本书概要

《Python计算机视觉编程》的出版日期 2014.7
py2.6

本书框架

部分	章节	内容	备注
第1部分	第1~3章	PCL概述、入门、基础	基础篇

实例索引

主题	内容	备注
输入/输出	从PCD文件中读取点云数据

CH1 基本的图像操作和处理

PIL：Python图像处理类库

PIL文档

from PIL import Image
import os

infile = 'img.jpg'
outfile = os.path.splitext(infile)[0] + ".png" # 分离文件名与扩展名
try:
    pil_im = Image.open(infile) # 打开图像
    pil_im = pil_im.convert('L') # 转换为灰度图像
    pil_im.save(outfile) # 保存图像
except IOError:
    print("cannot convert", infile)

Matplotlib

NumPy

SciPy

高级示例：图像去噪

直方图：表征该图像像素值的分布情况

直方图均衡化：将一幅图像的灰度直方图变平，使变换后的图像中每个灰度值的分布概率相同
在对图像做进一步处理之前，直方图均衡化通常是对图像灰度值进行归一化的一个非常好的方法，并且可以增强图像的对比度。

图像平均操作：减少图像噪声？？？

PCA（主成分分析）：降维技巧

图像模糊：高斯模糊，本质上是将（灰度）图像I和一个高斯核进行卷积操作

图像导数：图像强度的变化是非常重要的信息 => 梯度向量
可以用离散近似的方式来计算图像的导数，通过卷积简单地实现
Prewitt滤波器、Sobel滤波器

形态学：度量和分析基本形状的图像处理方法的基本框架与集合
通常用于处理二值图像，也可用于灰度图像

图像去噪：去除图像噪声的同时，尽可能地保留图像细节和结构
ROF（Rudin-Osher-Fatemi）去噪模型：使处理后的图像更平滑，同时保持图像边缘和结构信息

CH2 局部图像描述子

Harris角点检测器

SIFT（尺度不变特征变换）

匹配地理标记图像

用于图像匹配的两种局部描述子

Harris角点检测算法
兴趣点描述子

CH3 图像到图像的映射

单应性变换

图像扭曲

创建全景图

CH4 照相机模型与增强现实

针孔照相机模型

照相机标定

以平面和标记物进行姿态估计

增强现实

CH5 多视图几何

对极几何

照相机和三维结构的计算

多视图重建

立体图像

CH6 图像聚类

CH7 图像搜索

CH8 图像内容分类

CH9 图像分割

CH10 OpenCV

参考

参考内容	参考方面
《Python计算机视觉编程》	主体内容

中译本内容：http://yongyuan.name/pcvwithpython/
中译本源码：https://github.com/willard-yuan/pcv-book-code
原书项目主页（包含数据、源码、pdf）：http://programmingcomputervision.com/