OpenCV 3. Komputerowe rozpoznawanie obrazu w C++ przy użyciu biblioteki OpenCV Adrian Kaehler, Gary Bradski

Niedostępna
Promocja
+74 pkt

OpenCV 3. Komputerowe rozpoznawanie obrazu w C++ przy użyciu biblioteki OpenCV Adrian Kaehler, Gary Bradski - okladka książki

Zajrzyj do książki

Autorzy:: Adrian Kaehler, Gary Bradski
Wydawnictwo:: Helion
Wydawnictwo:: Helion
Ocena:: 3.7/6 Opinie: 3
Stron:: 872
Druk:: oprawa twarda
Dostępne formaty::      PDF

     ePub

     Mobi

Czytaj fragment

Książka

niedostępna0,01 zł

Powiadom mnie, gdy książka będzie dostępna

Ebook 39,90 zł najniższa cena z 30 dni

~~149,00 zł~~ (-50%)
74,50 zł

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

39,90 zł najniższa cena z 30 dni

Przenieś na półkę

Do przechowalni

Powiadom o dostępności audiobooka »

Komputerowe rozpoznawanie obrazów przechodzi dziś fazę burzliwego rozwoju. Przyczyniają się do tego ogromna popularność cyfrowych aparatów fotograficznych, wielka liczba grafik zgromadzonych w obszernych internetowych bazach danych, a przede wszystkim coraz doskonalsze algorytmy przetwarzania obrazu. W rozwijaniu tej technologii wielką rolę odegrała biblioteka OpenCV, usprawniając pracę setek tysięcy ludzi. OpenCV 3.x ułatwia efektywne rozwijanie projektów dzięki opartej na języku C++ spójnej architekturze, która doskonale działa na wielu platformach.

Ta książka, przeznaczona dla osób znających język C++, jest praktycznym wprowadzeniem do otwartej biblioteki OpenCV w wersji 3.x. Zawiera też podstawowe informacje na temat komputerowego rozpoznawania obrazu, co powinno ułatwić efektywne posługiwanie się tą biblioteką. Sama biblioteka OpenCV została przedstawiona w sposób umożliwiający bardzo szybkie rozpoczęcie pracy. Książka ułatwia naturalne zrozumienie działania algorytmów, dzięki czemu projektowanie i debugowanie aplikacji nie powinno sprawiać problemów. W ten sposób książka ta staje się świetnym przygotowaniem do zgłębienia bardziej zaawansowanych zagadnień komputerowego rozpoznawania obrazu i uczenia maszynowego.

Najważniejsze zagadnienia:

Przegląd biblioteki OpenCV i zawarte w niej funkcje
Praca z plikami obrazów, filmów i danych oraz przekształcanie obrazów
Ważniejsze algorytmy do pracy na obrazach
Punkty kluczowe: wykrywanie i filtrowanie
Trójwymiarowe widzenie, ruch, określanie pozycji
Uczenie maszyn w OpenCV

OpenCV: poznaj i stosuj algorytmy przetwarzania obrazów!

Adrian Kaehler jest naukowcem i założycielem start-upów. Zajmuje się uczeniem maszynowym, modelowaniem statystycznym i komputerowym rozpoznawaniem obrazu. Pracuje w Intel Corporation i w Laboratorium Sztucznej Inteligencji Uniwersytetu Stanforda. Współzakładał Silicon Valley Deep Learning Group.

Gary Rost Bradski jest naukowcem i konsultantem. Zajmuje się robotyką, uczeniem maszynowym i komputerowym rozpoznawaniem obrazów. Pracuje w Laboratorium Sztucznej Inteligencji Uniwersytetu Stanforda. Współtworzył takie biblioteki jak Open Source Computer Vision Library, Machine Learning Library i Probabilistic Network Library (PNL).

Pokaż opis z okładki oryginału »

Dziedzina komputerowego rozpoznawania obrazu przechodzi okres burzliwego rozwoju. Skorzystaj z niniejszego praktycznego podręcznika, aby poznać podstawy tych technologii. Adrian Kaehler i Gary Bradski, twórca biblioteki OpenCV, przedstawiają szczegółowe wprowadzenie dla programistów, pracowników naukowych, specjalistów od budowy robotów oraz hobbystów. Aplikacje, które napiszesz dzięki wiedzy zdobytej w tej książce pozwolą Twojemu komputerowi „widzieć” i podejmować decyzje na podstawie tych danych.

Ponad 500 funkcji biblioteki OpenCV obejmujących przeróżne aspekty komputerowego rozpoznawania obrazu znajduje zastosowanie w komercyjnych aplikacjach bezpieczeństwa, obrazowania medycznego, rozpoznawania wzorców i twarzy, robotycznych oraz inspekcji procesów produkcyjnych w fabrykach. Studiując tę książkę, zdobędziesz solidne podstawy w dziedzinie komputerowego rozpoznawania obrazu, dzięki którym przy użyciu biblioteki OpenCV stworzysz zarówno proste jak i zaawansowane aplikacje. Zawarte w każdym rozdziale praktyczne ćwiczenia pozwolą Ci zastosować zdobytą wiedzę w prawdziwych programach.

Książka zawiera kompletny opis biblioteki w nowoczesnej implementacji w języku C++, w tym narzędzi dotyczących uczenia się maszyn na potrzeby komputerowego rozpoznawania obrazu.

Poznaj typy danych biblioteki OpenCV, typy tablicowe oraz operacje na tablicach
Naucz się rejestrować i zapisywać nieruchome oraz ruchome obrazy za pomocą interfejsu HighGUI
Dowiedz się, jak rozciągać, ściskać, zniekształcać, odwzorowywać i naprawiać obrazy graficzne
Poznaj techniki rozpoznawania wzorców, w tym metody wykrywania twarzy
Dowiedz się, jak śledzić obiekty i ruch w polu wizualnym
Naucz się odtwarzać obrazy 3D z obrazów stereoskopowych
Odkryj podstawowe i zaawansowane techniki uczenia się maszyn w OpenCV

Dr Adrian Kaehler jest przedsiębiorcą i założycielem Silicon Valley Deep Learning Group. Zajmuje się m.in. uczeniem maszynowym, modelowaniem statystycznym, komputerowych rozpoznawaniem obrazu oraz robotyką. Pracował w Laboratorium Sztucznej Inteligencji Uniwersytetu Stanforda oraz był członkiem zwycięskiego zespołu Stanley w turnieju DARPA Grand Challenge.

Dr Gary Bradski jest dyrektorem działu technicznego w Arraiy.ai, pracował przy kilku startupach oraz był profesorem konsultantem na Wydziale Informatyki w Laboratorium Sztucznej Inteligencji Uniwersytetu Stanforda. To on stworzył bibliotekę OpenCV i jest powszechnie szanowanym uczestnikiem różnych konferencji oraz aktywnym członkiem społeczności open source.

Wybrane bestsellery

Zobacz pozostałe książki z serii

Ebooka "OpenCV 3. Komputerowe rozpoznawanie obrazu w C++ przy użyciu biblioteki OpenCV" przeczytasz na:

czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
systemach Windows, MacOS i innych

systemach Windows, Android, iOS, HarmonyOS
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi

Masz pytania? Zajrzyj do zakładki Pomoc »

Oceny i opinie klientów: OpenCV 3. Komputerowe rozpoznawanie obrazu w C++ przy użyciu biblioteki OpenCV Adrian Kaehler, Gary Bradski

(3)

6
(1)
5
(0)
4
(0)
3
(1)
2
(1)
1
(0)

3.7

Opinia: anonimowa Opinia dodana: 2017-12-27 Ocena: 6

Opinia niepotwierdzona zakupem

Opinia dotyczy produktu: ksiązka drukowana

Czy opinia była pomocna:

TAK (0) NIE (0)

Przydatna wiedza przekazana w przystępny sposób. Polecam!
Opinia: anonimowa Opinia dodana: 2017-12-24 Ocena: 3

Opinia potwierdzona zakupem

Opinia dotyczy produktu: ksiązka drukowana

Czy opinia była pomocna:

TAK (0) NIE (0)

Odradzam, bardzo duża ilość błędów. Literówki, błędy w kodach programów, uniemożliwiające kompilację. Jak na taką cenę mocno się zawiodłem.
Opinia: anonimowa Opinia dodana: 2017-12-22 Ocena: 2

Opinia niepotwierdzona zakupem

Opinia dotyczy produktu: ksiązka drukowana

Czy opinia była pomocna:

TAK (0) NIE (0)

Autorzy książki niewątpliwie mają sporą wiedzę w zakresie swojej dziedziny, jednak w kwestii jej przekazania nie jest już tak kolorowo. 1) W książce znajdują się przykłady, które nie dają się skompilować. 2) Brak realnej decyzji, do kogo skierowana jest ta książka. W jednej części książki autorzy pouczają czytelników o tym, jak odwoływać się do elementów tablicy 2-wymiarowej, po czym beztrosko ignorują wyjaśnienie aspektów związanych z kanałami plików, ich budową, doborem odp. struktur danych itp., czyli rzeczy ściśle związanych z podstawową klasą Mat. Itd...

Rozwiń »

więcej opinii

Szczegóły książki

Dane producenta: »
Tytuł oryginału:: Learning OpenCV 3: Computer Vision in C++ with the OpenCV Library
Tłumaczenie:: Łukasz Piwko
ISBN Książki drukowanej:: 978-83-283-1656-0, 9788328316560
Data wydania książki drukowanej :: 2017-11-17
ISBN Ebooka:: 978-83-283-1659-1, 9788328316591
Data wydania ebooka :: 2017-11-17 Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@ebookpoint.pl.
Format:: 164x239
Numer z katalogu:: 64844
Rozmiar pliku Pdf:: 21.2MB
Rozmiar pliku ePub:: 27.6MB
Rozmiar pliku Mobi:: 56.1MB
Pobierz przykładowy rozdział PDF »
Przykłady na ftp » 21.2MB

Zgłoś erratę

Kategorie

Kliknij, aby zgłosić błędnie przypisaną kategorię »

Informatyka » Programowanie » C++

Spis treści książki

Wstęp (15)

Przeznaczenie książki (15)
- Adresaci książki (16)
- Czym nie jest ta książka (17)
O przykładowych programach (17)
Warunki (17)
Jak najlepiej korzystać z tej książki (18)
Konwencje typograficzne (19)
Podziękowania (20)
- Podziękowania za pomoc przy tworzeniu biblioteki OpenCV (20)
- Podziękowania za pomoc przy pisaniu książki (21)
- Kilka słów od Adriana (21)
- Kilka słów od Gary'ego (22)

1. Wprowadzenie (25)

Czym jest OpenCV? (25)
Kto używa biblioteki OpenCV? (26)
Czym jest komputerowe rozpoznawanie obrazu? (27)
Pochodzenie biblioteki OpenCV (30)
- Schemat blokowy OpenCV (31)
- Przyspieszanie działania biblioteki OpenCV za pomocą IPP (32)
- Do kogo należy OpenCV? (33)
Pobieranie i instalowanie OpenCV (33)
- Instalacja (34)
Pobieranie najnowszej wersji OpenCV przez Git (36)
Kompletna dokumentacja OpenCV (37)
- Dokumentacja dołączona do biblioteki (37)
- Dokumentacja internetowa i strona wiki (37)
Repozytorium kodu od społeczności (39)
- Pobieranie i kompilowanie modułów z repozytorium opencv_contrib (40)
Przenośność (40)
Podsumowanie (41)
Ćwiczenia (42)

2. Wprowadzenie do OpenCV (43)

Pliki dołączane (43)
- Zasoby (44)
Pierwszy program - wyświetlanie obrazu (44)
Drugi program - wideo (47)
Przegląd (48)
Prosta transformacja (52)
Trochę bardziej skomplikowana transformacja (53)
Dane z kamery (55)
Zapisywanie w pliku AVI (56)
Podsumowanie (57)
Ćwiczenia (58)

3. Typy danych OpenCV (59)

Wiadomości podstawowe (59)
Typy danych OpenCV (59)
- Przegląd podstawowych typów danych (60)
- Typy podstawowe - szczegóły (61)
- Obiekty pomocnicze (68)
- Funkcje pomocnicze (75)
- Struktury szablonowe (81)
Podsumowanie (82)
Ćwiczenia (83)

4. Obrazy i duże typy tablicowe (85)

Pamięć dynamiczna i zmienna (85)
- Klasa cv::Mat - n-wymiarowe tablice gęste (85)
- Tworzenie tablicy (86)
- Indywidualny dostęp do elementów tablicy (90)
- N-arny iterator tablicowy - NAryMatIterator (93)
- Dostęp do elementów tablicy według bloków (95)
- Wyrażenia macierzowe - algebra i klasa cv::Mat (97)
- Rzutowanie nasyceniowe (98)
- Co jeszcze potrafią tablice? (99)
- Klasa cv::SparseMat - tablice rzadkie (100)
- Dostęp do elementów tablicy rzadkiej (101)
- Funkcje dostępne tylko dla tablic rzadkich (103)
- Struktury szablonowe dla dużych typów tablicowych (104)
Podsumowanie (106)
Ćwiczenia (106)

5. Operacje na tablicach (109)

Co jeszcze można zrobić z tablicami? (109)
- cv::abs() (112)
- cv::absdiff() (113)
- cv::add() (113)
- cv::addWeighted() (113)
- cv::bitwise_and() (115)
- cv::bitwise_not() (115)
- cv::bitwise_or() (116)
- cv::bitwise_xor() (116)
- cv::calcCovarMatrix() (116)
- cv::cartToPolar() (118)
- cv::checkRange() (119)
- cv::compare() (119)
- cv::completeSymm() (120)
- cv::convertScaleAbs() (120)
- cv::countNonZero() (121)
- cv::cvarrToMat() (121)
- cv::dct() (122)
- cv::dft() (122)
- cv::cvtColor() (123)
- cv::determinant() (126)
- cv::divide() (127)
- cv::eigen() (127)
- cv::exp() (128)
- cv::extractImageCOI() (128)
- cv::flip() (128)
- cv::gemm() (128)
- cv::getConvertElem() i cv::getConvertScaleElem() (129)
- cv::idct() (130)
- cv::idft() (130)
- cv::inRange() (130)
- cv::insertImageCOI() (131)
- cv::invert() (131)
- cv::log() (132)
- cv::LUT() (132)
- cv::Mahalanobis() (133)
- cv::max() (133)
- cv::mean() (135)
- cv::meanStdDev() (135)
- cv::merge() (136)
- cv::min() (136)
- cv::minMaxIdx() (137)
- cv::minMaxLoc() (137)
- cv::mixChannels() (138)
- cv::mulSpectrums() (140)
- cv::multiply() (140)
- cv::mulTransposed() (140)
- cv::norm() (141)
- cv::normalize() (142)
- cv::perspectiveTransform() (143)
- cv::phase() (144)
- cv::polarToCart() (145)
- cv::pow() (145)
- cv::randu() (145)
- cv::randn() (146)
- cv::randShuffle() (146)
- cv::reduce() (147)
- cv::repeat() (148)
- cv::scaleAdd() (148)
- cv::setIdentity() (148)
- cv::solve() (149)
- cv::solveCubic() (150)
- cv::solvePoly() (150)
- cv::sort() (151)
- cv::sortIdx() (151)
- cv::split() (151)
- cv::sqrt() (152)
- cv::subtract() (153)
- cv::sum() (153)
- cv::trace() (153)
- cv::transform() (154)
- cv::transpose() (154)
Podsumowanie (154)
Ćwiczenia (155)

6. Rysowanie i pisanie (157)

Rysowanie (157)
- Linie i wypełnione wielokąty (157)
- Czcionki i tekst (163)
Podsumowanie (165)
Ćwiczenia (166)

7. Funktory w OpenCV (167)

Obiekty, które "coś" robią (167)
- Analiza składowych głównych - cv::PCA (167)
- Rozkład według wartości osobliwych - cv::SVD (170)
- Generator liczb losowych - cv::RNG (173)
Podsumowanie (175)
Ćwiczenia (176)

8. Pliki obrazów, filmów i danych (179)

HighGUI - przenośny zestaw narzędzi GUI (179)
Praca z plikami obrazów (180)
- Ładowanie i zapisywanie obrazów (181)
- Uwaga na temat kodeków (183)
- Kompresja i dekompresja (183)
Praca z plikami wideo (184)
- Odczytywanie wideo za pomocą obiektu cv::VideoCapture (184)
- Zapisywanie wideo za pomocą obiektu cv::VideoWriter (190)
Zapisywanie danych (191)
- Zapisywanie danych w obiekcie cv::FileStorage (191)
- Odczytywanie danych z obiektu cv::FileStorage (193)
- cv::FileNode (194)
Podsumowanie (197)
Ćwiczenia (197)

9. Okna wieloplatformowe i macierzyste (201)

Praca z oknami (201)
- Macierzysty graficzny interfejs użytkownika HighGUI (201)
- Praca z biblioteką Qt (212)
- Integracja OpenCV z kompletnymi bibliotekami GUI (221)
Podsumowanie (233)
Ćwiczenia (234)

10. Filtry i sploty (235)

Informacje ogólne (235)
Zanim zaczniesz (235)
- Filtry, jądra i splot (235)
- Ekstrapolacja krawędzi i warunki brzegowe (236)
Operacje graniczne (240)
- Algorytm Otsu (242)
- Zmienna wartość graniczna (243)
Wygładzanie (245)
- Proste rozmazanie i filtr prostokątny (246)
- Filtr medianowy (247)
- Filtr Gaussa (248)
- Filtr bilateralny (250)
Pochodne i gradienty (251)
- Pochodna Sobela (251)
- Filtr Scharra (253)
- Laplasjan (254)
Morfologia obrazu (255)
- Dylatacja i erozja (257)
- Ogólna funkcja morfologiczna (260)
- Otwieranie i zamykanie (260)
- Gradient morfologiczny (263)
- Top Hat i Black Hat (265)
- Tworzenie własnego jądra (267)
Splot z dowolnym filtrem liniowym (268)
- Stosowanie ogólnego filtra przez funkcję cv::filter2D() (269)
- Stosowanie ogólnego filtra rozdzielnego za pomocą funkcji cv::sepFilter2D() (270)
- Funkcje do tworzenia jąder (270)
Podsumowanie (271)
Ćwiczenia (271)

11. Ogólne przekształcenia obrazu (277)

Wprowadzenie (277)
Rozciąganie, kurczenie, zniekształcanie i obracanie (277)
- Jednorodna zmiana rozmiaru (278)
- Piramidy obrazów (279)
- Mapowanie niejednorodne (282)
- Przekształcenia afiniczne (285)
- Przekształcenie perspektywiczne (289)
Ogólne odwzorowania (291)
- Odwzorowania biegunowe (292)
- Współrzędne logarytmiczno-biegunowe (294)
- Odwzorowania arbitralne (297)
Renowacja obrazów (298)
- Inpainting (299)
- Usuwanie szumów (300)
Wyrównywanie histogramu (303)
- cv::equalizeHist() - wyrównywanie kontrastu (304)
Podsumowanie (305)
Ćwiczenia (306)

12. Analiza obrazu (307)

Wprowadzenie (307)
Dyskretna transformacja Fouriera (307)
- cv::dft() - dyskretna transformacja Fouriera (308)
- cv::idft() - odwrotna dyskretna transformacja Fouriera (310)
- cv::mulSpectrums() - mnożenie widm (311)
- Splot przy użyciu dyskretnej transformacji Fouriera (311)
- cv::dct() - dyskretna transformacja cosinusowa (312)
- cv::idct() - odwrotna dyskretna transformacja cosinusowa (313)
Obrazy całkowe (314)
- cv::integral() - obliczanie standardowego obrazu całkowego (316)
- cv::integral() - suma kwadratowa (316)
- cv::integral() - suma nachylona (317)
Detektor krawędzi Canny'ego (317)
- cv::Canny() (319)
Transformacja Hougha (319)
- Transformacja liniowa Hougha (319)
- Transformacja kołowa Hougha (323)
Transformacja odległościowa (327)
- cv::distanceTransform() - transformacja odległościowa bez etykiet (327)
- cv::distanceTransform() - transformacja odległościowa z etykietami (328)
Segmentacja (329)
- Algorytm flood fill (329)
- Algorytm wododziałowy (332)
- Algorytm Grabcuts (334)
- Metoda segmentacji mean-shift (336)
Podsumowanie (338)
Ćwiczenia (338)

13. Histogramy i szablony (341)

Reprezentacja histogramów w OpenCV (344)
- cv::calcHist() - tworzenie histogramu z danych (344)
Podstawowe operacje na histogramach (346)
- Normalizacja histogramu (347)
- Próg histogramu (347)
- Znajdowanie najbardziej zapełnionego przedziału (347)
- Porównywanie histogramów (349)
- Przykłady użycia histogramów (351)
Zaawansowane metody pracy z histogramami (354)
- Algorytm EMD (354)
- Rzutowanie wstecz (358)
Dopasowywanie szablonów (362)
- Metoda porównywania kwadratu różnicy - cv::TM_SQDIFF (363)
- Znormalizowana metoda porównywania kwadratu różnicy - cv::TM_SQDIFF_NORMED (364)
- Metody korelacji krzyżowej - cv::TM_CCORR (364)
- Znormalizowana metoda korelacji krzyżowej - cv::TM_CCORR_NORMED (364)
- Metody dopasowywania współczynnika korelacji - cv::TM_CCOEFF (364)
- Znormalizowana metoda dopasowywania współczynnika korelacji - cv::TM_CCOEFF_NORMED (365)
Podsumowanie (367)
Ćwiczenia (368)

14. Kontury (371)

Znajdowanie konturów (371)
- Hierarchie konturów (372)
- Rysowanie konturów (376)
- Przykład rysowania konturów (377)
- Inny przykład rysowania konturów (378)
- Szybka analiza komponentów połączonych (380)
Inne zastosowania konturów (382)
- Aproksymacja wielokątów (382)
- Geometria i różne rodzaje sumowania (383)
- Testy geometryczne (389)
Dopasowywanie konturów i obrazów (390)
- Momenty (390)
- Więcej o momentach (392)
- Dopasowywanie a momenty Hu (395)
- Porównywanie kształtów za pomocą algorytmu Shape Context (396)
Podsumowanie (400)
Ćwiczenia (401)

15. Odejmowanie tła (403)

Wiadomości podstawowe (403)
Wady operacji odejmowania tła (404)
Modelowanie sceny (405)
- Wycinek pikseli (405)
- Różnicowanie klatek (408)
Metoda uśredniania tła (409)
- Akumulowanie średnich, wariancji i kowariancji (414)
Bardziej zaawansowana metoda odejmowania tła (422)
- Struktury (425)
- Poznawanie tła (426)
- Nauka w obecności ruchomych obiektów pierwszego planu (428)
- Różnicowanie tła - znajdowanie obiektów pierwszego planu (429)
- Przykład użycia modelu tła opartego na księgach kodów (430)
- Kilka dodatkowych uwag na temat modeli opartych na księgach kodów (430)
Komponenty połączone dla czyszczenia pierwszego planu (431)
- Szybki test (434)
Porównanie dwóch metod rozpoznawania tła (436)
Implementacja techniki odejmowania tła w OpenCV (437)
- Klasa bazowa cv::BackgroundSubtractor (437)
- Metoda Kaewtrakulponga i Bowdena (438)
- Metoda Zivkovica (439)
Podsumowanie (442)
Ćwiczenia (442)

16. Punkty kluczowe i deskryptory (445)

Punkty kluczowe i podstawy śledzenia (445)
- Znajdowanie rogów (446)
- Wprowadzenie do przepływu optycznego (450)
- Rzadki przepływ optyczny - metoda Lucasa-Kanade'a (451)
Uogólnione punkty kluczowe i deskryptory (461)
- Przepływ optyczny, śledzenie i rozpoznawanie (462)
- Jak biblioteka OpenCV obsługuje punkty kluczowe i deskryptory - przypadek ogólny (463)
- Podstawowe metody wykrywania punktów kluczowych (474)
- Filtrowanie punktów kluczowych (512)
- Metody dopasowywania (513)
- Wyświetlanie wyników (519)
Podsumowanie (521)
Ćwiczenia (522)

17. Śledzenie (525)

Pojęcia dotyczące śledzenia (525)
Gęsty przepływ optyczny (526)
- Algorytm rozwinięcia wielomianu Farnebäcka (527)
- Algorytm Dual TV-L¹ (529)
- Algorytm Simple Flow (533)
Algorytmy mean-shift i Camshift (536)
- Algorytm mean-shift (537)
- Algorytm Camshift (540)
Szablony ruchu (541)
Estymatory (548)
- Filtr Kalmana (549)
- Kilka słów na temat rozszerzonego filtra Kalmana (564)
Podsumowanie (565)
Ćwiczenia (565)

18. Modele kamery i metody kalibracji (567)

Model kamery (568)
- Podstawy geometrii rzutowej (570)
- Transformacja Rodriguesa (572)
- Zniekształcenia soczewek (573)
Kalibracja (576)
- Macierz obrotu i wektor przesunięcia (578)
- Plansze kalibracji (580)
- Homografia (587)
- Kalibracja aparatu (591)
Korekcja zniekształceń (602)
- Matryce likwidacji zniekształceń (602)
- Konwertowanie reprezentacji matryc likwidacji zniekształceń za pomocą funkcji cv::convertMaps() (604)
- Obliczanie matryc likwidacji zniekształceń za pomocą funkcji cv::initUndistortRectifyMap() (604)
- Likwidowanie zniekształceń obrazu za pomocą funkcji cv::remap() (606)
- Likwidacja zniekształceń za pomocą funkcji cv::undistort() (606)
- Rzadkie likwidowanie zniekształceń za pomocą funkcji cv::undistortPoints() (607)
Podsumowanie technik kalibracji (607)
Podsumowanie (610)
Ćwiczenia (611)

19. Rzutowanie i trójwymiarowe widzenie (613)

Rzutowanie (614)
Przekształcenia afiniczne i perspektywiczne (615)
- Przykład przekształcenia na widok z góry (616)
Określanie pozycji trójwymiarowych obiektów (621)
- Określanie pozycji za pomocą jednej kamery (621)
Obrazowanie stereo (623)
- Triangulacja (624)
- Geometria epipolarna (628)
- Macierz zasadnicza i macierz fundamentalna (630)
- Obliczanie linii epipolarnych (638)
- Kalibracja stereo (639)
- Rektyfikacja stereo (643)
- Korespondencja stereo (652)
- Kalibracja stereo, rektyfikacja i korespondencja - przykładowy program (665)
- Matryce głębi z trójwymiarowej reprojekcji (671)
Struktura z ruchu (673)
Dopasowywanie linii w dwóch i trzech wymiarach (673)
Podsumowanie (676)
Ćwiczenia (677)

20. Podstawy uczenia maszyn w OpenCV (679)

Czym jest uczenie maszyn? (679)
- Szkolenie i zbiory danych testowych (680)
- Uczenie nadzorowane i nienadzorowane (681)
- Modele generacyjne i dyskryminacyjne (683)
- Algorytmy ML w OpenCV (683)
- Zastosowania metod uczenia maszyn w komputerowym rozpoznawaniu obrazu (685)
- Znaczenie zmiennej (687)
- Diagnozowanie usterek w algorytmach uczenia maszyn (688)
Stare procedury w bibliotece ML (694)
- K-średnich (694)
- Odległość Mahalanobisa (699)
Podsumowanie (703)
Ćwiczenia (703)

21. StatModel - standardowy model uczenia w OpenCV (705)

Podstawowe procedury biblioteki ML (705)
- Szkolenie i struktura cv::ml::TrainData (707)
- Prognozowanie (713)
Algorytmy uczenia maszyn oparte na interfejsie cv::StatModel (714)
- Naiwny lub normalny klasyfikator Bayesa (714)
- Binarne drzewa decyzyjne (719)
- Boosting (732)
- Drzewa losowe (738)
- Maksymalizacja oczekiwań (742)
- K najbliższych sąsiadów (745)
- Wielowarstwowy perceptron (748)
- Maszyna wektorów nośnych (756)
Podsumowanie (765)
Ćwiczenia (766)

22. Wykrywanie obiektów (771)

Techniki wykrywania obiektów oparte na drzewach (771)
- Klasyfikatory kaskadowe (772)
- Uczenie nadzorowane i teoria wzmacniania (774)
- Uczenie się nowych obiektów (782)
Wykrywanie obiektów za pomocą maszyn wektorów nośnych (790)
- Wykrywanie obiektów metodą Latent SVM (790)
- Algorytm Bag of Words i kategoryzacja semantyczna (793)
Podsumowanie (798)
Ćwiczenia (798)

23. Przyszłość biblioteki OpenCV (801)

Przeszłość i teraźniejszość (801)
- OpenCV 3.x (802)
Czy nasze prognozy się sprawdziły? (803)
Przyszłość (804)
- Najświeższe wiadomości o GSoC (805)
- Wsparcie ze strony społeczności (807)
- Strona OpenCV.org (808)
Spekulacje na temat sztucznej inteligencji (809)
Posłowie (812)

A. Rodzaje podziału płaszczyzn (813)

Triangulacja Delaunaya, teselacja Woronoja (813)
- Tworzenie podziałów Delaunaya lub Woronoja (816)
- Poruszanie się po podziałach Delaunaya (817)
- Przykłady (823)
Ćwiczenia (824)

B. Repozytorium opencv_contrib (825)