فلش‌کارت‌های آموزشی تشخیص لبه‌ها در تصاویر با OpenCV و پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص لبه‌ها در تصاویر با OpenCV و پایتون

موضوع کلی: هوش مصنوعی و پردازش تصویر

موضوع میانی: بینایی ماشین با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه بر پردازش تصویر و بینایی ماشین
• 2. نصب و راه‌اندازی محیط توسعه پایتون
• 3. آشنایی با کتابخانه OpenCV
• 4. مبانی تصاویر دیجیتال
• 5. کار با تصاویر در OpenCV
• 6. فرمت‌های مختلف تصاویر
• 7. ذخیره و بارگذاری تصاویر
• 8. انواع داده‌ها در تصاویر
• 9. عملیات پایه‌ای روی تصاویر
• 10. تغییر ابعاد تصاویر
• 11. برش دادن تصاویر
• 12. چرخاندن تصاویر
• 13. تغییر رنگ تصاویر
• 14. تبدیل تصاویر به سیاه و سفید
• 15. آستانه‌گذاری (Thresholding) تصاویر
• 16. آستانه‌گذاری تطبیقی (Adaptive Thresholding)
• 17. عملیات مورفولوژیکی: فرسایش (Erosion)
• 18. عملیات مورفولوژیکی: انبساط (Dilation)
• 19. باز کردن (Opening) تصاویر
• 20. بستن (Closing) تصاویر
• 21. گرادیان مورفولوژیکی
• 22. عمق بالا (Top Hat)
• 23. عمق پایین (Black Hat)
• 24. فیلترهای هموارسازی (Smoothing Filters)
• 25. فیلتر میانگین (Averaging Filter)
• 26. فیلتر گوسی (Gaussian Filter)
• 27. فیلتر میانه (Median Filter)
• 28. فیلتر دوطرفه (Bilateral Filter)
• 29. تشخیص لبه‌ها: مقدمه
• 30. مفهوم گرادیان در تصاویر
• 31. تشخیص لبه با عملگر سوبل (Sobel)
• 32. تشخیص لبه با عملگر لاپلاسین (Laplacian)
• 33. تشخیص لبه با عملگر کنی (Canny)
• 34. تنظیم پارامترهای عملگر کنی
• 35. تشخیص لبه در تصاویر رنگی
• 36. استفاده از کانال‌های رنگی برای تشخیص لبه
• 37. تشخیص لبه در تصاویر با نویز بالا
• 38. بهبود نتایج تشخیص لبه
• 39. تکنیک‌های پیش‌پردازش برای تشخیص لبه
• 40. استفاده از هیستوگرام برای تحلیل تصویر
• 41. تنظیم کنتراست تصاویر
• 42. تکنیک‌های افزایش کیفیت تصویر
• 43. کاهش نویز در تصاویر
• 44. کاربرد تشخیص لبه در استخراج ویژگی
• 45. استخراج ویژگی‌های هندسی
• 46. استخراج ویژگی‌های بافتی
• 47. کاربرد تشخیص لبه در بخش‌بندی تصاویر
• 48. بخش‌بندی تصاویر با استفاده از لبه‌ها
• 49. تشخیص اشیاء در تصاویر
• 50. کاربرد تشخیص لبه در تشخیص چهره
• 51. تشخیص لبه در کاربردهای صنعتی
• 52. تشخیص لبه در پزشکی
• 53. تشخیص لبه در رباتیک
• 54. تشخیص لبه در سیستم‌های نظارتی
• 55. مدل‌های یادگیری ماشین برای بینایی ماشین
• 56. شبکه‌های عصبی کانولوشنی (CNN)
• 57. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی
• 58. ساختار شبکه‌های عصبی کانولوشنی
• 59. لایه کانولوشن
• 60. تابع فعال‌سازی ReLU
• 61. لایه پولینگ (Pooling)
• 62. لایه کاملاً متصل (Fully Connected)
• 63. آموزش شبکه‌های عصبی کانولوشنی
• 64. مجموعه داده‌ها برای آموزش CNN
• 65. تنظیم نرخ یادگیری
• 66. بهینه‌سازها در شبکه‌های عصبی
• 67. اعتبارسنجی مدل
• 68. تکنیک‌های افزایش داده (Data Augmentation)
• 69. کاربرد CNN در تشخیص لبه
• 70. کاربرد CNN در تشخیص اشیاء
• 71. کاربرد CNN در بخش‌بندی تصاویر
• 72. مقدمه بر استخراج ویژگی‌های پیشرفته
• 73. روش‌های استخراج ویژگی مبتنی بر یادگیری
• 74. معرفی SIFT و SURF (با رویکرد چارچوب رسمی)
• 75. معرفی ORB (با رویکرد چارچوب رسمی)
• 76. مقایسه روش‌های استخراج ویژگی
• 77. کاربرد استخراج ویژگی در تطبیق تصاویر
• 78. تطبیق تصاویر در کاربردهای ناوبری
• 79. تطبیق تصاویر در واقعیت افزوده
• 80. تطبیق تصاویر در پزشکی قانونی
• 81. مقدمه بر بینایی ماشین سه‌بعدی
• 82. استخراج عمق از تصاویر استریو
• 83. با استفاده از جفت تصاویر (با رویکرد چارچوب رسمی)
• 84. کاربرد بینایی ماشین سه‌بعدی
• 85. کاربرد در رباتیک و خودران‌ها
• 86. کاربرد در مدل‌سازی سه‌بعدی
• 87. کاربرد در صنعت و تولید
• 88. مقدمه بر پردازش ویدئو
• 89. تحلیل فریم به فریم ویدئو
• 90. تشخیص حرکت در ویدئوها
• 91. ردیابی اشیاء در ویدئوها
• 92. کاربرد پردازش ویدئو در نظارت
• 93. کاربرد پردازش ویدئو در تحلیل رفتار
• 94. کاربرد پردازش ویدئو در رسانه
• 95. ملاحظات اخلاقی در بینایی ماشین
• 96. حریم خصوصی در پردازش تصویر
• 97. امنیت داده‌های تصویری
• 98. سوگیری در الگوریتم‌های بینایی ماشین
• 99. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 100. جمع‌بندی و چشم‌انداز آینده بینایی ماشین