مسترکلاس پردازش تصویر با پایتون ۲۰۲۱
Image Processing Masterclass with Python 2021

بیش از ۵۰ مسئله حل‌شده با الگوریتم‌های کلاسیک + مدل‌های ML/DL

ویژگی‌های کلیدی

* رویکرد مسئله‌محور برای تمرین پردازش تصویر.
* کاربرد عملی کتابخانه‌های محبوب پایتون: Numpy، Scipy، scikit-image، PIL و SimpleITK.
* نمایش گام‌به‌گام چالش‌های رایج پردازش تصویر چهره با استفاده از MTCNN و APIهای شناختی بینایی مایکروسافت.

توضیحات

این کتاب با مسائل اساسی پردازش و دستکاری تصویر آغاز می‌شود و نشان می‌دهد که چگونه آن‌ها را با کتابخانه‌ها و ماژول‌های محبوب پایتون حل کنید. سپس بر روی مسائل مبتنی بر تبدیلات هندسی تصویر و مسائلی که باید با هش کردن تصویر حل شوند، تمرکز می‌کند.

در ادامه، کتاب بر حل مسائل مبتنی بر نمونه‌برداری، کانولوشن، تبدیل فوریه گسسته، فیلتر کردن دامنه فرکانس و بازیابی تصویر با دی‌کانولوشن تمرکز دارد. هدف آن حل مسائل بهبود تصویر با استفاده از الگوریتم‌های مختلف مانند فیلترهای فضایی و ایجاد یک تصویر با وضوح فوق‌العاده با استفاده از SRGAN است.

در نهایت، مسائل محبوب پردازش تصویر چهره را بررسی می‌کند و آن‌ها را با مدل‌های یادگیری ماشین و یادگیری عمیق با استفاده از کتابخانه‌های ML/DL محبوب پایتون حل می‌کند.

آنچه خواهید آموخت

* تسلط قوی بر مبانی پردازش تصویر و دستکاری تصویر ایجاد کنید.
* مسائل رایج پردازش تصویر را با استفاده از مدل‌های یادگیری ماشین و یادگیری عمیق حل کنید.
* دانش کاری در مورد کتابخانه‌های پایتون از جمله numpy، scipy و scikit-image کسب کنید.
* از بسته‌های محبوب یادگیری ماشین پایتون مانند scikit-learn، Keras و pytorch استفاده کنید.
* پیاده‌سازی زنده تکنیک‌های پردازش تصویر چهره مانند تشخیص/شناسایی/تجزیه چهره با dlib و MTCNN را انجام دهید.

این کتاب برای چه کسانی مناسب است

این کتاب به‌طور ویژه برای کاربران بینایی کامپیوتر، مهندسان یادگیری ماشین و متخصصان پردازش تصویر که به دنبال حل چالش‌های مدرن پردازش تصویر/بینایی کامپیوتر هستند، طراحی شده است.

فهرست مطالب

1. فصل 1: پردازش تصویر و ویدئو پایه
2. فصل 2: تبدیلات و دستکاری‌های بیشتر تصویر
3. فصل 3: نمونه‌برداری، کانولوشن و تبدیل فوریه گسسته
4. فصل 4: تبدیل کسینوسی/موجک گسسته و دی‌کانولوشن
5. فصل 5: بهبود تصویر
6. فصل 6: بهبود بیشتر تصویر
7. فصل 7: پردازش تصویر چهره

Over 50 problems solved with classical algorithms + ML / DL models

KEY FEATURESÊ

_ Problem-driven approach to practice image processing.Ê

_ Practical usage of popular Python libraries: Numpy, Scipy, scikit-image, PIL and SimpleITK.

_ End-to-end demonstration of popular facial image processing challenges using MTCNN and MicrosoftÕs Cognitive Vision APIs.

Ê

DESCRIPTIONÊ

This book starts with basic Image Processing and manipulation problems and demonstrates how to solve them with popular Python libraries and modules. It then concentrates on problems based on Geometric image transformations and problems to be solved with Image hashing.Ê

Next, the book focuses on solving problems based on Sampling, Convolution, Discrete Fourier transform, Frequency domain filtering and image restoration with deconvolution. It also aims at solving Image enhancement problems using differentÊ algorithms such as spatial filters and create a super resolution image using SRGAN.

Finally, it explores popular facial image processing problems and solves them with Machine learning and Deep learning models using popular python ML / DL libraries.

WHAT YOU WILL LEARNÊÊ

_ Develop strong grip on the fundamentals of Image Processing and Image Manipulation.

_ Solve popular Image Processing problems using Machine Learning and Deep Learning models.

_ Working knowledge on Python libraries including numpy, scipyÊ and scikit-image.

_ Use popular Python Machine Learning packages such as scikit-learn, Keras and pytorch.

_ Live implementation of Facial Image Processing techniques such as Face Detection / Recognition / Parsing dlib and MTCNN.

WHO THIS BOOK IS FORÊÊÊ

This book is designed specially for computer vision users, machine learning engineers, image processing experts who are looking for solving modern image processing/computer vision challenges.

TABLE OF CONTENTS

1. Chapter 1: Basic Image & Video Processing

2. Chapter 2: More Image Transformation and Manipulation

3. Chapter 3: Sampling, Convolution and Discrete Fourier Transform

4. Chapter 4: Discrete Cosine / Wavelet Transform and Deconvolution

5. Chapter 5: Image Enhancement

6. Chapter 6: More Image Enhancement

7. Chapter 7: Facel Image Processing