自己动手，实现《天气之子》滤镜REDUX

    传统图像处理算法进行“天空分割”存在精度问题，导致最终融合的效果普通。为了有效解决这类问题，本课程将基于Pytorch实现天空对象的语义分割，并进一步扩展到环境构建、数据集准备、参数调节和运行部署等方面内容，最终能够实现远超传统算法的运行效果！    具体内容包括：   1、基于Unet语义分割的基本原理、环境构建、参数调节等 2、一种有效的天空分割数据集准备方法，并且获得数据集 3、基于OpenCV的Pytorch模型部署方法 4、融合效果极好的 SeamlessClone 技术 5、饱和度调整、颜色域等基础图像处理知识和编码技术

OpenCV条形码识别模块原理和代码精讲

    本课程分享对由中国开发者提供的OpenCV条形码识别模块的原理和代码精讲。该模块借鉴“目标识别”领域先进理念，采用“定位-识别”二段模式，有效提高了自然环境下条码识别的准确率并保持了C++代码的高速度，相比较常用的zxing和zbar在准确率和识别速度上均有较大优势。更难得可贵的是在代码的实现过程中能够注意细节，在诸如“循环测试确定参数数值”“积分图的使用”“倾斜矩形纠偏”等处，均提供了思路清晰、弹性高的优质代码。作为一套通过了OpenCV官方的代码检验、解决一个常用领域内具体问题的模块，对于图像处理学习来说是难得可贵的。    逐条进行代码解读繁琐且低效，个人认为，在图像处理领域，能够运行和修改观察的代码对于学习研究至关重要。在理论剖析部分，也是由应用引导原理。同时做好知识的迁移和代码的复用工作。在这个过程中，创建针对性的实验非常重要。 课程内容分为4个部分：一是基本配置，包括· 条形码识别模块的安装使用 （cmake配置和OpenCV编译）;· 构建用于测试和代码阅读的环境；· 模块对官方数据集的测试；二是条码定位，将详细讲解思路、原理和实现知识迁移部分将简单说一下在毛发识别上的迁移：三是条码识别，该部分内容会首先梳理框架，而后具体进行分析讲解    此外，我们将结合例子，将OpenCV的基础功能，包括积分图像、形态学变化、联通区域、透视变化等进行复习，加深理解。 

基于Csharp+OpenCV图像处理实战

一、主要内容：OpenCV能够实现强大丰富的图像处理，但是它缺少一个能够支持它运行的界面。Csharp经过多年的发展,得益于它的“所见及所得”能力，非常方便编写界面。这两者如果能够“双剑合璧”，将有效帮助实际工作产出。本课着重推荐GOCW采用“Csharp基于CLR直接调用Opencv编写的算法库”方法，能够将最新的OpenCV技术引入进来，同时保证生成程序的最小化。    为了进一步说明Csharp和OpenCV的结合使用，首先一个较为完整的基于winform实现答题卡识别的例子，相比较之前的实现，本次进一步贴近生产实际、内涵丰富，对算法也进行了进一步提炼。同时我们对WPF下对OpenCV函数的调用、OpenCV.js的调用进行相关教授。       二、课程结构1、 EmguCV、OpenCVSharp和GOCW之间进行比较（方便代码编写、能够融入最新的算法、速度有保障、方便调试找错、拒绝黑箱化）；2、视频采集模块的构建，视频采集和图像处理之间的关系；3、视频采集专用的SDK和“陪练”系统的介绍；4、在视频增强类项目中和图像处理项目中，算法的选择；5、Csharp界面设计、图片的存储和其他构建设计；6、较为完整的答题卡识别例子，兼顾界面设计和算法分析;8、WPF基于GOCW也同样可以基于GOCW实现算法调用；webForm虽然也可以通过类似方法调用，但是OpenCV.JS的方法更现代高效。9、关于软件部署的相关要点和窍门。       三、知识要点：１、基本环境构建和程序框架；２、CLR基本原理和应用方法；３、接入、采集、模拟输入;４、图像处理，通过构建循环采集图片；５、增强和实时处理；６、基于投影等技术的答题卡识别算法；７、存储、转换；８、部署交付。        课程能够帮助你掌握Csharp调用Opencv的基本方法，获得相应框架代码和指导；从而进一步提升实现“基于图像处理”的解决方案能力。  

基于RK3399和OpenCV实现实时视频增强

     在我主要负责实现的“血管增强”“白板扫描增强”等实时类项目中，都不约而同地有以下需求：1、要求速度，追求10fps以上的刷新；2、要求嵌入式，希望能够部署在小型化系统上；3、界面不复杂，但是希望能够通过按键、串口通信等方式进行控制；4、浸入式需求，也就是这样一个系统只做这样一个事情……      结合实际工作实际，我做了“软、硬”件两个方面的专项研究：     算法优化的系统方法 ： GaussFilter     硬件及工具链的选择 ： Rk3399本门课程 ，就是在这些研究上的经验交流和资料分享。具体细节，请看综述。建议的学习模式：1、每周学习16个小时，预计3个星期解决战斗； 2、参考附件资料进行编码联系，使用电子方法记录心得； 3、在有参考的条件下，完成最后3个大实验。

基于OpenCV的精度测量项目实战

课程的核心是开发一个基于OpenCV的“精度测量”项目。首先就是需要说明“什么是精度测量项目”，“精度测量的难点在哪里”，“精度测量的价值是什么，可用于哪些地方”？我们将围绕这若干问题的解决，展开全面的教学。 

从零开始的OpenCV实战-答题卡识别

答题卡识别是一个典型的“机器视觉”应用。其中，答题卡的样式可以是由自己来设置的，图片的获取方式提到了可以是“手机拍照、相机拍照”这种比较方便的方式；本例的一个特殊的要求是：你可以识别不出来，但是你不能识别错误，这是项目的特殊要求。本课程将围绕此进行全面展开。

基于QT和OpenCV实现Linux平台下图像处理

当我们视频图像处理程序需要解决“跨平台”问题的时候，OpenCV+Qt是一种很好的选择。这里和大家分享的GOQtTemplate3为一款开源的、功能强大的多平台视频图像平台，经过较长时间打磨和实际项目检验，已经比较成熟。希望这里提供的相关内容能够为大家解决实际问题带来切实帮助；期望这里展示的解决问题的方法思路能够为大家解决相关问题提供一些灵感。你将对在Linux下编写图像处理程序有着多面的认识，能够直接上手基于QT和OpenCV编写图像处理程序的需求，同时帮助同学们进一步夯实图像处理基本算法。 

基于OpenCV的钢管计数项目实战

实现自己的Prisma（基于QT和OpenCV实现Android平台上基于AI的图像处理APP)

基于OpenCV.DNN和QtQuick，集成StyleTransfer算法，实现Android系统上的Prisma程序 界面实现上，基于QML.control2实现通用界面 算法功能上，集成ST算法，实现著名的手机应用软件Prisma能力。 同时包括对天空替换、扫描增强算法、血管增强算法的研究和实现~

OpenVINO计算机视觉—实例实战

手把手讲授如何搭建成功OpenVINO框架，并且使用预训练模型快速开发超分辨率、道路分割、汽车识别、人脸识别、人体姿态和行人车辆分析。得益于OpenVINO框架的强大能力，这些例子都能够基于CPU达到实时帧率。 课程的亮点在于在调通Demo的基础上更进一步：一是在讲Demo的时候，对相关领域问题进行分析（比如介绍什么是超分辨率，有什么作用）、预训练模型的来龙去脉（来自那篇论文，用什么训练的）、如何去查看不同模型的输入输出参数、如何编写对应的接口参数进行详细讲解；二是基本上对所有的代码进行重构，也就是能够让例子独立出来，并且给出了带有较详细注释的代码；三是注重实际运用，将Demo进一步和实时视频处理框架融合，形成能够独立运行的程序，方便模型落地部署；四是重难点突出、注重总结归纳，对OpenVINO基本框架，特别是能够提高视频处理速度的异步机制和能够直接部署解决实际问题的骨骼模型着重讲解，帮助学习理解；五是整个课程准备精细，每一课都避免千篇一律，前一课有对后一课的预告，后一课有对前一课的难点回顾，避免学习过程中出现突兀；六是在适当的时候拓展衍生，不仅讲OpenVINO解决图像处理问题，而且还补充图像处理的软硬选择、如何在手机上开发图像处理程序等内容，帮助拓展视野，增强对行业现状的了解。 基本提纲： 1、课程综述、环境配置 2、OpenVINO范例-超分辨率（super_resolution_demo） 3、OpenVINO范例-道路分割（segmentation_demo） 4、OpenVINO范例-汽车识别（security_barrier_camera_demo） 5、OpenVINO范例-人脸识别（interactive_face_detection_demo） 6、OpenVINO范例-人体姿态分析（human_pose_estimation_demo） 7、OpenVINO范例-行人车辆分析（pedestrian_tracker_demo） 8、NCS和GOMFCTEMPLATE 9、课程小结，资源分享