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

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。

希曼舒·辛格，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。

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