[Partie 1] Théorie d'OpenCV

▣ Chapitre 1 : Comprendre la vision par ordinateur

01.
Qu'est-ce que la vision par ordinateur ?
___Qu'est-ce que la vision par ordinateur ?
___Le besoin de traitement d'images
Limites du traitement d'images
Transformation des données
___données d'image
___Qu'est-ce qu'OpenCV ?
___Historique d'OpenCV

02.
Conception d'algorithmes
___Prérequis pour la résolution de problèmes
___Choix du matériel et du logiciel
conception du système
Règles de développement

03.
traitement numérique des images
Algorithme de prétraitement
Bruit et débruitage
Détection de caractéristiques et de similarités

04.
domaine du traitement d'images
___film
___domaine médical
___Traduction d'image
___Utilisation d'OpenCV

05.
Installation de C# OpenCvSharp
Installation du framework .NET
Installer ___.NET
Installation du wrapper ___native
___Utilisation d'OpenCvSharp
Espace de noms d'extension

06.
Installation de Python OpenCV
Installation du gestionnaire de paquets ___
___Utilisation d'OpenCV
Pack d'extension

▣ Chapitre 2 : Premiers pas avec OpenCV

01.
Taille de l'image
Propriété de taille de l'image
Méthode d'expression de la taille de l'image

02.
Précision
___ représentation binaire
Méthode d'expression de précision

03.
canal
___expression de couleur
___expression du canal

04.
Domaines d'intérêt
___Pourquoi utiliser un seul canal ?

05.
Chaîne d'intérêt

06.
Histogramme

07.
Comprendre la structure du code OpenCV

▣ Chapitre 3 : Types de données et opérations

01.
Données de base
Types de données de base utilisés en C# OpenCvSharp
Types de données de base utilisés dans Python OpenCV

02.
Données Mat
matrice dense
matrice creuse
___Domaine d'intérêt
___Chaîne d'intérêt

03.
Données NumPy
classe __ndarray
Opérations sur les tableaux
Classe ___Matrix
___Domaine d'intérêt
___Chaîne d'intérêt

[Partie 2] Fonctions C# et Python

▣ Chapitre 4 : Exemples de base

01.
Données d'image
___Saisir l'image
Sortie d'image

02.
Données vidéo
Sortie vidéo
Sortie de la caméra

03.
Manipulation et visualisation des données
Lien vers l'image
Dessinez une forme
rappel de la souris
___trackbar

04.
stockage de données
___Enregistrer l'image
___Enregistrer la vidéo

▣ Chapitre 5 : Traitement d'images

01.
Conversion d'espace colorimétrique
Espace colorimétrique HSV
___Division et fusion des canaux
___détection de couleur

02.
Transformation binaire
L'algorithme d'Otsu
Algorithme du triangle
Algorithme de binarisation adaptatif

03.
Opérations sur les images
opérations sur les pixels
___filtration
Transformation de Fourier
filtre haute fréquence
Filtre passe-bas
transformation morphologique

04.
Conversion d'images
Pyramide d'images ___
Redimensionner l'image
Symétrie et rotation d'images
___transformations géométriques

▣ Chapitre 6 : Détection d’images

01.
Détection de contours
___hiérarchie
Extraction de données
___Tracer le contour
Approximation polygonale
Informations générales

02.
Détection de caractéristiques
___détection de coin
détection de ligne
___détection gagnée
Détection de code QR

03.
Correspondance des caractéristiques
Différence de fond
Correspondance de modèles
flux optique
___Correspondance des points clés

[Partie 3] Exemples pratiques

▣ Chapitre 7 : Apprentissage automatique

01.
Algorithme de clustering K-means

02.
Algorithme des k plus proches voisins
___Mode-MNIST
Application de l'algorithme des k plus proches voisins
Évaluation des données réelles

03.
Machine à vecteurs de support
Noyau ___SVM
Type SVM
Application de la machine à vecteurs de support
histogramme de gradient de direction ___

04.
réseaux neuronaux profonds
___Café : Classification d'images (Google Net)
___Darknet : Détection d'objets (YOLO)
TensorFlow : Segmentation (Mask R-CNN)
___ONNX : Détection des visages et des points de repère (YuNet)

▣ Chapitre 8 : C# - Détection de cartes de visite

01.
Calcul d'angle
02.
Détection de rectangles
03.
Transformation carrée
04.
Reconnaissance optique de caractères (Tesseract)

▣ Chapitre 9 : Transition de style Python

01.
Segmentation des personnes (PP-HumanSeg)
02.
Style neuronal rapide
03.
Conversion de modèle PyTorch
04.
Appliquer le style

▣ Annexe

Un tableau de codes couleurs
Type de données B Mat

★ Ce que ce livre aborde ★

◎ Compréhension de la vision par ordinateur et pratique approfondie avec OpenCV
◎ Types de données OpenCV et opérations sur les matrices et les tableaux en C# et Python
◎ Saisie/sortie et stockage des résultats à l'aide d'images, de vidéos et de caméras
◎ Manipulation et visualisation des données à l'aide d'une interface graphique
◎ Prétraitement d'images pour le traitement et la transformation d'images en vue de l'exploration d'informations
◎ Détection et reconnaissance d'informations par filtrage d'images
◎ Détection de caractéristiques telles que les coins, les lignes droites, les cercles et les codes QR
◎ Manipulation d'images et détection d'objets par mise en correspondance de caractéristiques
◎ Comment utiliser les algorithmes d'apprentissage automatique tels que K-means, KNN et SVM
◎ Comment appliquer des modules d'apprentissage profond à l'aide des modèles Cafe, Darknet, TensorFlow et ONNX
◎ Projet utilisant Tesseract-OCR et C# OpenCvSharp4
◎ Conversion de modèles PyTorch en Python OpenCV pour des projets de segmentation de caractères et de transfert de style