویر مانند بهبود تصویر، فیلتر کردن، تقسیم‌بندی، تشخیص اشیا و طبقه‌بندی را پیاده‌سازی کنیم. ما قادر خواهیم بود از مدل‌های یادگیری ماشین با استفاده از کتابخانه scikit-learn استفاده کنیم و بعداً CNN عمیق مانند VGG-19 را با Keras بررسی کنیم و همچنین از یک مدل یادگیری عمیق سرتاسری به نام YOLO برای تشخیص اشیا استفاده خواهیم کرد. همچنین چند مسئله پیشرفته مانند بازسازی تصویر، ترکیب گرادیان، حذف نویز متغیر، برش درز، لحاف‌دوزی و شکل‌دهی را پوشش خواهیم داد.

در پایان این کتاب، ما یاد خواهیم گرفت که الگوریتم‌های مختلفی را برای پردازش کارآمد تصویر پیاده‌سازی کنیم.

آنچه خواهید آموخت

انجام کارهای اولیه پیش‌پردازش داده‌ها مانند حذف نویز تصویر و فیلتر فضایی در پایتون
پیاده‌سازی تبدیل سریع فوریه (FFT) و فیلترهای حوزه فرکانس (به عنوان مثال، وینر) در پایتون
انجام پردازش تصویر مورفولوژیکی و قطعه‌بندی تصاویر با الگوریتم‌های مختلف
یادگیری تکنیک‌های استخراج ویژگی‌ها از تصاویر و تطبیق تصاویر
نوشتن کد پایتون برای پیاده‌سازی الگوریتم‌های یادگیری ماشین تحت نظارت/بدون نظارت برای پردازش تصویر
استفاده از مدل‌های یادگیری عمیق برای طبقه‌بندی تصویر، قطعه‌بندی، تشخیص شیء و انتقال سبک

این کتاب برای چه کسانی مناسب است

این کتاب برای مهندسان بینایی کامپیوتر و توسعه‌دهندگان یادگیری ماشین است که در برنامه‌نویسی پایتون مهارت دارند و می‌خواهند جزئیات و پیچیدگی‌های پردازش تصویر را بررسی کنند. هیچ دانش قبلی از تکنیک‌های پردازش تصویر مورد انتظار نیست.

فهرست مطالب

شروع کار با پردازش تصویر
نمونه‌برداری تبدیل فوریه
کانولوشن و فیلتر حوزه فرکانس
بهبود تصویر
بهبود تصویر با استفاده از مشتقات
پردازش تصویر مورفولوژیکی
استخراج ویژگی‌ها و توصیف‌گرهای تصویر
قطعه‌بندی تصویر
روش‌های کلاسیک یادگیری ماشین
یادگیری در پردازش تصویر – طبقه‌بندی تصویر با CNN
تشخیص شیء، قطعه‌بندی عمیق و یادگیری انتقالی
مسائل اضافی در پردازش تصویر