Analiza slike: kaj je to in kako ga uporabljati

kim Posodobljeno: Junij 29, 2022

Analiza slike je močno orodje za pridobivanje informacij iz slik.

To se lahko uporablja za različne namene, od sledenja spremembam v okolju do prepoznavanja obraza do analize medicinskih slik.

V tem članku vam bomo na kratko predstavili analizo slike in kako jo lahko uporabite. Pokrivali bomo definicijo analize slike, različne razpoložljive tehnike in orodja ter možne aplikacije analize slike.

Opredelitev analize slike

Analiza slike je orodje, ki se uporablja za vpogled v digitalni slike. Običajno se uporablja na različnih področjih, kot so medicina, znanstvene raziskave, nadzor, obdelava slik in mnoga druga.

V bistvu gre za postopek zbiranja podatkov s slike in analiziranja podatkov za pridobitev informacij o vsebini slike. Analiza slike pomaga zagotoviti informacije o kakovosti ali značilnostih slike, kot so njena velikost, oblika, intenzivnost/svetlost, barva kompozicijo oziroma njen tloris.

Obstaja več tehnik, ki se uporabljajo pri analizi slike, kot so tehnike prostorske transformacije, kot je ekstrakcija podslike in obdelava blokov; tehnike ekstrakcije značilnosti, ki najdejo zanimive točke ali območja z detektorji robov ali algoritmi za sledenje mejam; klasifikacijske tehnike, ki razvrščajo predmete v kategorije; tehnike segmentacije, ki razčlenjujejo predmete iz ozadja; in algoritmi za prepoznavanje vzorcev, ki prepoznavajo predmete z uporabo statističnih metod.

Z uporabo orodij za analizo slik za aplikacije, kot sta zaznavanje predmetov in prepoznavanje obraza, lahko izboljša uporabniško izkušnjo pri uporabi digitalnih medijev. Analizo je mogoče uporabiti tudi za znanstvene raziskave, da bi ocenili korelacije med definiranimi mejami znotraj posamezne ali skupine slik. Nazadnje to tehnologijo v veliki meri uporabljajo tudi zdravstveni delavci različnih specialnosti, vključno z radiologijo in patologijo, za diagnosticiranje različnih stanj na podlagi skeniranih slik bolnikov.

Vrste analize slike

Analiza slike je pridobivanje pomembnih informacij iz digitalnih slik. To je zelo širok izraz, ki zajema veliko različnih vrst nalog, povezanih s sliko, vključno s prepoznavanjem in identifikacijo predmetov, merjenjem oblike, prepoznavanjem vzorcev, analizo scene in klasifikacijo.

Obstaja veliko vrst tehnik analize slike; nekateri pogostejši vključujejo:
-pixelprostorska analiza – Ta vrsta analize vključuje ročno štetje posameznih slikovnih pik ali skupin slikovnih pik za merjenje površin (velikost, oblika) in gostote (razporeditev).
- Statistična analiza – Ta pristop uporablja statistične metode za ocenjevanje značilnosti, povezanih z regijami na sliki, kot sta kontrast ali svetlost.
- Strojno učenje/umetna inteligenca – Algoritmi umetne inteligence (AI) omogočajo zmogljive naloge avtomatizirane obdelave slik, kot je zaznavanje objektov ali semantična segmentacija z uporabo konvolucijskih nevronskih mrež (CNN).
-Analiza teksture – Ta tehnika meri, kako so elementi na sliki porazdeljeni drug glede na drugega v smislu teksture – variacije sivih ravni ali barv na velikem območju.
- Analiza histograma – Analiza histograma običajno vključuje merjenje statističnih porazdelitev znotraj slike, kot so kontrast, svetlost, barvni odtenek in nasičenost.
- Tehnike filtriranja – Tehnike filtriranja vključujejo matematične operacije na celotnem obdelanem nizu intenzivnosti, ki spremenijo določene dele niza, druge pa ohranijo. Filtri se pogosto uporabljajo za izboljšanje robov ali odstranjevanje šuma s slike tako, da zgladijo ta neželena področja.
-Tehnike Fourierjeve transformacije – Ta metoda uporablja Fourierjeve transformacije, ki razčlenijo slike na več komponent na podlagi frekvenčnih razponov in/ali orientacij v vhodnem okviru. To omogoča izolacijo delov in predmetov, ki imajo lahko posebne značilnosti glede na celoten videz drugih komponent v okvirju – kot so razlike v teksturi ali obliki – kar omogoča lažje zaznavanje predmetov med procesi segmentacije.

Prednosti analize slike

Analiza slik je neprecenljivo orodje za pridobivanje vpogledov iz digitalnih slik. Uporablja se za prepoznavanje vzorcev, prepoznavanje predmetov in pridobivanje pomembnih informacij iz medijev. Od medicinskih raziskav do prepoznavanja obrazov lahko analiza slik koristi številnim panogam. Tukaj bomo raziskali prednosti analize slike in kako jo lahko uporabimo za izboljšanje različnih področij.

Izboljšana uporabniška izkušnja

Analiza slik lahko pomaga izboljšati uporabniško izkušnjo, saj podjetjem omogoča hitro in natančno razumevanje preferenc strank. Z izvajanjem tehnik analize slik lahko podjetja uporabijo podatke iz slik, kot so demografski podatki, lokacije in čustveni odzivi, da bolje ciljajo svoje oglaševanje ali prilagodijo vsebino strankam. Uporaba teh podatkov lahko vodi do boljšega sodelovanja s strankami in povečanja prodaje podjetja.

Analiza slik tudi pomaga podjetjem bolje razumeti kontekst njihovih slik. Tehnologija za prepoznavanje barv na primer omogoča podjetjem, da prepoznajo barve na sliki in ugotovijo, kako so povezane z izdelki ali storitvami. Te informacije lahko podjetjem pomagajo pri razumevanju vedenja strank glede določene storitve ali izdelka. Poleg tega lahko podjetja uporabijo tehnologijo za prepoznavanje predmetov za prepoznavanje predmetov na sliki in boljše razumevanje preferenc strank na podlagi predmetov, ki jih imajo najraje.

Končno analiza slik omogoča podjetjem, da hitreje zbirajo podatke, hkrati pa ohranjajo natančnost v procesu. Podjetjem ni več treba ročno pregledovati na stotine slik, ko poskušajo določiti želje strank; namesto tega lahko avtomatizirajo ta proces z uporabo tehnik analize slik, ki znatno izboljšajo učinkovitost, medtem ko še vedno dobivajo natančne rezultate analize slik. To pomeni, da imajo stranke dostop do prilagojenega oglaševanja hitreje kot kadar koli prej, kar podjetjem omogoča, da svojim strankam zagotovijo boljšo splošno uporabniško izkušnjo.

Povečana natančnost in učinkovitost

Analiza slik nudi številne prednosti za podjetja, vključno z večjo natančnostjo in učinkovitostjo. Z analizo slik namesto zanašanja na ročne ali besedilne metode lahko analiza slik znatno zmanjša napake pri vnosu podatkov in pospeši čas obdelave za določeno nalogo.

Analiza slike prav tako odpravlja potrebo po ročnem prebiranju velikih količin informacij. Namesto tega lahko algoritem hitro najde ustrezne podatke in identificira vzorce, ki jih ljudje zlahka razlagajo. To pospeši proces odločanja in zmanjša morebitne drage napake zaradi človeške napake ali spregleda.

Poleg tega analiza slik olajša hitro prepoznavanje vzorcev v neverjetno velikih naborih podatkov, za ročno prebiranje katerih bi bilo potrebnih na tisoče delovnih ur. To drastično zmanjša stroške dela, hkrati pa poveča natančnost in učinkovitost. Analiza slik prav tako omogoča organizacijam, da kvantificirajo trende, ki bi jih sicer zgrešile s tradicionalnimi metodami, kar jim pomaga sprejemati boljše odločitve hitreje kot kadar koli prej.
Z uporabo tehnologije za analizo slike lahko podjetja zmanjšajo napake pri vnosu podatkov in zmanjšajo stroške dela, hkrati pa povečajo natančnost in učinkovitost svojega poslovanja. To vodi do izboljšane zmožnosti odločanja in natančnejših rezultatov, ki izhajajo iz veliko večjih naborov podatkov, kot bi jih lahko dosegli samo s tradicionalnimi metodami.

Izboljšano odločanje

Uporaba analize slik v podjetjih za pomoč pri odločanju lahko privede do izboljšane učinkovitosti in pomaga organizacijam pri boljšem upravljanju njihovih virov. Z različnimi tehnikami in tehnologijami ima organizacija možnost hitre obdelave in analize slik iz različnih virov. To jim pomaga sprejemati dobre odločitve skoraj takoj.

Analiza slik lahko pomaga organizacijam pri razvrščanju, prepoznavanju in ovrednotenju podatkov, da lahko določijo prednostne naloge ali strateške cilje. Omogoča tudi hitro analizo zapletenih vzorcev znotraj slik, kar prihrani dragoceni čas pri nalogah odločanja na višji ravni. Poleg tega lahko analiza slik pomaga podjetjem odkriti trende ali ponavljajoče se težave, ki bi sicer ostale neopažene.

Organizacije vedno bolj izkoriščajo moč tehnologij za analizo slik, kot so aplikacije za umetno inteligenco (AI) in strojno učenje (ML), da ustvarijo napovedne modele, ki jim dajejo vpogled v to, kaj se bo zgodilo v smislu vedenja strank in tržnih razmer v prihodnosti. Na tej točki skupine za tržno analitiko nenehno pregledujejo slike, ki so jih zbrali iz virov, kot so konkurenčna spletna mesta in digitalni kanali. S pravimi orodji lahko te ekipe hitro ugotovijo, kako stranke komunicirajo z izdelki ali storitvami organizacije, da ustvarijo uporabne vpoglede, ki zagotavljajo konkurenčno prednost pred drugimi v industriji.

Analiza slik ima danes pomembno vlogo v poslovnih operacijah, saj organizacijam zagotavlja dostop do dragocenih vpogledov na podlagi podatkov, ki spodbujajo rast in napredek hitreje kot kdaj koli prej.

Kako uporabljati slikovno analizo

Analiza slike je učinkovit način za obdelavo velikih količin slikovnih podatkov in pridobivanje uporabnih informacij iz njih. Analiza slike vključuje uporabo računalniških algoritmov za določanje pomena slike. Uporablja se lahko za različne naloge, kot so prepoznavanje predmetov, prepoznavanje obraza in segmentacija slike. V tem razdelku bomo razpravljali o tem, kako se lahko uporablja analiza slike in o nekaterih njenih aplikacijah.

Segmentacija slike

Segmentacija slike je veja obdelave slike, pri kateri je slika razdeljena na več segmentov ali regij, ki skupaj sestavljajo celotno sliko. Vsak segment predstavlja zanimivo področje znotraj slike in si ga lahko predstavljamo kot samostojen predmet. Cilj segmentacije je poenostaviti in/ali spremeniti predstavitev slike v nekaj, kar je bolj smiselno in lažje analizirati. Tehnike segmentacije se uporabljajo v medicinskem slikanju za različne naloge, od prepoznavanja anatomskih struktur do spremljanja napredovanja bolezni. Poleg tega so segmentacijski algoritmi ključni sestavni deli avtomatiziranih nadzornih sistemov in se lahko uporabljajo za naloge robotske navigacije in zaznavanje predmetov.

Algoritmi segmentacije se običajno zanašajo bodisi na metode, ki temeljijo na slikovnih pikah, bodisi na metode, ki temeljijo na klasifikaciji. Metode, ki temeljijo na slikovnih pikah, uporabljajo oznake, kot sta barva ali tekstura, za razdelitev slike na ločene segmente. Druga možnost je, da metode, ki temeljijo na klasifikaciji, združujejo kategorije na podlagi opisnih značilnosti, kot sta oblika ali tekstura, da samodejno združijo slikovne pike v ustrezne segmente/predmete.

Segmentacija, ki temelji na slikovnih pikah, je običajno namenjena ločevanju objektov glede na njihovo intenzivnost ali kontrastne vrednosti z izračunom globalnih statističnih podatkov (npr. srednje vrednosti) za celotno regijo. Pristopi, ki temeljijo na klasifikaciji, pogosto zahtevajo ročni vnos in označevanje, preden lahko algoritem začne delovati; vendar so te metode zelo zmogljive, ko imamo opravka z velikimi nabori podatkov ali neznanimi vrstami podatkov, ki jih ni mogoče uspešno ločiti samo z uporabo samo vrednosti slikovnih pik.

Razvrstitev slik

Klasifikacija slik je postopek uporabe računalniških algoritmov za napovedovanje in označevanje razredov na dani sliki. V tem procesu je običajno imeti "zbirko" označenih slik za usposabljanje, ki služijo kot vhodni podatki za učni algoritem. Na podlagi teh slik za usposabljanje se značilnosti, kot so velikost, oblika in barva, izločijo iz slike in uporabijo za klasifikacijo slike. Ta tehnika omogoča natančnejše rezultate v primerjavi z ročnim označevanjem, kjer lahko ljudje naredijo napake zaradi napačnih klasifikacij ali napak pri označevanju.

Glede na neznano sliko lahko uporabimo obstoječi klasifikator, ki nato temu posebnemu vhodu dodeli izhodno kategorijo glede na vnaprej določeno število različnih razredov. Nekateri primeri uporabe tega segajo od sistemov za avtonomno vožnjo avtomobilov, ki mu dajejo zmožnosti prepoznavanja predmetov, do zaznavanja obrazov v biometričnih aplikacijah. Poleg tega lahko natančni označeni podatki prek klasifikacije slik omogočijo bistveno boljši vpogled v naše okolje z uporabo ogromnih vladnih naborov podatkov za nadaljnjo analizo – zlasti v korelacijah med vrstami objektov in poslovnimi aplikacijami, kot sta maloprodajna analiza ali analitika zabave.

Od izvajanja nevronskih mrež s tehnikami optimizacije GPE, da bi pridobili vzporedno obdelavo, do različnih oblik strojnega učenja – obstaja nešteto načinov, kako lahko usposobimo modele AI ali uporabimo tehnike globokega učenja na področju klasifikacije slik; čeprav ima nenadzorovano učenje še vedno kar nekaj ovir, ki raziskovalcem preprečujejo, da bi jih v celoti izkoristili z največjim potencialom, se te metode še vedno aktivno raziskujejo in raziskujejo. Zato razumevanje, kako jih implementirati, zahteva celovito razumevanje algoritmov računalniškega vida, pa tudi močno tehnično znanje, ki vključuje zaledne inženirske prakse, kot so skriptni jeziki, kot je Python, za namene implementacije, skupaj z intimnim znanjem o nastajajočih tehnologijah, kot je blockchain ali infrastruktura brez strežnika. izvedbe

Zaznavanje predmetov

Zaznavanje objektov je računalniško podprta tehnologija in tehnika za zagotavljanje natančnosti pri analizi nabora slikovnih podatkov. Ta tehnologija uporablja različne sofisticirane algoritme za identifikacijo predmetov in njihovih značilnosti na enostavno prepoznavnih slikah. Ima pomembno vlogo na številnih področjih, kot so forenzika, medicina, industrijska avtomatizacija, identifikacija obraza in avtomatizirani inšpekcijski sistemi.

Zaznavanje predmetov vključuje analizo ali zbiranje podatkov za določitev velikosti, oblike in drugih lastnosti določenih predmetov na sliki. Ta vrsta analize slike lahko vključuje prepoznavanje predmetov na podlagi njihove barve, teksture ali celo oblik, ki jih ustvarijo, ko so postavljeni skupaj. Uporaba matematičnih modelov in statističnih metod današnjim računalnikom močno olajša nalogo.

Primarni cilj tukaj je natančno identificirati vsak predmet, ki se pojavi v naboru slikovnih podatkov, z uporabo dodeljenih oznak atributov. Algoritem je treba predhodno usposobiti z veliko podatki, vključno z "dobrimi" primeri za natančne napovedi o značilnostih vsakega ciljnega objekta, preden se začne usposabljanje. Ko je usposabljanje končano in je napovedovanje uspešno, mu bodo sledile faze, kot je sklepanje, kjer pričakovani rezultat danega vnosa deluje z rezultati, pridobljenimi iz prejšnjih študij.

Tehnologija, kot so algoritmi globokega učenja (DL), pomaga pri omogočanju več plasti, ki skupaj delujejo v smeri doseganja natančnejših rezultatov v krajšem časovnem okviru, kot bi jih lahko zagotavljale tradicionalne metode, preden so bile na voljo v tej vrsti nastavitev strojne opreme za obdelavo, ki se uporablja danes. Navsezadnje zaradi tega načini, podprti z umetno inteligenco, kot je globoko učenje, postanejo privlačnejši od običajnih pristopov, saj močno zmanjšajo napake, hkrati pa zagotavljajo učinkovite meritve natančnosti zaznavanja objektov, ki lahko takoj proizvedejo rezultate tudi v scenarijih v realnem času.

Orodja za analizo slik

Analiza slik je postopek, ki vključuje pridobivanje pomembnih informacij iz slik s svojimi računalniškimi metodologijami. Ta postopek se uporablja na različnih področjih, kot so medicinsko slikanje, umetna inteligenca in daljinsko zaznavanje. Na srečo so na voljo različna orodja za analizo slik, zaradi katerih je postopek lažji in učinkovitejši. Oglejmo si nekaj orodij, ki so na voljo za analizo slik.

OpenCV

OpenCV je knjižnica programskih funkcij, namenjenih predvsem računalniškemu vidu v realnem času. Podpira različna okna, Linux, platforme in druge programske platforme, zato se pogosto uporablja za analizo in obdelavo slik. Področja uporabe OpenCV vključujejo: računalniški vid, prepoznavanje obrazov, identifikacijo objektov, sledenje gibanju, segmentacijo in prepoznavanje.

OpenCV ponuja široko paleto zmogljivih orodij, ki jih je mogoče uporabiti za izvajanje kompleksnih nalog, kot so zaznavanje predmetov, prepoznavanje obraza, samodejno ekstrakcijo funkcij in več. Ima aktivno skupnost, ki ponuja uporabniku prijazne rešitve za običajne težave. Knjižnica je bila zasnovana za integracijo s številnimi programskimi jeziki, kot so C++, Java ali Python. Knjižnica omogoča razvijalcem, da delajo s slikami v svojih želenih jezikih in tako znatno skrajšajo čas razvoja. OpenCV podpira vse vrste podatkov (kot so slike v 2D in 3D obliki), zaradi česar je najbolj vsestransko orodje med vsemi knjižnicami za obdelavo slik, ki so danes na voljo.

Orodja, vključena v OpenCV, so:
- Filtriranje slik
- Segmentacija objekta
-Funkcije ekstrakcije
-Ujemanje lastnosti in klasifikacija
- Sledenje predmetom in analiza gibanja
-3D rekonstrukcija za preučevanje predmetov

Njegova orodja se pogosto uporabljajo za avtomatiziran vizualni pregled v industrijskih okoljih zaradi svojih prednosti, kot so nizka poraba pomnilnika, hitro izvajanje na večini platform (zlasti vgrajenih), prenosljivost med sistemi, ki uporabljajo standardne knjižnice, kot je OpenMPI/MPI4Py. Njegova odprtokodna licenca ga naredi še bolj privlačnega za uporabnike, ki ga želijo uporabljati brez plačil licenčnin ali licenc podjetij ali organizacij, kot je mathworks itd.

TensorFlow

TensorFlow je knjižnica odprtokodne programske opreme, ki se uporablja za razvoj in usposabljanje modelov globokega učenja. Sistemi globokega učenja, kot so modeli za analizo slike, so sestavljeni iz več plasti nevronov, ki obdelujejo vhodne podatke, kot je slika. TensorFlow razvijalcem omogoča lažji razvoj in uvajanje najsodobnejših modelov globokega učenja, ki jih je mogoče uporabiti pri vidu, obdelavi naravnega jezika in na drugih področjih.

Glavna prednost uporabe TensorFlow je, da omogoča enostaven način za hitro in učinkovito ustvarjanje in uvajanje zmogljivih modelov strojnega učenja. TensorFlow podpira tudi široko paleto aplikacij v MacOS, Windows, Linux in mobilnih platformah. In ker je odprtokoden in ima bogato podporo skupnosti, lahko v svojem razvojnem procesu uporabite obstoječa orodja, ne da bi morali znova izumljati kolesa ali porabiti dodaten čas za razhroščevanje kode od začetka.

Poleg usposabljanja novih modelov iz nič vam TensorFlow omogoča tudi ponovno uporabo predhodno usposobljenih modelov za prenos učenja ali natančne nastavitve na določenih nizih problemov. To omogoča hitro izdelavo rešitev po meri, prilagojenih določenim težavam, hkrati pa izkorišča obstoječe znanje, vgrajeno v obstoječa omrežja. S to prilagodljivostjo v roki lahko razvijalci začnejo eksperimentirati z različnimi arhitekturami hitreje kot kdaj koli prej – v hipu jih pripravijo in zaženejo z visoko natančnostjo.

Google Cloud Vision

Google Cloud Vision je zmogljivo orodje za obdelavo slik, zasnovano za pomoč podjetjem pri analizi slik in pridobivanju dragocenih vpogledov. Temelji na isti tehnologiji, kot jo uporablja Google Photos, zaradi česar je zanesljiv in enostaven za uporabo. To orodje v oblaku podjetjem omogoča hitro obdelavo velikih količin slik, zaznavanje obrazov, prepoznavanje predmetov in ekstrahiranje besedila, pri čemer se izognejo ročnemu delu.

Druga odlična lastnost Google Cloud Vision je njegova zmožnost prepoznavanja predmetov iz številnih kategorij, kot so živali ali izdelki. S funkcijo »zaznavanja logotipa« se lahko uporabniki povežejo z blagovnimi znamkami, kot sta Facebook ali Instagram, za podrobne informacije o sledenju in analizi. Funkcija »zaznavanje znamenitosti« pomaga uporabnikom opaziti znamenitosti okoli sebe in v trenutku bolje razumeti njihovo lokalno kulturo.

Poleg zmožnosti prepoznavanja predmetov Google Cloud Vision uporabnikom ponuja tudi analizo razpoloženja in samodejno orodje za dodajanje napisov slikam — popolno za takojšnjo analizo! Poleg tega to orodje ponuja zmožnosti prepoznavanja obraza, ki so odlične za marketinške namene, saj z visoko natančnostjo zaznavajo atribute, kot sta starost in spol. Nazadnje, zmožnosti pridobivanja ključnih besed uporabnikom omogočajo hitro pregledovanje vhodnih slik, medtem ko najdejo ustrezne ključne besede, ki jih je mogoče uporabiti v kasnejših procesih ali aplikacijah.

Skratka, Google Cloud Vision je odlična možnost, ko iščete orodje za obdelavo slik, ki podjetjem pomaga pri učinkovitejši analizi slik kot kadar koli prej!

zaključek

Analiza slik je močno orodje za zbiranje vpogledov iz digitalnih slik. Uporablja se lahko na številnih različnih področjih, kot so medicina, avtomobilizem in fotografija. Prednosti uporabe analize slike so številne in lahko prihranijo čas, denar in trud. V tem članku smo si ogledali osnove analize slike, kaj je in kako vam lahko koristi. Razpravljali smo tudi o različnih vrstah analize in najboljših praksah za uspešno analizo slike. Za zaključek je očitno, da je analiza slik močno orodje za zbiranje vpogledov in sprejemanje odločitev na podlagi podatkov.

Povzetek

Izbira pražene kave je odvisna od okusa in moči, ki ju imate najraje, ter od vaših regionalnih preferenc. Različne pražarne ponujajo široko paleto imen in barvnih kategorij, vendar bo na splošno svetla pečenka imela blažji okus in nekoliko višjo vsebnost kofeina, medtem ko je temna pečenka bolj grenka z manj kislosti. Priljubljene vrste vsakega vključujejo Light City, Half City, Cinnamon, City, American, Breakfast, Full City, High Continental New Orleans European Espresso Dunajski Italian French. Ne glede na to, ali ste ljubitelj svetlih ali temnih kavnih zrn – ali nekje vmes – pred nakupom obvezno povprašajte, da boste dobili točno tisto, kar iščete!

Nadaljnje branje

Uporaba analize slik za pridobitev vpogleda in sklepanje iz slik postaja vse bolj priljubljena v številnih panogah, od zdravstva do varnosti. Če želite izvedeti več o tej tehnologiji, si oglejte naslednje vire:

Članki in vaje
-»Analiza slike: kaj je to in kako jo uporabljati« podjetja Oracle
-»Uvod v analizo slik za ljudi, ki ne vedo ničesar o analizi slik« Kenta Woodarda
-»8 korakov k razumevanju analize in obdelave slike v strojnem učenju« Victorja Charpenaya
Knjige in publikacije
-Image Processing: Principles and Applications Milan Sonka et al.
-Računalniški in strojni vid – teorija, algoritmi, praktičnosti (4. izdaja) ER Davies
-Digitalna obdelava slik z OpenCV – Bibliografija (različica 4.1), zbral David Dardas Spletni seminarji in podcasti
- Spletni seminar o računalniškem vidu skozi strojno učenje, ki ga gosti Treehouse AI
-Machine Learning Fundamentals Podcast, ki ga gosti Google Cloud Platform. Na voljo je tudi veliko drugih knjig, člankov, spletnih seminarjev, podcastov, delavnic in drugih virov, ki vam lahko pomagajo bolje razumeti metodologijo analize slike in kako jo uporabiti za posebne aplikacije.

Živjo, sem Kim, mama in ljubiteljica stop-motiona z izkušnjami pri ustvarjanju medijev in spletnem razvoju. Imam veliko strast do risanja in animacije, zdaj pa se na glavo potapljam v svet stop-motiona. S svojim blogom z vami delim svoja spoznanja.