【新书】实用的机器学习和图像处理，177页pdf，用于面部识别、目标检测和使用Python的模式识别

【导读】 机器学习和图像处理基础实战，可以使读者深入了解图像处理的基本知识以及各种图像处理方法和算法，使用各种Python库的应用程序以及使用机器学习方法的实时用例实现。

本书首先讨论了不同操作系统的安装环境，介绍了基本的图像处理方法，它使用两个库Scikit Image和OpenCV深入研究各种图像处理算法以及它们在Python中的实际实现。接下来，提出了用于图像处理和分类的机器学习和深度学习方法。解释了诸如Adaboost，XG Boost，卷积神经网络等用于图像特定应用的概念。并将所有概念均使用真实场景进行演示。

作者介绍： Santanu Pattanayak目前在GE Digital工作，是一名工作数据科学家，并且是《使用TensorFlow进行深度学习：Python中高级人工智能的数学方法》的作者。他拥有大约12年的工作经验，在数据分析/数据科学领域有8年的经验，并且具有开发和数据库技术的背景。

内容大纲

内容简介： chapter 1：

本章内容主要介绍了运行本书代码中的环境设置，主要包括：

• Anaconda

• OpenCV

• Keras

本书代码大部分都以Anaconda为开发环境，分别介绍了windows系统、MacOS系统、Ubuntu系统的安装方法。

chapter 2：

在本章中，我们将精确地介绍什么是图像及其相关属性。主要包括：

• 图片
• 像素
• 分辨率
• 每英寸像素（PPI）和每英寸点数（DPI）
• Bitmap图像
• 无损压缩和有损压缩
• 不同的图像文件格式
• 不同类型的色彩空间
• 图像概念

chapter 3：

本章的前半部分讨论了Python的基本概念，这些概念对应用图像处理技术很有用。 本章的后半部分介绍了Python的图像处理库：Scikit Learn。 在上一章中研究的所有概念以及其他一些概念都可以使用Scikit Learn在Python中应用。

chapter 4：

现在，我们已经了解了使用Scikit图像库的基本图像处理技术，继续介绍其更高级的方面。 在本章中，我们使用最全面的计算机视觉库之一OpenCV，并研究以下概念：

• 融合两个图像
• 更改图像的对比度和亮度
• 向图像添加文本
• 平滑图像
• 更改图像的形状
• 影响图像阈值
• 计算梯度以检测边缘
• 执行直方图均衡

我们通过研究一些最广泛使用的图像处理算法来开始本章的内容，然后继续进行图像处理中的机器学习实现。 本章概述如下：

• 使用比例不变特征变换（SIFT）算法的特征映射

• 使用随机样本共识（RANSAC）算法进行图像配准

• 使用人工神经网络进行图像分类

• 使用卷积神经网络（CNN）进行图像分类

• 使用机器学习进行图像分类