دوره پردازش تصویر و بینایی ماشین با OpenCV در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پردازش تصویر و بینایی ماشین با OpenCV در پایتون

موضوع کلی: برنامه نویسی

موضوع میانی: پایتون (Python)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بینایی ماشین و کاربردهای آن
• 2. چرا پایتون برای بینایی ماشین؟
• 3. نصب و راه‌اندازی محیط برنامه‌نویسی (پایتون، OpenCV, NumPy)
• 4. آشنایی با NumPy: آرایه‌های چندبعدی به عنوان تصویر
• 5. عملیات پایه‌ای بر روی آرایه‌های NumPy برای پردازش تصویر
• 6. خواندن، نمایش و ذخیره تصاویر با OpenCV
• 7. درک ساختار تصویر: ارتفاع، عرض، کانال‌های رنگی
• 8. آشنایی با فضاهای رنگی (RGB, BGR, Grayscale, HSV)
• 9. تبدیل تصاویر بین فضاهای رنگی مختلف
• 10. تقسیم و ادغام کانال‌های رنگی تصویر
• 11. دسترسی و تغییر مقادیر پیکسل‌ها
• 12. ترسیم اشکال هندسی پایه: خط، مستطیل، دایره
• 13. نوشتن متن بر روی تصاویر
• 14. برش تصویر (انتخاب ناحیه مورد علاقه - ROI)
• 15. تغییر اندازه (Resize) و مقیاس‌بندی (Scale) تصاویر
• 16. چرخش و برگرداندن (Flip) تصاویر
• 17. عملیات ریاضی پایه بر روی تصاویر (جمع، تفریق)
• 18. ترکیب و ادغام دو تصویر با وزن‌دهی (Image Blending)
• 19. عملیات بیتی (Bitwise Operations): AND, OR, NOT, XOR
• 20. ایجاد ماسک (Mask) و کاربرد آن در پردازش تصویر
• 21. تنظیم روشنایی و کنتراست تصویر
• 22. اصلاح گاما (Gamma Correction)
• 23. آشنایی با مفهوم کانولوشن و کرنل (Kernel)
• 24. فیلترهای هموارکننده و کاهش نویز: میانگین و گوسی
• 25. فیلتر Median برای حذف نویز Salt-and-Pepper
• 26. فیلتر Bilateral برای هموارسازی و حفظ لبه‌ها
• 27. شارپ کردن تصاویر با استفاده از کرنل‌ها
• 28. آشنایی با تبدیلات مورفولوژیک
• 29. فرسایش (Erosion)
• 30. انبساط (Dilation)
• 31. باز کردن (Opening) برای حذف نویز
• 32. بستن (Closing) برای پر کردن حفره‌ها
• 33. گرادیان مورفولوژیک، Top Hat و Black Hat
• 34. آشنایی با مفهوم گرادیان تصویر
• 35. محاسبه گرادیان با فیلترهای Sobel و Scharr
• 36. تشخیص لبه با اپراتور لاپلاسین (Laplacian)
• 37. الگوریتم تشخیص لبه Canny: تئوری
• 38. پیاده‌سازی تشخیص لبه Canny در OpenCV
• 39. تبدیل هاف (Hough Transform) برای تشخیص خطوط
• 40. تبدیل هاف برای تشخیص دایره‌ها
• 41. آشنایی با هیستوگرام تصویر
• 42. محاسبه و ترسیم هیستوگرام با OpenCV و Matplotlib
• 43. یکسان‌سازی هیستوگرام برای بهبود کنتراست (Histogram Equalization)
• 44. یکسان‌سازی هیستوگرام تطبیقی (CLAHE)
• 45. آستانه‌گذاری ساده (Simple Thresholding)
• 46. آستانه‌گذاری تطبیقی (Adaptive Thresholding)
• 47. آستانه‌گذاری اتوماتیک با روش Otsu
• 48. جداسازی اشیاء بر اساس رنگ در فضای HSV
• 49. آشنایی با کانتورها (Contours)
• 50. یافتن و ترسیم کانتورها در تصویر
• 51. سلسله مراتب کانتورها (Contour Hierarchy)
• 52. ویژگی‌های کانتور: گشتاورها (Moments) و مرکز سطح (Centroid)
• 53. محاسبه مساحت و محیط کانتور
• 54. تقریب کانتور و پوش محدب (Convex Hull)
• 55. ایجاد جعبه محاطی (Bounding Box) قائم و چرخان
• 56. برازش دایره و بیضی بر روی کانتورها
• 57. تطبیق شکل (Shape Matching)
• 58. تطبیق الگو (Template Matching) برای یافتن اشیاء
• 59. مدیریت چندین نتیجه در تطبیق الگو
• 60. آشنایی با مفاهیم ویژگی (Feature) در تصاویر
• 61. آشکارسازی گوشه با الگوریتم Harris
• 62. آشکارسازی گوشه با الگوریتم Shi-Tomasi
• 63. معرفی توصیفگرهای ویژگی: SIFT, SURF, ORB
• 64. آشکارسازی و توصیف ویژگی با ORB
• 65. تطبیق ویژگی‌ها بین دو تصویر (Feature Matching)
• 66. تخمین ماتریس هموگرافی برای انطباق تصاویر
• 67. مقدمه‌ای بر پردازش ویدیو
• 68. خواندن ویدیو از فایل
• 69. دریافت تصویر زنده از وب‌کم
• 70. اعمال تکنیک‌های پردازش تصویر بر روی فریم‌های ویدیو
• 71. ذخیره ویدیو پردازش شده در فایل
• 72. حذف پس‌زمینه در ویدیو (Background Subtraction)
• 73. آشنایی با ردیابی اشیاء (Object Tracking)
• 74. الگوریتم‌های MeanShift و CamShift
• 75. جریان نوری (Optical Flow) با الگوریتم Lucas-Kanade
• 76. ردیابی ویژگی‌ها در طول زمان با جریان نوری
• 77. استفاده از API ردیاب‌های داخلی OpenCV (CSRT, KCF)
• 78. مقدمه‌ای بر یادگیری ماشین در بینایی کامپیوتر
• 79. آشنایی با طبقه‌بندهای آبشاری Haar
• 80. تشخیص چهره با استفاده از Haar Cascades
• 81. تشخیص چشم و لبخند با Haar Cascades
• 82. معرفی هیستوگرام گرادیان‌های جهت‌دار (HOG)
• 83. تشخیص عابر پیاده با HOG و SVM
• 84. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی کانولوشنی (CNN)
• 85. استفاده از ماژول DNN در OpenCV
• 86. بارگذاری مدل‌های از پیش آموزش‌دیده (Caffe, TensorFlow, ONNX)
• 87. طبقه‌بندی تصویر با مدل‌های آماده (مانند MobileNet)
• 88. تشخیص اشیاء (Object Detection) با SSD
• 89. تشخیص اشیاء با YOLO
• 90. بخش‌بندی معنایی (Semantic Segmentation) با یادگیری عمیق
• 91. تشخیص نقاط کلیدی چهره (Facial Landmark Detection)
• 92. تخمین سن و جنسیت از روی تصویر چهره
• 93. بازشناسی چهره با استفاده از یادگیری عمیق
• 94. خواندن متن از تصویر (OCR) با Tesseract و OpenCV
• 95. کالیبراسیون دوربین و رفع اعوجاج تصویر
• 96. پروژه اول: ساخت یک اسکنر اسناد ساده
• 97. پروژه دوم: ردیابی یک شیء رنگی به صورت زنده
• 98. پروژه سوم: تشخیص خطوط جاده برای خودروهای هوشمند
• 99. پروژه نهایی: ترکیب مفاهیم برای ساخت یک اپلیکیشن کاربردی
• 100. جمع‌بندی دوره و مسیرهای یادگیری آینده