کتاب آشنایی با انواع مختلف داده‌ها در بینایی کامپیوتر: تصاویر، ویدئوها و داده‌های سه بعدی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آشنایی با انواع مختلف داده‌ها در بینایی کامپیوتر: تصاویر، ویدئوها و داده‌های سه بعدی

موضوع کلی: برنامه نویسی

موضوع میانی: بینایی کامپیوتر (Computer Vision)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بینایی کامپیوتر
• 2. تعریف و اهمیت بینایی کامپیوتر در هوش مصنوعی
• 3. کاربردهای مختلف بینایی کامپیوتر (مثال‌ها)
• 4. معرفی اجزای یک سیستم بینایی کامپیوتر
• 5. تاریخچه کوتاه و روندهای آینده در بینایی کامپیوتر
• 6. تصویر دیجیتال: مفهوم پیکسل و رزولوشن
• 7. چگونه یک تصویر دیجیتالی می‌شود؟ (Sampling و Quantization)
• 8. معرفی مدل رنگی RGB و کانال‌های رنگی
• 9. تصاویر Grayscale و Binarized
• 10. فضاهای رنگی HSV و HSL (مفهوم و کاربرد)
• 11. فضای رنگی CMYK و کاربردهای چاپی (اشاره)
• 12. نمایش داده‌ای تصاویر: آرایه‌ها و ماتریس‌ها
• 13. فرمت‌های رایج تصاویر: JPEG، PNG، BMP، TIFF
• 14. فشرده‌سازی تصاویر: اصول اولیه (lossy vs. lossless)
• 15. بارگذاری و نمایش تصاویر در محیط‌های برنامه‌نویسی
• 16. دستکاری اولیه تصاویر: برش (Cropping)
• 17. دستکاری اولیه تصاویر: تغییر اندازه (Resizing/Scaling)
• 18. دستکاری اولیه تصاویر: چرخش (Rotation) و فلیپ (Flipping)
• 19. تبدیل نوع داده پیکسل‌ها (مثلاً از 8-bit به float)
• 20. هیستوگرام تصاویر: توزیع شدت پیکسل‌ها
• 21. مبانی پردازش تصویر: اهداف و روش‌ها
• 22. نویز در تصاویر: انواع (گوسی، نمک و فلفل) و منابع
• 23. فیلترهای فضایی: مفهوم هسته (Kernel) و کانولوشن
• 24. فیلترهای هموارسازی (Smoothing): میانگین (Mean Filter)
• 25. فیلترهای هموارسازی: میانه (Median Filter) برای حذف نویز
• 26. فیلتر گاوسی (Gaussian Blur) و کاربردهای آن
• 27. فیلترهای شارپ‌سازی (Sharpening) تصاویر
• 28. تشخیص لبه (Edge Detection): مفهوم گرادیان تصویر
• 29. عملگرهای Sobel و Prewitt برای تشخیص لبه
• 30. عملگر Laplacian و فیلترهای LoG
• 31. آشکارساز لبه Canny: مراحل و اصول کار
• 32. برابر سازی هیستوگرام (Histogram Equalization) برای بهبود کنتراست
• 33. آستانه‌گذاری (Thresholding) ساده برای تفکیک اشیاء
• 34. آستانه‌گذاری تطبیقی (Adaptive Thresholding)
• 35. عملیات مورفولوژیکی: فرسایش (Erosion)
• 36. عملیات مورفولوژیکی: انبساط (Dilation)
• 37. عملیات مورفولوژیکی: باز شدن (Opening) و بسته شدن (Closing)
• 38. سگمنتیشن تصویر: مقدمه و روش‌های ساده
• 39. سگمنتیشن مبتنی بر ناحیه (Region Growing)
• 40. بخش‌بندی بر اساس رنگ (Color-based Segmentation)
• 41. تشخیص گوشه (Corner Detection): الگوریتم هریس (Harris Corner)
• 42. استخراج ویژگی‌های کلیدی (Keypoint Extraction)
• 43. توصیف‌گرهای محلی تصویر (Feature Descriptors): ایده SIFT
• 44. تطابق ویژگی‌ها (Feature Matching) بین تصاویر
• 45. همترازی (Registration) تصاویر دو بعدی
• 46. ویدئو چیست؟ دنباله‌ای از فریم‌های تصویری
• 47. نرخ فریم (Frame Rate) و تاثیر آن بر کیفیت و روان بودن
• 48. ابعاد و رزولوشن فریم‌های ویدئو
• 49. بعد زمان در داده‌های ویدئویی
• 50. فشرده‌سازی ویدئو: مقدمه و اهمیت
• 51. فشرده‌سازی درون‌فریم (Intra-frame Compression - I-frames)
• 52. فشرده‌سازی بین‌فریم (Inter-frame Compression - P-frames, B-frames)
• 53. گروه‌های تصاویر (Group of Pictures - GOP)
• 54. کدک‌های ویدئویی رایج (H.264, MPEG-4)
• 55. فرمت‌های فایل ویدئویی (MP4, AVI, MOV, MKV)
• 56. بارگذاری، پخش و ذخیره ویدئو
• 57. استخراج فریم‌ها از یک فایل ویدئویی
• 58. ساخت ویدئو از دنباله‌ای از تصاویر
• 59. تخمین حرکت (Motion Estimation)
• 60. جریان نوری (Optical Flow): مفهوم و کاربرد
• 61. الگوریتم Lucas-Kanade برای جریان نوری
• 62. تشخیص حرکت (Motion Detection): روش‌های ساده
• 63. تفریق پس‌زمینه (Background Subtraction): مدل‌سازی پس‌زمینه
• 64. ردیابی شیء (Object Tracking): مقدمه و چالش‌ها
• 65. ردیابی مبتنی بر تطابق و فیلترینگ (مفهومی)
• 66. تثبیت ویدئو (Video Stabilization) برای حذف لرزش
• 67. کاهش نویز زمانی در ویدئوها
• 68. سگمنتیشن اشیاء متحرک در ویدئو
• 69. تشخیص رویداد (Event Detection) در ویدئو (مثال‌ها)
• 70. خلاصه‌سازی ویدئو (Video Summarization)
• 71. معرفی داده‌های سه‌بعدی: فراتر از دو بعد
• 72. انواع نمایش داده‌های سه‌بعدی: ابر نقاط، مش‌ها، داده‌های حجمی
• 73. ابر نقاط (Point Clouds): ماهیت و ویژگی‌ها
• 74. مش‌ها (Meshes): رئوس، یال‌ها و وجوه
• 75. وکسل (Voxel): پیکسل سه‌بعدی برای داده‌های حجمی
• 76. منابع داده‌های سه‌بعدی: حسگرهای عمق (Depth Sensors)
• 77. حسگرهای عمق فعال و غیرفعال (مثلاً Kinect)
• 78. لایدار (LiDAR): اصول کار و کاربردها
• 79. استریو ویژن (Stereo Vision) برای بازسازی عمق
• 80. ساختار از حرکت (Structure from Motion - SfM)
• 81. بازسازی سه‌بعدی از تصاویر دو بعدی: مفاهیم اولیه
• 82. سیستم‌های مختصات سه‌بعدی: محلی و جهانی
• 83. تبدیل‌های هندسی سه‌بعدی (انتقال، چرخش، مقیاس)
• 84. فرمت‌های رایج داده‌های سه‌بعدی: OBJ، PLY، STL
• 85. نویز در داده‌های سه‌بعدی و چالش‌های آن
• 86. پردازش ابر نقاط: فیلترینگ نویز
• 87. پردازش ابر نقاط: کاهش نمونه (Downsampling)
• 88. نرمال‌های سطح (Surface Normals) در ابر نقاط و مش‌ها
• 89. استخراج ویژگی‌های سه‌بعدی (Curvature, Local Features)
• 90. همترازی (Registration) ابر نقاط: ICP (Iterative Closest Point)
• 91. بازسازی سطح (Surface Reconstruction) از ابر نقاط
• 92. مش‌بندی (Meshing) از ابر نقاط
• 93. فشرده‌سازی داده‌های سه‌بعدی
• 94. اسکن سه‌بعدی و کاربردهای آن
• 95. مدل‌سازی سه‌بعدی و رندرینگ (مقدمه)
• 96. ترکیب انواع داده‌ها (Data Fusion): تصویر + عمق
• 97. مقدمه‌ای بر یادگیری عمیق برای بینایی کامپیوتر (اشاره به CNN)
• 98. کاربردهای یادگیری عمیق در تحلیل تصاویر، ویدئوها و داده‌های سه‌بعدی
• 99. مجموعه داده‌های (Datasets) رایج در بینایی کامپیوتر
• 100. ملاحظات اخلاقی و چالش‌های آینده در بینایی کامپیوتر