scikit-image 是基于scipy的一款图像处理包，它将图片作为 numpy 数组进行处理，是非常好的数字图像处理工具。 其全称是scikit-image SciKit (toolkit for SciPy) ，对 scipy.ndimage 进行了扩展，提供了更多的图片处理功能。 skimage 数字图像处理中的基础处理包括： 环境安装与配置 图像的读取、显示与保...
scikit-image （skimage）是Python中功能强大的图像处理库， 提供了丰富的算法用于图像分割、特征提取、形态学操作等中级处理任务。 skimage 数字图像处理中的中级处理包括： 对比度与亮度调整 直方图与均衡化 图像简单滤波 图像自动阈值分割 基本图形的绘制 基本形态学滤波
数字图像处理的高级处理技术是计算机视觉、人工智能和模式识别等领域的重要基础， 其核心目标是通过算法对图像进行更深层次的分析、理解和重建。 skimage 数字图像处理中的高级处理包括： 高级滤波 霍夫线变换 霍夫圆和椭圆变换 边缘与轮廓 高级形态学处理 骨架提取与分水岭算法
OpenCV（开源计算机视觉库）的核心业务聚焦于提供跨平台的计算机视觉基础架构与算法解决方案，主要涵盖三大方向： 基础图像处理 提供600+优化图像处理函数，包括滤波、变换、特征提取等基础操作，支撑各类视觉任务预处理需求。 智能视觉分析 集成机器学习（SVM/KNN）与深度学习（DNN模块）算法，实现物体检测、人脸识别、运动跟踪等高级功能。 行业解决方案 通过模块化设计...
OpenCV提供完整的图像处理技术链，涵盖从基础操作到高级分析的完整解决方案： 基础处理包括像素级操作（亮度/对比度调节）、几何变换（旋转/缩放/透视矫正）、色彩空间转换（RGB/HSV/Lab等）。 图像增强包括滤波去噪（高斯/中值/双边滤波）、边缘检测（Sobel/Canny算子）、直方图均衡化。 特征分析包括关键点检测（SIFT/SURF/ORB）、轮廓提取与形状分析...
OpenCV提供强大的轮廓处理功能，主要用于图像中目标对象的形状分析与识别： 轮廓提取包括基于二值图像的边缘追踪（findContours()）、支持多种检索模式（RETR_EXTERNAL/RETR_TREE等）、提供多种近似方法（CHAIN_APPROX_SIMPLE等）。 轮廓分析包括几何特征计算（面积/周长/最小外接矩形）、形状匹配（Hu矩/轮廓对比度）、凸包检测与...
OpenCV提供完善的直方图工具集，用于图像统计特征分析与增强： 核心功能包括支持单通道/多通道直方图计算（calcHist()）、提供多维直方图（2D/3D）分析能力、包含10+距离度量标准（相关性/卡方/Bhattacharyya等）。 典型应用包括颜色分布统计与色彩均衡化、图像相似度比对（直方图匹配）、目标特征提取（HSV空间分析）。 性能优化包括自动内存预分配加速计...
OpenCV提供全面的图像转换工具，涵盖色彩空间变换、几何校正和频域处理： 色彩空间转换包括支持RGB/HSV/Lab等200+色彩模型互转（cv2.cvtColor）； 特殊处理：YUV420转RGB（视频解码）、CIE XYZ色域转换。 几何变换包括三种变换。 线性变换：旋转/缩放/剪切（cv2.warpAffine）， 非线性变换：透视矫正（cv2.getPerspe...
OpenCV（Open Source Computer Vision Library）提供了丰富的高级图像处理功能， 涵盖特征提取、图像分割、目标检测和深度学习等方向。 通过SIFT、SURF或ORB算法可实现关键点检测与匹配；利用分水岭算法、GrabCut或均值漂移（Mean-Shift）进行图像分割； 结合Haar级联、YOLO或SSD实现实时目标检测。 此外，OpenC...
特征检测与描述是计算机视觉中的核心技术，主要用于从图像中提取稳定且具有区分性的关键点信息。 特征检测通过算法（如Harris角点、SIFT、SURF、ORB等）定位图像中的显著区域（如角点、边缘或纹理丰富的区域）。 这些关键点对旋转、缩放和光照变化具有一定鲁棒性。 特征描述则为每个检测到的关键点生成独特的向量表示（描述符），用于后续的匹配和识别。 常见的描述符包括SIFT的1...
相机标定与三维重建是计算机视觉和摄影测量领域的核心技术，广泛应用于机器人导航、增强现实（AR）、自动驾驶、三维建模等领域。 相机标定用于确定相机的内部参数（如焦距、主点坐标、畸变系数）和外部参数（如相机在世界坐标系中的位姿）。 常用的标定方法包括张正友标定法，该方法通过拍摄不同角度的棋盘格图像，利用特征点匹配和优化算法计算相机参数，以提高后续三维测量的精度。 三维重建旨在从二...
机器学习是人工智能的核心分支，旨在通过数据训练算法，使系统能够自动识别模式并做出决策。 其核心思想是让计算机从经验中学习，而非依赖显式编程。 主要类型包括： 监督学习：通过标注数据（输入-标签对）训练模型，用于分类或回归任务（如垃圾邮件识别、房价预测）。 无监督学习：从无标签数据中发现隐藏结构（如聚类分析、降维）。 强化学习：通过试错与环境交互，优化长期奖励（如AlphaG...
本节将介绍 OpenCV 中与计算摄影相关的各项功能，如图像去噪等处理方法。 计算摄影技术是指通过算法对数字图像进行增强和优化的技术，它突破了传统摄影的光学限制，能够实现许多令人惊叹的效果。 OpenCV 提供了丰富的计算摄影功能模块，主要包括以下几个方面： 首先是图像去噪技术。 OpenCV提供了多种先进的去噪算法，如快速非局部均值去噪(fastNlMeansDenoisi...
目标检测（Object Detection）是计算机视觉领域的核心技术之一， 主要完成对图像或视频中特定目标的定位与识别任务。 与单纯图像分类不同，目标检测需要同时解决"目标在哪"（定位）和"目标是什么"（分类）两个关键问题， 通过生成边界框（Bounding Box）和类别标签实现对场景的结构化理解。 传统方法主要基于手工特征（如Haar、HOG）与分类器（如SVM）的组合...
为了方便学习Python语言，基于Jupyter技术栈搭建了在线计算环境。 用户使用时以网页形式打开，对照书中内容进行学习，在线编写代码和运行代码，代码的运行结果也会直接显示。如在编程过程中需要编写说明文档，可在同一个页面直接编写，便于作及时的说明和解释。
在数据科学、机器学习及深度学习的领域里，Jupyter是一个强大的工具，它集成了代码编写、可视化展示、文档记录等多种功能于一体，让科学计算变得既直观又高效。 随着数据科学和人工智能领域的不断发展，Jupyter 也在不断更新和完善其功能和性 能。 未来可以期待看到更多创新的特性和工具被加入到 Jupyter 中，从而进一步推动科学计算和数据分析的发展。