Ocena:
Książka otrzymała mieszane recenzje, a niektórzy użytkownicy docenili jej praktyczne przykłady przetwarzania obrazu, podczas gdy inni skrytykowali jej wartość, jakość kodu i brak wyjaśnień.
Zalety:Oferuje praktyczne przykłady przetwarzania obrazu i pozwala czytelnikom dość łatwo instalować i uruchamiać skrypty Pythona. Niektórzy użytkownicy uznali ją za przydatną na początku przygody z przetwarzaniem obrazu.
Wady:Treść jest w dużej mierze dostępna online za darmo, a kod książki jest słabo udokumentowany i niespójny. Wielu recenzentów uznało ją za zbyt drogą, pozbawioną kolorów jak na książkę o przetwarzaniu obrazów i dostarczającą niewiele więcej niż zbiór kodu bez odpowiednich wyjaśnień.
(na podstawie 6 opinii czytelników)
Hands-On Image Processing with Python
Poznaj obliczenia matematyczne i algorytmy przetwarzania obrazu przy użyciu popularnych narzędzi i frameworków Pythona Kluczowe cechy Zdobądź praktyczną wiedzę na temat każdego zadania przetwarzania obrazu za pomocą popularnych bibliotek Pythona Poznaj tematy takie jak pseudokolorowanie, wygładzanie szumów i obliczanie deskryptorów obrazu Omów popularne techniki uczenia maszynowego i głębokiego uczenia dla złożonych zadań przetwarzania obrazu Opis książki
Przetwarzanie obrazów odgrywa ważną rolę w naszym codziennym życiu dzięki różnym zastosowaniom w mediach społecznościowych (wykrywanie twarzy), obrazowaniu medycznym (zdjęcia rentgenowskie i tomografia komputerowa) oraz bezpieczeństwie (rozpoznawanie odcisków palców). Ta książka ma na celu pomóc w nauce podstawowych aspektów przetwarzania obrazu, od podstawowych pojęć po kod przy użyciu języka programowania Python.
Książka rozpoczyna się od omówienia klasycznych technik przetwarzania obrazu. Następnie zapoznasz się z ewolucją algorytmów przetwarzania obrazu, aż do ostatnich postępów w przetwarzaniu obrazu i wizji komputerowej z głębokim uczeniem się. W miarę postępów nauczysz się korzystać z bibliotek przetwarzania obrazu, takich jak PIL, scikit-image i scipy ndimage w Pythonie. Książka umożliwi ci pisanie fragmentów kodu w Pythonie 3 i implementację złożonych algorytmów przetwarzania obrazu, takich jak ulepszanie obrazu, filtrowanie, segmentacja, wykrywanie obiektów i klasyfikacja. Stopniowo będziesz w stanie implementować modele uczenia maszynowego przy użyciu biblioteki Pythona, scikit-learn. Oprócz tego poznasz głębokie konwolucyjne sieci neuronowe (CNN), takie jak VGG-19 z Keras, zanim przejdziesz do korzystania z kompleksowego modelu głębokiego uczenia o nazwie YOLO do wykrywania obiektów. Późniejsze rozdziały poprowadzą cię przez kilka zaawansowanych problemów, takich jak malowanie obrazu, mieszanie gradientów, wariacyjne odszumianie, rzeźbienie szwów, pikowanie i morfing.
Pod koniec tej książki dowiesz się, jak zaimplementować różne algorytmy do wydajnego przetwarzania obrazu. Czego się nauczysz Wykonuj podstawowe zadania wstępnego przetwarzania danych, takie jak odszumianie obrazu i filtrowanie przestrzenne w Pythonie Implementuj szybką transformatę Fouriera (FFT) i filtry domeny częstotliwości, takie jak Weiner w Pythonie Wykonuj morfologiczne przetwarzanie obrazu i segmentuj obrazy za pomocą różnych algorytmów Zapoznaj się z technikami wyodrębniania cech z obrazów i dopasowywania obrazów Napisz kod Pythona, aby zaimplementować nadzorowane i nienadzorowane algorytmy uczenia maszynowego do przetwarzania obrazów Używaj modeli głębokiego uczenia się do klasyfikacji obrazów, segmentacji, wykrywania obiektów i przenoszenia stylu Dla kogo jest ta książka?
Ten podręcznik przetwarzania obrazu jest przeznaczony dla inżynierów wizji komputerowej i programistów uczenia maszynowego, którzy są dobrze zorientowani w programowaniu w Pythonie i chcą zagłębić się w różne aspekty i złożoność przetwarzania obrazu. Wcześniejsza znajomość technik przetwarzania obrazu nie jest wymagana. Spis treści Rozpoczęcie pracy z przetwarzaniem obrazu Próbkowanie Transformata Fouriera Konwolucja i filtrowanie w dziedzinie częstotliwości Wzmacnianie obrazu Wzmacnianie obrazu za pomocą pochodnych Morfologiczne przetwarzanie obrazu Wyodrębnianie cech obrazu i deskryptorów Segmentacja obrazu Klasyczne metody uczenia maszynowego Uczenie się w przetwarzaniu obrazu - klasyfikacja obrazu za pomocą CNN Wykrywanie obiektów, głęboka segmentacja i uczenie transferowe Dodatkowe problemy w przetwarzaniu obrazu
