OpenCV TensorFlow 入门人工智能图像处理

【课程介绍】AI的火爆程度可以说是“妇孺皆知”，无论是“美颜”还是AR识别，身边越来越多的AI元素出现在我们的生活中，让我们的生活更加丰富多彩。在这次课程中，我们就来通过丰富有趣的案例，来学习人工智能中的计算机视觉技术，迈上机器学习新台阶。

【课程目录】

• 第1章 课程导学包括课程概述、课程安排、学习前提等方面的介绍，让同学们对计算机视觉有所理解
  • 1-1 计算机视觉导学
    
• 第2章 计算机视觉入门通过OpenCV以及TensorFlow两个方面介绍计算机入门的相关知识。OpenCV侧重点在于为大家补充图像处理的相关基础，如像素、文件封装格式、灰度等级、颜色通道等的概念。TensorFlow重点在于通过对常量、变量、矩阵等的介绍，学习并掌握TensorFlow的基本使用。…
  • 2-1 本章介绍
  • 2-2 Mac下一站式开发环境anaconda搭建
  • 2-3 Windows下一站式开发环境anaconda搭建
  • 2-4 测试案例helloWorld
  • 2-5 案例1：图片的读取和展示
  • 2-6 Opencv模块组织结构
  • 2-7 案例2：图片写入
  • 2-8 案例3：不同图片质量保存
  • 2-9 像素操作基础
  • 2-10 案例4：像素读取写入
  • 2-11 tensorflow常量变量定义
  • 2-12 tensorflow运算原理
  • 2-13 常量变量四则运算
  • 2-14 矩阵基础1
  • 2-15 矩阵基础2
  • 2-16 矩阵基础3
  • 2-17 numpy模块使用
  • 2-18 matplotlib模块的使用
  • 2-19 小综合：人工神经网络逼近股票价格1
    

  • 2-20 小综合：人工神经网络逼近股票价格2
  • 2-21 小综合：人工神经网络逼近股票价格3
  • 2-22 小综合：人工神经网络逼近股票价格4
• 第3章 计算机视觉加强之几何变换本章节主要为大家介绍图像的几何变换。几何变换顾名思义就是对图片外形轮廓进行操作以适应不同的场景。如缩放、剪切、位移、镜像、旋转、仿射变换等。
  • 3-1 本章介绍
  • 3-2 图片缩放1
  • 3-3 图片缩放2
  • 3-4 图片缩放3
  • 3-5 图片剪切
  • 3-6 图片位移1
  • 3-7 图片移位2
  • 3-8 图片移位3
  • 3-9 图片镜像
  • 3-10 图片缩放
  • 3-11 图片仿射变换
  • 3-12 图片旋转
  • 3-13 图片几何变换小结
• 第4章 计算机视觉加强之图像特效&线段文字绘制视频滤镜也是目前在计算机算法处理上比较火的一个方向之一，在本章节中将结合灰度、底板、马赛克、毛玻璃、边缘检测、油画效果等为大家介绍视频滤镜的使用
  • 4-1 图像特效介绍
  • 4-2 图像灰度处理1
  • 4-3 图像灰度处理2
  • 4-4 算法优化
  • 4-5 颜色反转
  • 4-6 马赛克
  • 4-7 毛玻璃
  • 4-8 图片融合
  • 4-9 边缘检测1
  • 4-10 边缘检测2
  • 4-11 浮雕效果
  • 4-12 颜色映射
  • 4-13 油画特效
  • 4-14 图像特效小结
  • 4-15 线段绘制
  • 4-16 矩形圆形任意多边形绘制
  • 4-17 文字图片绘制
• 第5章 计算机视觉加强之图像美化每个人都有一个爱美的心，在这个章节中大家可以通过磨皮美白、亮度增强、直方图均衡化、图像滤波等方法自己美化自己的照片。
  • 5-1 美化效果章节介绍
  • 5-2 彩色图片直方图
  • 5-3 直方图均衡化
  • 5-4 图片修补
  • 5-5 灰度直方图源码
  • 5-6 彩色直方图源码
  • 5-7 灰度直方图均衡化
  • 5-8 彩色直方图均衡化
  • 5-9 亮度增强
  • 5-10 磨皮美白
  • 5-11 高斯均值滤波
  • 5-12 中值滤波
  • 5-13 图像美化章节小结
• 第6章 计算机视觉加强之机器学习本章节将结合haar+adaboost以及hog+svm分别实现人脸识别、卡通小狮子识别。将为大家介绍一个从训练到识别一个完整的机器学习案例。
  • 6-1 机器学习章节介绍
  • 6-2 视频分解图片
  • 6-3 图片合成视频
  • 6-4 Haar特征1
    

  • 6-5 Haar特征2
  • 6-6 Haar特征3
  • 6-7 adaboost分类器1
  • 6-8 adaboost分类器2
  • 6-9 Haar+adaboost人脸识别
  • 6-10 SVM支持向量机1
  • 6-11 SVM支持向量机2
  • 6-12 SVM小结
  • 6-13 Hog特征1
  • 6-14 Hog特征2
  • 6-15 Hog特征3
  • 6-16 Hog特征4
  • 6-17 Hog小结
  • 6-18 Hog_SVM小狮子识别1
  • 6-19 Hog_SVM小狮子识别2
  • 6-20 Hog_SVM小狮子识别3
  • 6-21 Hog_SVM小狮子识别4
  • 6-22 Hog_SVM小狮子识别5
  • 6-23 机器学习小结
• 第7章 手写数字识别通过knn、cnn两种方式，并结合每种方法的矩阵维度变化，深层次的讲解手写数字识别案例，讲述不一样的案例。
  • 7-1 章节介绍
  • 7-2 样本介绍
  • 7-3 knn数字识别1
  • 7-4 knn数字识别2
  • 7-5 knn数字识别3
  • 7-6 knn数字识别4
  • 7-7 knn数字识别5
  • 7-8 knn数字识别6
  • 7-9 knn数字识别7
  • 7-10 knn数字识别8
  • 7-11 knn数字识别9
  • 7-12 knn数字识别10
  • 7-13 cnn实现手写数字识别1
  • 7-14 cnn实现手写数字识别2
  • 7-15 cnn实现手写数字识别3
  • 7-16 cnn实现手写数字识别4
  • 7-17 cnn实现手写数字识别5
  • 7-18 cnn实现手写数字识别6
  • 7-19 数字识别小结
• 第8章 “刷脸”识别在第六章的基础上，通过识别某个具体的人脸来达到“刷脸”的效果。该案例架构包含样本收集+图像预处理+神经网络训练识别。可以说是一个从样本到训练的完整项目。
  • 8-1 章节介绍
  • 8-2 最简单的图片爬虫
  • 8-3 ffmpeg初识
  • 8-4 OpenCV预处理
  • 8-5 神经网络训练识别1
  • 8-6 神经网络训练识别2
  • 8-7 神经网络训练识别3
  • 8-8 神经网络训练识别4
  • 8-9 本章小结
• 第9章 课程总结对课程进行整体的回顾与总结
  • 9-1 课程总结