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

1 (p1): 第1章 设置环境
1 (p1-1): 1.1 安装Anaconda
2 (p1-1-1): 1.1.1 在Windows下安装
3 (p1-1-2): 1.1.2 在macOS下安装
3 (p1-1-3): 1.1.3 在Ubuntu下安装
3 (p1-2): 1.2 安装OpenCV
4 (p1-3): 1.3 安装Keras
4 (p1-4): 1.4 测试安装
4 (p1-5): 1.5 虚拟环境
7 (p2): 第2章 图像处理入门
7 (p2-1): 2.1 图像
8 (p2-2): 2.2 像素
8 (p2-3): 2.3 图像分辨率
9 (p2-4): 2.4 PPI与DPI
10 (p2-5): 2.5 位图图像
10 (p2-6): 2.6 无损压缩
10 (p2-7): 2.7 有损压缩
11 (p2-8): 2.8 图像文件格式
12 (p2-9): 2.9 色彩空间
12 (p2-9-1): 2.9.1 RGB
13 (p2-9-2): 2.9.2 XYZ
14 (p2-9-3): 2.9.3 HSV/HSL
15 (p2-9-4): 2.9.4 Lab
16 (p2-9-5): 2.9.5 LCH
16 (p2-9-6): 2.9.6 YPbPr
17 (p2-9-7): 2.9.7 YUV
17 (p2-9-8): 2.9.8 YIQ
18 (p2-10): 2.10 高级图像概念
18 (p2-10-1): 2.10.1 贝塞尔曲线
19 (p2-10-2): 2.10.2 椭球
20 (p2-10-3): 2.10.3 伽马校正
21 (p2-10-4): 2.10.4 结构相似性指标
21 (p2-10-5): 2.10.5 解卷积
22 (p2-10-6): 2.10.6 单应性
22 (p2-10-7): 2.10.7 卷积
23 (p3): 第3章 Python基础和Scikit Image
23 (p3-1): 3.1 Python入门
24 (p3-1-1): 3.1.1 变量和数据类型
25 (p3-1-2): 3.1.2 数据结构
26 (p3-1-3): 3.1.3 循环语句
28 (p3-1-4): 3.1.4 条件语句
29 (p3-1-5): 3.1.5 函数
31 (p3-2): 3.2 Scikit Image
32 (p3-2-1): 3.2.1 上传和查看图像
32 (p3-2-2): 3.2.2 获取图像分辨率
33 (p3-2-3): 3.2.3 查看像素值
33 (p3-2-4): 3.2.4 转换色彩空间
40 (p3-2-5): 3.2.5 保存图像
41 (p3-2-6): 3.2.6 创建基本图形
44 (p3-2-7): 3.2.7 执行伽马校正
45 (p3-2-8): 3.2.8 旋转、平移和缩放图像
46 (p3-2-9): 3.2.9 确定结构相似度
47 (p4): 第4章 OpenCV高级图像处理
47 (p4-1): 4.1 混合两张图像
49 (p4-2): 4.2 改变图像的对比度和亮度
51 (p4-3): 4.3 往图像中添加文字
52 (p4-4): 4.4 平滑图像
53 (p4-4-1): 4.4.1 中值滤波器
53 (p4-4-2): 4.4.2 高斯滤波器
54 (p4-4-3): 4.4.3 双边滤波器
55 (p4-5): 4.5 改变图像的形状
59 (p4-6): 4.6 实施图像阈限化
62 (p4-7): 4.7 计算梯度
63 (p4-8): 4.8 执行直方图均衡
67 (p5): 第5章 基于机器学习的图像处理
67 (p5-1): 5.1 使用SIFT算法的特征映射
68 (p5-1-1): 5.1.1 步骤1：构造尺度不变的空间
68 (p5-1-2): 5.1.2 步骤2：求两个高斯之差
69 (p5-1-3): 5.1.3 步骤3：找出图像中的关键点
69 (p5-1-4): 5.1.4 步骤4：为了高效地比较，移除非关键点
69 (p5-1-5): 5.1.5 步骤5：提供关键点的方向
69 (p5-1-6): 5.1.6 步骤6：确定唯一关键特征
73 (p5-2): 5.2 使用RANSAC算法的图像配准
77 (p5-2-1): 5.2.1 estimate＿affine()函数
77 (p5-2-2): 5.2.2 residual＿lengths()函数
78 (p5-2-3): 5.2.3 输出图像
78 (p5-2-4): 5.2.4 全部代码
81 (p5-3): 5.3 使用人工神经网络的图像分类
87 (p5-4): 5.4…