0人評分過此書
AI視覺：最強入門邁向頂尖高手－王者歸來
https://youtu.be/dDWiAF1WQ8A AI視覺最強入門邁向頂尖高手王者歸來 【書籍內容】 ◎ 台灣作者第一本「AI視覺」專書！五大最強亮點 ✔1. AI 影像技術全解析，從入門到頂尖高手 ✔2. 影像不只是影像，讓 AI 賦予它智慧與靈魂 ✔3. 數學、演算法、函數與Python程式，三大學習核心，建立的AI影像專案 ✔4. AI 影像應用無極限，打造你的專屬智慧影像系統 ✔5. 最完整 AI 視覺學習資源，帶你進入與設計 AI 影像時代 ◎ AI視覺最強入門，從新手到頂尖高手！ 在 AI 影像技術的浪潮下，你是否曾想過，如何讓影像處理不只是單純的圖像變換，而是賦予它智慧，讓程式「看見」並理解世界？本書 《AI視覺最強入門邁向頂尖高手》 將帶你從零開始，一步步掌握 AI 視覺的核心技術，讓你的影像程式不再只是空洞的代碼，而是充滿靈魂與創意的智慧應用！ ◎ 這本書，適合誰？ ★ Python & AI 初學者：從影像基礎開始，循序漸進學習。 ★ 影像處理 & OpenCV 愛好者：探索影像創意與高級應用。 ★ 開發者 & 工程師：打造 AI 監控、人臉識別、物件追蹤專案。 ★ 學生 & 研究人員：數學 + 演算法 + OpenCV，全方位掌握 AI 視覺技術。 ◎ AI 影像技術，從基礎到進階 ★ 影像處理基礎：影像讀取、色彩空間（BGR、RGB、HSV）、影像儲存與計算。 ★ 影像創意與特效：數位浮水印、動態影像（GIF、MP4）、藝術畫作設計。 ★ 影像增強與變換：圖像去霧、濾波降噪、傅立葉變換、直方圖對比度增強。 ★ AI 影像識別應用：手寫數字辨識、人臉偵測、車牌識別、醫學影像分析。 ★ AI 監控與自動追蹤：動態車道偵測、AI 監控系統、模板匹配物件搜尋。 ◎ 為什麼選擇這本書？ ★ 獨家「三步驟」學習法： ★ 數學原理 → 演算法邏輯 → Python x OpenCV x MediaPipe 實作，讓你學得深入又靈活應用！ ★ 從基礎到高階 AI 視覺應用，完整解構影像處理技術！ ★ 結合 OpenCV x MediaPipe x Python，打造創新影像應用專案！ ◎ AI 影像技術，開啟無限可能！ 影像處理與 AI 的結合，正顛覆我們的世界。無論是攝影特效、醫學影像、智慧監控還是自動駕駛，AI 視覺技術都是未來不可或缺的核心技能。現在，就是你踏入這個領域的最佳時機！ ☆立即入手《AI視覺最強入門邁向頂尖高手》，解鎖影像處理的無限可能，讓你的程式擁有真正的智慧與創意！☆
-
第1章 影像的讀取、顯示與儲存
-
1-0 建議閱讀書籍
-
1-1 程式導入OpenCV模組
-
1-1-1 安裝主要模組
-
1-1-2 擴展模組安裝
-
1-1-3 導入模組
-
1-1-4 OpenCV版本
-
-
1-2 讀取影像檔案
-
1-2-1 影像讀取imread( )的語法
-
1-2-2 可讀取的影像格式
-
-
1-3 顯示影像與關閉影像視窗
-
1-3-1 使用OpenCV顯示影像
-
1-3-2 關閉OpenCV視窗
-
1-3-3 等待按鍵的事件
-
1-3-4 建立OpenCV影像視窗
-
-
1-4 儲存影像
-
-
第2章 認識影像表示方法
-
2-1 位元影像表示法
-
2-2 GRAY色彩空間
-
2-3 RGB色彩空間
-
2-3-1 由色彩得知RGB通道值
-
2-3-2 使用RGB通道值獲得色彩區塊
-
2-3-3 RGB彩色像素的表示法
-
-
2-4 BGR色彩空間
-
2-5 獲得影像的屬性
-
2-6 像素的BGR值
-
2-6-1 讀取特定灰階影像像素座標的BGR值
-
2-6-2 讀取特定彩色影像像素座標的BGR值
-
2-6-3 修改特定影像像素座標的BGR值
-
-
-
第3章 學習OpenCV需要的Numpy知識
-
3-1 陣列ndarray
-
3-2 Numpy的資料型態
-
3-3 建立一維或多維陣列
-
3-3-1 認識ndarray的屬性
-
3-3-2 使用array( )建立一維陣列
-
3-3-3 使用array( )函數建立多維陣列
-
3-3-4 使用zeros( )建立內容是0的多維陣列
-
3-3-5 使用ones( )建立內容是1的多維陣列
-
3-3-6 使用empty( )建立未初始化的多維陣列
-
3-3-7 使用random.randint( )建立隨機數內容的多維陣列
-
3-3-8 使用arange( )函數建立陣列數據
-
3-3-9 使用reshape( )函數更改陣列形式
-
-
3-4 一維陣列的運算與切片
-
3-4-1 一維陣列的四則運算
-
3-4-2 一維陣列的關係運算子運算
-
3-4-3 陣列切片
-
3-4-4 使用參數copy=True複製數據
-
3-4-5 使用copy( )函數複製陣列
-
-
3-5 多維陣列的索引與切片
-
3-5-1 認識axis的定義
-
3-5-2 多維陣列的索引
-
3-5-3 多維陣列的切片
-
-
3-6 陣列水平與垂直合併
-
3-6-1 陣列垂直合併vstack( )
-
3-6-2 陣列水平合併hstack( )
-
-
-
第4章 認識色彩空間到藝術創作
-
4-1 BGR與RGB色彩空間的轉換
-
4-2 BGR色彩空間轉換至GRAY色彩空間
-
4-2-1 使用cvtColor( )函數
-
4-2-2 OpenCV內部轉換公式
-
-
4-3 HSV色彩空間
-
4-3-1 認識HSV色彩空間
-
4-3-2 將影像由BGR色彩空間轉為HSV色彩空間
-
4-3-3 將RGB色彩轉換成HSV色彩公式
-
-
4-4 拆分色彩通道
-
4-4-1 拆分BGR影像的通道
-
4-4-2 拆分HSV影像的通道
-
-
4-5 合併色彩通道
-
4-5-1 合併B、G、R通道的影像
-
4-5-2 合併H、S、V通道的影像
-
-
4-6 拆分與合併色彩通道的應用
-
4-6-1 色調Hue調整
-
4-6-2 飽和度Saturation調整
-
4-6-3 明度Value調整
-
-
4-7 alpha通道
-
-
第5章 妙手空空建立影像
-
5-1 影像座標
-
5-2 建立與編輯灰階影像
-
5-2-1 建立灰階影像
-
5-2-2 編輯灰階影像
-
5-2-3 使用隨機數建立灰階影像
-
-
5-3 建立彩色影像
-
-
第6章 影像處理的基礎知識
-
6-1 灰階影像的編輯
-
6-1-1 自創灰階影像與編輯的基礎實例
-
6-1-2 讀取灰階影像與編輯的實例
-
-
6-2 彩色影像的編輯
-
6-2-1 了解彩色影像陣列的結構
-
6-2-2 自創彩色影像與編輯的實例
-
6-2-3 讀取彩色影像與編輯的實例
-
-
6-3 編輯含alpha通道的彩色影像
-
6-4 影像感興趣區域的編輯
-
6-4-1 擷取影像感興趣區塊
-
6-4-2 建立影像馬賽克效果
-
6-4-3 感興趣區塊在不同影像間移植
-
-
6-5 負片影像處理
-
6-5-1 負片的基本概念與應用
-
6-5-2 負片應用在灰階影像
-
6-5-3 負片應用在彩色影像
-
6-5-4 ROI負片處理
-
-
-
第7章 從靜態到動態的繪圖功能
-
7-1 建立畫布
-
7-2 繪製直線
-
7-3 畫布背景色彩的設計
-
7-3-1 單區塊的底部色彩
-
7-3-2 建立含底色圖案的畫布
-
7-3-3 漸層色背景設計
-
-
7-4 繪製矩形
-
7-5 繪製圓
-
7-5-1 繪製圓的基礎知識
-
7-5-2 隨機色彩的應用
-
-
7-6 繪製橢圓或橢圓弧度
-
7-7 繪製多邊形
-
7-8 輸出文字
-
7-8-1 預設英文字輸出
-
7-8-2 中文字輸出
-
-
7-9 反彈球的設計
-
7-10 滑鼠事件
-
7-10-1 OnMouseAction( )
-
7-10-2 setMouseCallback( )
-
7-10-3 建立隨機圓
-
7-10-4 滑鼠與鍵盤的混合應用
-
-
7-11 滾動條的設計
-
7-12 滾動條當作開關的應用
-
-
第8章 影像計算邁向影像創作
-
8-1 影像加法運算
-
8-1-1 使用add( )函數執行影像加法運算
-
8-1-2 使用數學加法+符號執行影像加法運算
-
8-1-3 加總B、G、R原色的實例
-
-
8-2 遮罩mask
-
8-2-1 遮罩的基本概念
-
8-2-2 遮罩的應用場景
-
-
8-3 重複曝光技術
-
8-3-1 影像的加權和觀念
-
8-3-2 OpenCV的影像加權和方法
-
-
8-4 影像的位元運算
-
8-4-1 邏輯的and運算
-
8-4-2 邏輯的or運算
-
8-4-3 邏輯的not運算
-
8-4-4 邏輯的xor運算
-
-
8-5 影像加密與解密
-
8-6 動態影像GIF設計
-
8-6-1 移動遮罩的設計與應用
-
8-6-2 保存為GIF動畫
-
-
8-7 設計MP4影片檔案
-
8-7-1 MP4檔案設計步驟
-
8-7-2 MP4影片實作
-
-
-
第9章 閾值處理邁向數位情報
-
9-1 threshold( )函數
-
9-1-1 基礎語法
-
9-1-2 二值化處理THRESH_BINARY與現代情報戰
-
9-1-3 反二值化處理THRESH_BINARY_INV
-
9-1-4 截斷閾值處理THRESH_TRUNC
-
9-1-5 低閾值用0處理THRESH_TOZERO
-
9-1-6 高閾值用0處理THRESH_TOZERO_INV
-
-
9-2 Otsu演算法
-
9-3 自適應閾值方法adaptiveThreshold( )函數
-
9-4 平面圖的分解
-
9-5 隱藏在影像內的數位浮水印
-
9-5-1 驗證最低有效位元對影像沒有太大的影響
-
9-5-2 建立數位浮水印
-
9-5-3 取得原始影像的row和column
-
9-5-4 建立像素值是254的提取矩陣
-
9-5-5 取得原始影像的高7位影像
-
9-5-6 建立浮水印影像
-
9-5-7 將浮水印影像嵌入原始影像
-
9-5-8 擷取浮水印影像
-
-
9-6 動態展示影像處理過程
-
-
第10章 影像的幾何變換
-
10-1 認識幾何變換
-
10-2 影像縮放效果
-
10-2-1 使用dsize參數執行影像縮放
-
10-2-2 使用fx和fy執行影像的縮放
-
-
10-3 影像翻轉
-
10-4 影像仿射
-
10-4-1 仿射的數學基礎
-
10-4-2 仿射的函數語法
-
10-4-3 影像平移
-
10-4-4 影像旋轉
-
10-4-5 影像傾斜
-
-
10-5 影像透視
-
10-6 重映射
-
10-6-1 解說map1和map2
-
10-6-2 影像複製
-
10-6-3 垂直翻轉
-
10-6-4 水平翻轉的實例
-
10-6-5 影像縮放
-
10-6-6 影像垂直壓縮
-
-
10-7 重映射創意應用–波浪效果
-
10-7-1 波浪效果
-
10-7-2 設計波浪動畫
-
-
-
第11章 影像降噪與平滑技術
-
11-1 影像平滑處理的基本概念
-
11-1-1 濾波核
-
11-1-2 影像噪音
-
11-1-3 刪除噪音
-
-
11-2 均值濾波器
-
11-2-1 理論基礎
-
11-2-2 像素位於邊界的考量
-
11-2-3 濾波核與卷積
-
11-2-4 均值濾波器函數
-
-
11-3 方框濾波器
-
11-3-1 理論基礎
-
11-3-2 方框濾波器函數
-
-
11-4 中值濾波器
-
11-4-1 理論基礎
-
11-4-2 中值濾波器函數
-
-
11-5 高斯濾波器
-
11-5-1 理論基礎
-
11-5-2 高斯濾波器函數
-
-
11-6 雙邊濾波器
-
11-6-1 理論基礎
-
11-6-2 雙邊濾波器函數
-
-
11-7 2D 濾波核
-
11-8 創意應用–圖像油畫效果模擬
-
-
第12章 數學形態學
-
12-1 腐蝕(Erosion)
-
12-1-1 理論基礎
-
12-1-2 腐蝕函數
-
-
12-2 膨脹(Dilation)
-
12-2-1 理論基礎
-
12-2-2 膨脹函數dilate( )
-
-
12-3 OpenCV應用在數學形態學的通用函數
-
12-4 開運算(Opening)
-
12-4-1 開運算於AI視覺場景的應用
-
12-4-2 開運算的程式應用
-
-
12-5 閉運算(Closing)
-
12-5-1 閉運算與開運算功能差異
-
12-5-2 閉運算在AI視覺中的應用場景
-
12-5-3 閉運算的程式應用
-
-
12-6 形態學梯度(Morphological gradient)
-
12-6-1 形態學梯度的作用與影響
-
12-6-2 形態學梯度在AI視覺中的場景應用
-
12-6-3 閉運算的程式應用
-
-
12-7 禮帽運算(tophat)
-
12-7-1 禮帽運算的特色與影響
-
12-7-2 禮帽運算在AI視覺中的場景應用
-
12-7-3 禮帽運算的程式應用
-
-
12-8 黑帽運算(blackhat)
-
12-8-1 黑帽運算的特色與影響
-
12-8-2 黑帽運算在AI視覺中的場景應用
-
12-8-3 黑帽運算的程式應用
-
-
12-9 核函數
-
-
第13章 影像梯度與邊緣偵測
-
13-1 影像梯度的基礎觀念
-
13-1-1 直覺方法認識影像邊界
-
13-1-2 認識影像梯度
-
13-1-3 機器視覺
-
-
13-2 OpenCV函數Sobel( )
-
13-2-1 Sobel運算子
-
13-2-2 使用Sobel運算子計算x軸方向影像梯度
-
13-2-3 使用Sobel運算子計算y軸方向影像梯度
-
13-2-4 Sobel( )函數
-
13-2-5 考量ddepth與取絕對值函數convertScaleAbs( )
-
13-2-6 x軸方向的影像梯度
-
13-2-7 y軸方向的影像梯度
-
13-2-8 x軸和y軸影像梯度的融合
-
-
13-3 OpenCV函數Scharr( )
-
13-3-1 Scharr算子
-
13-3-2 Scharr( )函數
-
-
13-4 OpenCV函數Laplacian( )
-
13-4-1 二階微分
-
13-4-2 Laplacian運算子
-
13-4-3 Laplacian( )函數
-
-
13-5 Canny邊緣檢測
-
13-5-1 認識Canny邊緣檢測
-
13-5-2 Canny演算法的步驟
-
13-5-3 Canny( )函數
-
-
13-6 灰階圖像在邊緣檢測中的優勢
-
-
第14章 影像金字塔
-
14-1 影像金字塔的原理
-
14-1-1 認識層次(level)名詞
-
14-1-2 基礎理論
-
14-1-3 濾波器與採樣
-
14-1-4 高斯濾波器與向下採樣
-
14-1-5 向上採樣
-
14-1-6 影像失真
-
-
14-2 OpenCV的pyrDown( )函數
-
14-3 OpenCV的pyrUp( )函數
-
14-4 採樣逆運算的實驗
-
14-4-1 影像相加與相減
-
14-4-2 反向運算的結果觀察
-
-
14-5 拉普拉斯金字塔(Laplacian Pyramid, LP)
-
14-6 影像金字塔的應用與老照片修復實作
-
14-6-1 影像金字塔的應用
-
14-6-2 修復老舊照片原理解釋
-
14-6-3 實作老照片修復
-
-
-
第15章 輪廓的檢測與匹配
-
15-1 影像內圖形的輪廓
-
15-1-1 找尋圖形輪廓findContours( )
-
15-1-2 繪製圖形的輪廓
-
-
15-2 繪製影像內圖形輪廓的系列實例
-
15-2-1 找尋與繪製影像內圖形輪廓的基本應用
-
15-2-2 認識findCountours( )函數的回傳值contours
-
15-2-3 輪廓索引contoursIdx
-
15-2-4 輪廓的外形與特徵提取
-
15-2-5 輪廓內有輪廓
-
15-2-6 繪製一般影像的圖形輪廓
-
15-2-7 輪廓動畫
-
-
15-3 輪廓層級Hierarchy
-
15-3-1 輪廓層級的基本觀念
-
15-3-2 檢測模式RETR_EXTERNAL
-
15-3-3 檢測模式RETR_LIST
-
15-3-4 檢測模式RETR_CCOMP
-
15-3-5 檢測模式RETR_TREE
-
15-3-6 輪廓層級的創意場景
-
-
15-4 輪廓的特徵–影像矩(Image moments)
-
15-4-1 矩特徵moments( )函數
-
15-4-2 基礎影像矩推導–輪廓質心
-
15-4-3 影像矩實例
-
15-4-4 計算輪廓面積
-
15-4-5 計算輪廓周長
-
-
15-5 輪廓外形的匹配–Hu矩
-
15-5-1 OpenCV計算Hu矩的函數
-
15-5-2 第0個Hu矩的公式驗證
-
15-5-3 輪廓匹配
-
-
15-6 再談輪廓外形匹配
-
15-6-1 建立形狀場景距離
-
15-6-2 Hausdorff距離
-
-
-
第16章 輪廓擬合與凸包的相關應用
-
16-1 輪廓的擬合
-
16-1-1 矩形包圍
-
16-1-2 最小包圍矩形
-
16-1-3 最小包圍圓形
-
16-1-4 最優擬合橢圓
-
16-1-5 最小包圍三角形
-
16-1-6 近似多邊形
-
16-1-7 最優擬合直線
-
-
16-2 凸包
-
16-2-1 獲得凸包
-
16-2-2 凸缺陷
-
-
16-3 輪廓的幾何測試
-
16-3-1 測試輪廓包圍線是否凸形
-
16-3-2 計算任意座標點與輪廓包圍線的最短距離
-
-
16-4 創意應用
-
-
第17章 輪廓的特徵
-
17-1 寬高比(Aspect Ratio)
-
17-2 輪廓的極點
-
17-2-1 認識輪廓點座標
-
17-2-2 Numpy模組的argmax( )和argmin( )函數
-
17-2-3 找出輪廓極點座標
-
-
17-3 Extent
-
17-4 Solidity
-
17-5 等效直徑(Equivalent Diameter)
-
17-6 遮罩和非0像素點的座標訊息
-
17-6-1 使用Numpy的陣列模擬獲得非0像素點座標訊息
-
17-6-2 獲得空心與實心非0像素點座標訊息
-
17-6-3 使用OpenCV函數獲得非0像素點座標訊息
-
-
17-7 找尋影像物件最小值與最大值與他們的座標
-
17-7-1 從陣列找最大值與最小值和他們的座標
-
17-7-2 影像實作與醫學應用說明
-
-
17-8 計算影像的像素的均值與標準差
-
17-8-1 計算影像的像素均值
-
17-8-2 影像的像素均值簡單實例
-
17-8-3 使用遮罩觀念計算像素均值
-
17-8-4 計算影像的像素標準差
-
-
17-9 方向
-
17-10 輪廓動態創意設計
-
17-10-1 圓形輪廓動畫
-
17-10-2 不規則外形的外框收縮
-
17-10-3 動畫標記像素點
-
-
-
第18章 自動駕駛車道檢測
-
18-1 霍夫變換的基礎原理解說
-
18-1-1 認識笛卡兒座標與霍夫座標
-
18-1-2 映射
-
18-1-3 認識極座標的基本定義
-
18-1-4 霍夫變換與極座標
-
-
18-2 HoughLines( )函數
-
18-3 HoughLinesP( )函數
-
18-4 霍夫圓環變換檢測
-
18-5 高速公路車道檢測
-
18-5-1 高速公路車道檢測
-
18-5-2 優化版的車道檢測–均值左右車道線
-
-
-
第19章 直方圖均衡化–增強影像對比度
-
19-1 認識直方圖
-
19-1-1 認識直方圖
-
19-1-2 正規化直方圖
-
-
19-2 繪製直方圖
-
19-2-1 使用matplotlib繪製直方圖
-
19-2-2 使用OpenCV取得直方圖數據
-
19-2-3 繪製彩色影像的直方圖
-
19-2-4 繪製遮罩的直方圖
-
-
19-3 直方圖均衡化
-
19-3-1 直方圖均衡化演算法
-
19-3-2 直方圖均衡化equalizeHist( )
-
19-3-3 直方圖均衡化應用在彩色影像
-
-
19-4 限制自適應直方圖均衡化方法
-
19-4-1 直方圖均衡化的優缺點
-
19-4-2 直方圖均衡化的缺點實例
-
19-4-3 自適應直方圖函數createCLAHE( )和apply( )函數
-
-
19-5 區域化直方圖增強技術
-
-
第20章 模板匹配Template Matching
-
20-1 模板匹配的基礎觀念
-
20-2 模板匹配函數matchTemplate( )
-
20-2-1 認識匹配函數matchTemplate( )
-
20-2-2 模板匹配結果
-
20-2-3 TM_SQDIFF_NORMED模板匹配結果
-
-
20-3 單模板匹配
-
20-3-1 回顧minMaxLoc( )函數
-
20-3-2 單模板匹配的實例
-
20-3-3 找出比較接近的影像
-
20-3-4 多目標匹配的實例
-
20-3-5 在地圖搜尋山脈
-
20-3-6 計算距離最近的機場
-
-
20-4 多模板匹配
-
-
第21章 傅立葉(Fourier)變換
-
21-1 數據座標軸轉換的基礎知識
-
21-2 傅立葉基礎理論
-
21-2-1 認識傅立葉(Fourier)
-
21-2-2 認識弦波
-
21-2-3 正弦函數的時域圖與頻率域圖
-
21-2-4 傅立葉變換理論基礎
-
-
21-3 使用Numpy執行傅立葉變換
-
21-3-1 實作傅立葉變換
-
21-3-2 逆傅立葉變換
-
-
21-4 訊號與濾波器
-
21-4-1 高頻訊號與低頻訊號
-
21-4-2 高通濾波器與低通濾波器
-
-
21-5 使用OpenCV完成傅立葉變換
-
21-5-1 使用dft( )函數執行傅立葉變換
-
21-5-2 使用OpenCV執行逆傅立葉運算
-
21-5-3 低通濾波器
-
-
21-6 低通濾波器的藝術創作
-
-
第22章 影像分割使用分水嶺演算法
-
22-1 影像分割基礎
-
22-2 分水嶺演算法與OpenCV官方推薦網頁
-
22-2-1 認識分水嶺演算法
-
22-2-2 OpenCV官方推薦網頁
-
-
22-3 分水嶺演算法步驟1–認識distanceTransform( )
-
22-4 分水嶺演算法步驟2–找出未知區域
-
22-5 分水嶺演算法步驟3–建立標記
-
22-6 完成分水嶺演算法
-
22-7 分水嶺演算法專案–複雜圖像分割
-
-
第23章 影像擷取
-
23-1 認識影像擷取的原理
-
23-2 OpenCV的grabCut( )函數
-
23-3 grabCut( )基礎實作
-
23-4 自定義遮罩實例
-
23-5 影像擷取創意應用
-
23-5-1 更換影像背景
-
23-5-2 模糊背景凸顯主題
-
-
-
第24章 影像修復–搶救蒙娜麗莎的微笑
-
24-1 影像修復的演算法
-
24-1-1 Navier-Stroke演算法
-
24-1-2 Alexander演算法
-
24-1-3 Navier-Strokes與Alexander演算法的比較
-
-
24-2 影像修復的函數inpaint( )
-
24-3 修復蒙娜麗莎的微笑
-
24-4 局部修復圖像
-
-
第25章 辨識手寫數字
-
25-1 認識KNN演算法
-
25-1-1 數據分類的基礎觀念
-
25-1-2 手寫數字的特徵
-
25-1-3 不同數字特徵值的比較
-
25-1-4 手寫數字分類原理
-
25-1-5 簡化特徵比較
-
-
25-2 認識Numpy與KNN演算法相關的知識
-
25-2-1 Numpy的ravel( )函數
-
25-2-2 Numpy的flatten( )函數
-
25-2-3 數據分類
-
25-2-4 建立與分類30筆訓練數據
-
-
25-3 OpenCV的KNN演算法函數
-
25-3-1 基礎實作
-
25-3-2 更常見的分類
-
-
25-4 有關手寫數字識別的Numpy基礎知識
-
25-4-1 vsplit( )垂直方向分割數據
-
25-4-2 hsplit( )水平方向分割數據
-
25-4-3 元素重複repeat( )
-
-
25-5 識別手寫數字
-
25-5-1 實際設計識別手寫數字
-
25-5-2 儲存訓練和分類數據
-
25-5-3 下載訓練和分類數據
-
-
-
第26章 OpenCV的攝影功能
-
26-1 啟用攝影機功能VideoCapture類別
-
26-1-1 初始化VideoCapture
-
26-1-2 檢測攝影功能是否開啟成功
-
26-1-3 讀取攝影鏡頭的影像
-
26-1-4 關閉攝影功能
-
26-1-5 讀取影像的基礎實例
-
26-1-6 影像翻轉
-
26-1-7 保存某一時刻的幀
-
-
26-2 使用VideoWriter類別執行錄影
-
26-3 播放影片
-
26-3-1 播放所錄製的影片
-
26-3-2 播放iPhone所錄製的影片
-
26-3-3 灰階播放影片
-
26-3-4 暫停與繼續播放
-
26-3-5 更改顯示視窗大小
-
-
26-4 認識攝影功能的屬性
-
26-4-1 獲得攝影功能的屬性
-
26-4-2 設定攝影功能的屬性
-
26-4-3 顯示影片播放進度
-
26-4-4 裁剪影片
-
-
26-5 車道辨識影片專題
-
26-5-1 取得車道辨識影片
-
26-5-2 車道辨識影片程式實作
-
-
-
第27章 認識物件偵測原理與資源檔案
-
27-1 物件偵測原理
-
27-1-1 階層分類器原理
-
27-1-2 Haar特徵緣由
-
27-1-3 哈爾特徵原理
-
-
27-2 找尋OpenCV的資源檔案來源
-
27-3 認識資源檔案
-
27-4 人臉的偵測
-
27-4-1 臉形階層式分類器資源檔
-
27-4-2 基礎臉形偵測程式
-
27-4-3 史上最牛的物理科學家合照
-
-
27-5 偵測側面的人臉
-
27-5-1 基礎觀念
-
27-5-2 側面臉形偵測
-
-
27-6 路人偵測
-
27-6-1 路人偵測
-
27-6-2 下半身的偵測
-
27-6-3 上半身的偵測
-
-
27-7 眼睛的偵測
-
27-7-1 眼睛分類器資源檔
-
27-7-2 偵測雙眼實例
-
27-7-3 偵測左眼與右眼的實例
-
-
27-8 偵測貓臉
-
27-9 俄羅斯車牌辨識
-
27-10 AI監控系統設計專題
-
27-10-1 圖像人臉標記
-
27-10-2 影片人臉標記
-
27-10-3 影片人臉標記用MP4紀錄過程
-
27-10-4 AI監控系統設計
-
-
-
第28章 攝影機與人臉檔案
-
28-1 擷取相同大小的人臉存檔
-
28-2 使用攝影機擷取人臉影像
-
28-3 自動化攝影和擷取人像
-
28-4 半自動拍攝多張人臉的實例
-
28-5 全自動拍攝人臉影像
-
-
第29章 人臉辨識
-
29-1 LBPH人臉辨識
-
29-1-1 LBP（Local Binary Patterns）基本概念
-
29-1-2 LBPH（Local Binary Patterns Histograms）步驟
-
29-1-3 LBPH用於人臉辨識的優點
-
29-1-4 LBPH可能的侷限性
-
29-1-5 LBPH函數解說
-
29-1-6 簡單的人臉辨識程式實作
-
29-1-7 繪製LBPH直方圖
-
29-1-8 人臉識別實務–儲存與開啟訓練數據
-
29-1-9 結論
-
-
29-2 Eigenfaces人臉辨識
-
29-2-1 Eigenfaces原理思維
-
29-2-2 「Eigenfaces」如何表示臉部
-
29-2-3 優點與侷限
-
29-2-4 Eigenfaces函數解說
-
29-2-5 簡單的人臉辨識程式實作
-
29-2-6 結論
-
-
29-3 Fisherfaces人臉辨識
-
29-3-1 緣由與目標
-
29-3-2 主要步驟
-
29-3-3 Fisherface與Eigenfaces的比較
-
29-3-4 Fisherfaces函數解說
-
29-3-5 簡單的人臉辨識程式實作
-
29-3-6 總結
-
-
29-4 專題實作–建立員工人臉識別登入系統
-
29-4-1 建立與訓練人臉資料庫–ch29_6.py
-
29-4-2 員工人臉識別–ch29_7.py
-
-
29-5 專題實作–AI監控與人臉辨識
-
-
第30章 建立哈爾特徵分類器–車牌辨識
-
30-1 準備正樣本與負樣本影像資料
-
30-1-1 準備正樣本影像–含汽車車牌影像
-
30-1-2 準備負樣本影像–不含汽車車牌影像
-
-
30-2 處理正樣本影像
-
30-2-1 將正樣本影像處理成固定寬度與高度
-
30-2-2 將正樣本影像轉成bmp檔案
-
-
30-3 處理負樣本影像
-
30-4 建立辨識車牌的哈爾(Haar)特徵分類器
-
30-4-1 下載建立哈爾特徵分類器工具
-
30-4-2 儲存正樣本影像
-
30-4-3 儲存負樣本影像
-
30-4-4 為正樣本加上標記
-
30-4-5 設計程式顯示標記
-
-
30-5 訓練辨識車牌的哈爾特徵分類器
-
30-5-1 建立向量檔案
-
30-5-2 訓練哈爾分類器
-
30-5-3 建立哈爾特徵分類器資源檔
-
-
30-6 車牌偵測
-
30-7 心得報告
-
-
第31章 車牌辨識
-
31-1 擷取所讀取的車牌影像
-
31-2 使用Tesseract OCR執行車牌辨識
-
31-3 偵測車牌與辨識車牌
-
31-4 二值化處理車牌
-
31-5 形態學的開運算處理車牌
-
31-6 車牌辨識心得
-
-
第32章 MediaPipe手勢偵測與應用解析
-
32-1 MediaPipe是什麼
-
32-1-1 Google的影像處理解決方案
-
32-1-2 為什麼要用MediaPipe
-
-
32-2 初探MediaPipe Hands模組
-
32-2-1 MediaPipe Hands功能概覽
-
32-2-2 21個關鍵點的座標定義與排列
-
32-2-3 如何判斷手勢
-
32-2-4 偵測手勢的原理
-
-
32-3 剪刀、石頭、布的程式設計思路
-
32-3-1 手指伸直判斷
-
32-3-2 程式流程規劃
-
32-3-3 與OpenCV的整合繪製
-
-
32-4 偵測手語繪製關節
-
32-4-1 初始化MediaPipe Hands物件
-
32-4-2 建立Hands物件
-
32-4-3 hands.process( )函數用法
-
32-4-4 mp_drawing.draw_landmarks( )函數用法
-
-
32-5 專題實作–剪刀、石頭與布
-
- 附錄A OpenCV函數、名詞與具名常數索引表
- 出版地 ： 臺灣
- 語言 ： 繁體中文
評分與評論
請登入後再留言與評分
PDF
PDF
PDF
