Python計算機視覺編程

每天提醒自己不要拖延，不要拖延，加油幹[奮鬥][奮鬥]

首先這本書是屬於進階的知識。如果是零基礎的，建議先去買本。入門的Python基礎語法書看看先。 然後這個書裏面講的東西也都非常不錯，這裏介紹一個小方法，有些人可能就不想看書，可以建議先把目錄都給看一遍，等你把目錄看完的時候，你指不定就我想看書了。 我就已經把這些裏面要講的東西的標題給他摘出來了，就在下面，你們可以看一下，然後書裏面提到的很多的東西在後面都有資料和鏈接。 Python計算機視覺編程 Jan Erik Solem 132個想法 ◆ 1.1 PIL：Python圖像處理類庫 >> 1.1 PIL：Python圖像處理類庫 >> 1.1.1 轉換圖像格式 >> 1.1.2 創建縮略圖 >> 1.1.3 複製和粘貼圖像區域 >> 1.1.4 調整尺寸和旋轉 ◆ 1.2 Matplotlib >> 1.2 Matplotlib >> 1.2.1 繪製圖像、點和線 >> 1.2.2 圖像輪廓和直方圖 >> 1.2.3 交互式標註 ◆ 1.3 NumPy >> 1.3 NumPy >> 1.3.1 圖像數組表示 >> 1.3.2 灰度變換 >> 1.3.3 圖像縮放 >> 1.3.4 直方圖均衡化 >> 1.3.5 圖像平均 >> 1.3.6 圖像的主成分分析（PCA） >> 1.3.7 使用pickle模塊 ◆ 1.4 SciPy >> 1.4 SciPy >> 1.4.1 圖像模糊 >> 1.4.2 圖像導數 >> 1.4.3 形態學：對象計數 >> 1.4.4 一些有用的SciPy模塊 ◆ 1.5 高級示例：圖像去噪 >> 1.5 高級示例：圖像去噪 ◆ 2.1 Harris角點檢測器 >> 2.1 Harris角點檢測器 >> 在圖像間尋找對應點 ◆ 2.2 SIFT（尺度不變特徵變換） >> 2.2 SIFT（尺度不變特徵變換） >> 2.2.1 興趣點 >> 2.2.2 描述子 >> 2.2.3 檢測興趣點 >> 2.2.4 匹配描述子 ◆ 2.3 匹配地理標記圖像 >> 2.3 匹配地理標記圖像 >> 2.3.1 從Panoramio下載地理標記圖像 >> 2.3.2 使用局部描述子匹配 >> 2.3.3 可視化連接的圖像 ◆ 3.1 單應性變換 >> 3.1 單應性變換 >> 3.1.1 直接線性變換算法 >> 3.1.2 仿射變換 ◆ 3.2 圖像扭曲 >> 3.2 圖像扭曲 >> 3.2.1 圖像中的圖像 >> 3.2.2 分段仿射扭曲 >> 3.2.3 圖像配準 ◆ 3.3 創建全景圖 >> 3.3 創建全景圖 >> 3.3.1 RANSAC >> 3.3.2 穩健的單應性矩陣估計 >> 3.3.3 拼接圖像 ◆ 4.1 針孔照相機模型 >> 4.1 針孔照相機模型 >> 4.1.1 照相機矩陣 >> 4.1.2 三維點的投影 >> 4.1.3 照相機矩陣的分解 >> 4.1.4 計算照相機中心 ◆ 4.2 照相機標定 >> 4.2 照相機標定 >> 4.2.1 一個簡單的標定方法 ◆ 4.3 以平面和標記物進行姿態估計 >> 4.3 以平面和標記物進行姿態估計 ◆ 4.4 增強現實 >> 4.4 增強現實 >> 4.4.1 PyGame和PyOpenGL >> 4.4.2 從照相機矩陣到OpenGL格式 >> 4.4.3 在圖像中放置虛擬物體 >> 4.4.4 綜合集成 >> 4.4.5 載入模型 ◆ 5.1 外極幾何 >> 5.1 外極幾何 >> 5.1.1 一個簡單的數據集 >> 5.1.2 用Matplotlib繪製三維數據 >> 5.1.3 計算F：八點法 >> 5.1.4 外極點和外極線 ◆ 5.2 照相機和三維結構的計算 >> 5.2 照相機和三維結構的計算 >> 5.2.1 三角剖分 >> 5.2.2 由三維點計算照相機矩陣 >> 5.2.3 由基礎矩陣計算照相機矩陣 ◆ 5.3 多視圖重建 >> 5.3 多視圖重建 >> 5.3.1 穩健估計基礎矩陣 >> 5.3.2 三維重建示例 >> 5.3.3 多視圖的擴展示例 ◆ 5.4 立體圖像 >> 5.4 立體圖像 >> 計算視差圖 ◆ 6.1 K-means聚類 >> 6.1 K-means聚類 >> 6.1.1 SciPy聚類包 >> 6.1.2 圖像聚類 >> 6.1.3 在主成分上可視化圖像 >> 6.1.4 像素聚類 ◆ 6.2 層次聚類 >> 6.2 層次聚類 >> 圖像聚類 ◆ 6.3 譜聚類 >> 6.3 譜聚類 ◆ 7.1 基於內容的圖像檢索 >> 7.1 基於內容的圖像檢索 >> 從文本挖掘中獲取靈感——矢量空間模型 ◆ 7.2 視覺單詞 >> 7.2 視覺單詞 >> 創建詞彙 ◆ 7.3 圖像索引 >> 7.3 圖像索引 >> 7.3.1 建立數據庫 >> 7.3.2 添加圖像 ◆ 7.4 在數據庫中搜索圖像 >> 7.4 在數據庫中搜索圖像 >> 7.4.1 利用索引獲取候選圖像 >> 7.4.2 用一幅圖像進行查詢 >> 7.4.3 確定對比基準並繪製結果 ◆ 7.5 使用幾何特性對結果排序 >> 7.5 使用幾何特性對結果排序 ◆ 7.6 建立演示程序及Web應用 >> 7.6 建立演示程序及Web應用 >> 7.6.1 用CherryPy創建Web應用 >> 7.6.2 圖像搜索演示程序 ◆ 8.1 K鄰近分類法（KNN） >> 8.1 K鄰近分類法（KNN） >> 8.1.1 一個簡單的二維示例 >> 8.1.2 用稠密SIFT作爲圖像特徵 >> 8.1.3 圖像分類：手勢識別 ◆ 8.2 貝葉斯分類器 >> 8.2 貝葉斯分類器 >> 用PCA降維 ◆ 8.3 支持向量機 >> 8.3 支持向量機 >> 8.3.1 使用LibSVM >> 8.3.2 再論手勢識別 ◆ 8.4 光學字符識別 >> 8.4 光學字符識別 >> 8.4.1 訓練分類器 >> 8.4.2 選取特徵 >> 8.4.3 多類支持向量機 >> 8.4.4 提取單元格並識別字符 >> 8.4.5 圖像校正 ◆ 9.1 圖割（Graph Cut） >> 9.1 圖割（Graph Cut） >> 9.1.1 從圖像創建圖 >> 9.1.2 用戶交互式分割 ◆ 9.2 利用聚類進行分割 >> 9.2 利用聚類進行分割 ◆ 9.3 變分法 >> 9.3 變分法 ◆ 10.1 OpenCV的Python接口 >> 10.1 OpenCV的Python接口 ◆ 10.2 OpenCV基礎知識 >> 10.2 OpenCV基礎知識 >> 10.2.1 讀取和寫入圖像 >> 10.2.2 顏色空間 >> 10.2.3 顯示圖像及結果 ◆ 10.3 處理視頻 >> 10.3 處理視頻 >> 10.3.1 視頻輸入 >> 10.3.2 將視頻讀取到NumPy數組中 ◆ 10.4 跟蹤 >> 10.4 跟蹤 >> 10.4.1 光流 >> 10.4.2 Lucas-Kanade算法 ◆ 10.5 更多示例 >> 10.5 更多示例 >> 10.5.1 圖像修復 >> 10.5.2 利用分水嶺變換進行分割 >> 10.5.3 利用霍夫變換檢測直線