Python计算机视觉编程

每天提醒自己不要拖延，不要拖延，加油干[奋斗][奋斗]

首先这本书是属于进阶的知识。如果是零基础的，建议先去买本。入门的Python基础语法书看看先。 然后这个书里面讲的东西也都非常不错，这里介绍一个小方法，有些人可能就不想看书，可以建议先把目录都给看一遍，等你把目录看完的时候，你指不定就我想看书了。 我就已经把这些里面要讲的东西的标题给他摘出来了，就在下面，你们可以看一下，然后书里面提到的很多的东西在后面都有资料和链接。 Python计算机视觉编程 Jan Erik Solem 132个想法 ◆ 1.1 PIL：Python图像处理类库 >> 1.1 PIL：Python图像处理类库 >> 1.1.1 转换图像格式 >> 1.1.2 创建缩略图 >> 1.1.3 复制和粘贴图像区域 >> 1.1.4 调整尺寸和旋转 ◆ 1.2 Matplotlib >> 1.2 Matplotlib >> 1.2.1 绘制图像、点和线 >> 1.2.2 图像轮廓和直方图 >> 1.2.3 交互式标注 ◆ 1.3 NumPy >> 1.3 NumPy >> 1.3.1 图像数组表示 >> 1.3.2 灰度变换 >> 1.3.3 图像缩放 >> 1.3.4 直方图均衡化 >> 1.3.5 图像平均 >> 1.3.6 图像的主成分分析（PCA） >> 1.3.7 使用pickle模块 ◆ 1.4 SciPy >> 1.4 SciPy >> 1.4.1 图像模糊 >> 1.4.2 图像导数 >> 1.4.3 形态学：对象计数 >> 1.4.4 一些有用的SciPy模块 ◆ 1.5 高级示例：图像去噪 >> 1.5 高级示例：图像去噪 ◆ 2.1 Harris角点检测器 >> 2.1 Harris角点检测器 >> 在图像间寻找对应点 ◆ 2.2 SIFT（尺度不变特征变换） >> 2.2 SIFT（尺度不变特征变换） >> 2.2.1 兴趣点 >> 2.2.2 描述子 >> 2.2.3 检测兴趣点 >> 2.2.4 匹配描述子 ◆ 2.3 匹配地理标记图像 >> 2.3 匹配地理标记图像 >> 2.3.1 从Panoramio下载地理标记图像 >> 2.3.2 使用局部描述子匹配 >> 2.3.3 可视化连接的图像 ◆ 3.1 单应性变换 >> 3.1 单应性变换 >> 3.1.1 直接线性变换算法 >> 3.1.2 仿射变换 ◆ 3.2 图像扭曲 >> 3.2 图像扭曲 >> 3.2.1 图像中的图像 >> 3.2.2 分段仿射扭曲 >> 3.2.3 图像配准 ◆ 3.3 创建全景图 >> 3.3 创建全景图 >> 3.3.1 RANSAC >> 3.3.2 稳健的单应性矩阵估计 >> 3.3.3 拼接图像 ◆ 4.1 针孔照相机模型 >> 4.1 针孔照相机模型 >> 4.1.1 照相机矩阵 >> 4.1.2 三维点的投影 >> 4.1.3 照相机矩阵的分解 >> 4.1.4 计算照相机中心 ◆ 4.2 照相机标定 >> 4.2 照相机标定 >> 4.2.1 一个简单的标定方法 ◆ 4.3 以平面和标记物进行姿态估计 >> 4.3 以平面和标记物进行姿态估计 ◆ 4.4 增强现实 >> 4.4 增强现实 >> 4.4.1 PyGame和PyOpenGL >> 4.4.2 从照相机矩阵到OpenGL格式 >> 4.4.3 在图像中放置虚拟物体 >> 4.4.4 综合集成 >> 4.4.5 载入模型 ◆ 5.1 外极几何 >> 5.1 外极几何 >> 5.1.1 一个简单的数据集 >> 5.1.2 用Matplotlib绘制三维数据 >> 5.1.3 计算F：八点法 >> 5.1.4 外极点和外极线 ◆ 5.2 照相机和三维结构的计算 >> 5.2 照相机和三维结构的计算 >> 5.2.1 三角剖分 >> 5.2.2 由三维点计算照相机矩阵 >> 5.2.3 由基础矩阵计算照相机矩阵 ◆ 5.3 多视图重建 >> 5.3 多视图重建 >> 5.3.1 稳健估计基础矩阵 >> 5.3.2 三维重建示例 >> 5.3.3 多视图的扩展示例 ◆ 5.4 立体图像 >> 5.4 立体图像 >> 计算视差图 ◆ 6.1 K-means聚类 >> 6.1 K-means聚类 >> 6.1.1 SciPy聚类包 >> 6.1.2 图像聚类 >> 6.1.3 在主成分上可视化图像 >> 6.1.4 像素聚类 ◆ 6.2 层次聚类 >> 6.2 层次聚类 >> 图像聚类 ◆ 6.3 谱聚类 >> 6.3 谱聚类 ◆ 7.1 基于内容的图像检索 >> 7.1 基于内容的图像检索 >> 从文本挖掘中获取灵感——矢量空间模型 ◆ 7.2 视觉单词 >> 7.2 视觉单词 >> 创建词汇 ◆ 7.3 图像索引 >> 7.3 图像索引 >> 7.3.1 建立数据库 >> 7.3.2 添加图像 ◆ 7.4 在数据库中搜索图像 >> 7.4 在数据库中搜索图像 >> 7.4.1 利用索引获取候选图像 >> 7.4.2 用一幅图像进行查询 >> 7.4.3 确定对比基准并绘制结果 ◆ 7.5 使用几何特性对结果排序 >> 7.5 使用几何特性对结果排序 ◆ 7.6 建立演示程序及Web应用 >> 7.6 建立演示程序及Web应用 >> 7.6.1 用CherryPy创建Web应用 >> 7.6.2 图像搜索演示程序 ◆ 8.1 K邻近分类法（KNN） >> 8.1 K邻近分类法（KNN） >> 8.1.1 一个简单的二维示例 >> 8.1.2 用稠密SIFT作为图像特征 >> 8.1.3 图像分类：手势识别 ◆ 8.2 贝叶斯分类器 >> 8.2 贝叶斯分类器 >> 用PCA降维 ◆ 8.3 支持向量机 >> 8.3 支持向量机 >> 8.3.1 使用LibSVM >> 8.3.2 再论手势识别 ◆ 8.4 光学字符识别 >> 8.4 光学字符识别 >> 8.4.1 训练分类器 >> 8.4.2 选取特征 >> 8.4.3 多类支持向量机 >> 8.4.4 提取单元格并识别字符 >> 8.4.5 图像校正 ◆ 9.1 图割（Graph Cut） >> 9.1 图割（Graph Cut） >> 9.1.1 从图像创建图 >> 9.1.2 用户交互式分割 ◆ 9.2 利用聚类进行分割 >> 9.2 利用聚类进行分割 ◆ 9.3 变分法 >> 9.3 变分法 ◆ 10.1 OpenCV的Python接口 >> 10.1 OpenCV的Python接口 ◆ 10.2 OpenCV基础知识 >> 10.2 OpenCV基础知识 >> 10.2.1 读取和写入图像 >> 10.2.2 颜色空间 >> 10.2.3 显示图像及结果 ◆ 10.3 处理视频 >> 10.3 处理视频 >> 10.3.1 视频输入 >> 10.3.2 将视频读取到NumPy数组中 ◆ 10.4 跟踪 >> 10.4 跟踪 >> 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 图像修复 >> 10.5.2 利用分水岭变换进行分割 >> 10.5.3 利用霍夫变换检测直线