book

詳解 OpenCV 3 ―コンピュータビジョンライブラリを使った画像処理・認識

Name: 詳解 OpenCV 3 ―コンピュータビジョンライブラリを使った画像処理・認識
ISBN: 9784873118376

by Adrian Kaehler, Gary Bradski, 松田晃一, 小沼千絵, 永田雅人, 花形理

May 2018

Intermediate to advanced

992 pages

17h 31m

Japanese

O'Reilly Japan, Inc.

Read now

Unlock full access

　大扉
　原書大扉
　クレジット
　訳者まえがき
　まえがき
　1章　概要
　　1.1　OpenCVとは何か？　　1.2　OpenCVを使うのはだれか？　　1.3　コンピュータビジョンとは何か？　　1.4　OpenCVの起源　　　1.4.1　OpenCVのブロック図　　　1.4.2　IPPでOpenCVを高速化する　　　1.4.3　OpenCVの所有者はだれか？　　1.5　OpenCVをダウンロード、インストールする　　　1.5.1　インストール　　1.6　Gitから最新のOpenCVを入手する　　1.7　その他のOpenCVドキュメント　　　1.7.1　同梱のドキュメント　　　1.7.2　オンラインドキュメントとWiki　　1.8　OpenCVの寄贈リポジトリ　　　1.8.1　寄贈コードのモジュールをダウンロードしビルドする　　1.9　移植性　　1.10　まとめ　　1.11　練習問題
　2章　OpenCV入門
　　2.1　インクルードファイル　　　2.1.1　リソース　　2.2　初めてのプログラム——写真を表示する　　2.3　2つ目のプログラム——動画　　2.4　動き回る　　2.5　簡単な変換　　2.6　少し複雑な変換　　2.7　カメラからの入力　　2.8　AVIファイルへ書き込む　　2.9　まとめ　　2.10　練習問題
　3章　OpenCVのデータ型
　　3.1　基本　　3.2　OpenCVのデータ型　　　3.2.1　基本の型の概要　　　3.2.2　基本の型：深く掘り下げる　　　3.2.3　ヘルパーオブジェクト　　　3.2.4　ユーティリティ関数　　　3.2.5　テンプレート構造　　3.3　まとめ　　3.4　練習問題
　4章　画像と大型配列型
　　4.1　動的可変長ストレージ　　　4.1.1　cv::Matクラス：N次元の密な配列　　　4.1.2　配列の生成　　　4.1.3　個々の配列要素へのアクセス　　　4.1.4　N変数配列イテレータ：cv::NAryMatIterator　　　4.1.5　ブロック単位での配列要素へのアクセス　　　4.1.6　行列の演算式：代数とcv::Mat　　　4.1.7　飽和型変換　　　4.1.8　その他、配列でできること　　　4.1.9　cv::SparseMatクラス：疎な配列　　　4.1.10　疎な配列の要素へのアクセス　　　4.1.11　疎な配列に特有の機能　　　4.1.12　大型配列型用のテンプレート形式　　4.2　まとめ　　4.3　練習問題
　5章　配列の演算
　　5.1　配列でできる多様な処理　　　5.1.1　cv::abs()　　　5.1.2　cv::absdiff()　　　5.1.3　cv::add()　　　5.1.4　cv::addWeighted()　　　5.1.5　cv::bitwise_and()　　　5.1.6　cv::bitwise_not()　　　5.1.7　cv::bitwise_or()　　　5.1.8　cv::bitwise_xor()　　　5.1.9　cv::calcCovarMatrix()　　　5.1.10　cv::cartToPolar()　　　5.1.11　cv::checkRange()　　　5.1.12　cv::compare()　　　5.1.13　cv::completeSymm()　　　5.1.14　cv::convertScaleAbs()　　　5.1.15　cv::countNonZero()　　　5.1.16　cv::cvarrToMat()　　　5.1.17　cv::dct()　　　5.1.18　cv::dft()　　　5.1.19　cv::cvtColor()　　　5.1.20　cv::determinant()　　　5.1.21　cv::divide()　　　5.1.22　cv::eigen()　　　5.1.23　cv::exp()　　　5.1.24　cv::extractImageCOI()　　　5.1.25　cv::flip()　　　5.1.26　cv::gemm()　　　5.1.27　cv::getConvertElem()とcv::getConvertScaleElem()　　　5.1.28　cv::idct()　　　5.1.29　cv::idft()　　　5.1.30　cv::inRange()　　　5.1.31　cv::insertImageCOI()　　　5.1.32　cv::invert()　　　5.1.33　cv::log()　　　5.1.34　cv::LUT()　　　5.1.35　cv::magnitude()　　　5.1.36　cv::Mahalanobis()　　　5.1.37　cv::max()　　　5.1.38　cv::mean()　　　5.1.39　cv::meanStdDev()　　　5.1.40　cv::merge()　　　5.1.41　cv::min()　　　5.1.42　cv::minMaxIdx()　　　5.1.43　cv::minMaxLoc()　　　5.1.44　cv::mixChannels()　　　5.1.45　cv::mulSpectrums()　　　5.1.46　cv::multiply()　　　5.1.47　cv::mulTransposed()　　　5.1.48　cv::norm()　　　5.1.49　cv::normalize()　　　5.1.50　cv::perspectiveTransform()　　　5.1.51　cv::phase()　　　5.1.52　cv::polarToCart()　　　5.1.53　cv::pow()　　　5.1.54　cv::randu()　　　5.1.55　cv::randn()　　　5.1.56　cv::randShuffle()　　　5.1.57　cv::reduce()　　　5.1.58　cv::repeat()　　　5.1.59　cv::scaleAdd()　　　5.1.60　cv::setIdentity()　　　5.1.61　cv::solve()　　　5.1.62　cv::solveCubic()　　　5.1.63　cv::solvePoly()　　　5.1.64　cv::sort()　　　5.1.65　cv::sortIdx()　　　5.1.66　cv::split()　　　5.1.67　cv::sqrt()　　　5.1.68　cv::subtract()　　　5.1.69　cv::sum()　　　5.1.70　cv::trace()　　　5.1.71　cv::transform()　　　5.1.72　cv::transpose()　　5.2　まとめ　　5.3　練習問題

　6章　描画方法とテキスト表示方法
　　6.1　図形を描画する　　　6.1.1　線画とポリゴンの塗りつぶし　　　6.1.2　フォントとテキスト　　6.2　まとめ　　6.3　練習問題
　7章　OpenCVのファンクタ
　　7.1　「何かをする」オブジェクト　　　7.1.1　主成分分析（cv::PCA）　　　7.1.2　特異値分解（cv::SVD）　　　7.1.3　乱数生成器（cv::RNG）　　7.2　まとめ　　7.3　練習問題
　8章　画像、動画、データファイル
　　8.1　HighGUI：ポータブルなグラフィックスツールキット　　8.2　画像ファイルを扱う　　　8.2.1　画像を読み込む、書き込む　　　8.2.2　コーデックに関する注意　　　8.2.3　圧縮と展開　　8.3　動画を扱う　　　8.3.1　cv::VideoCaptureオブジェクトを用いて動画を読み込む　　　8.3.2　cv::VideoWriterオブジェクトを用いて動画を書き出す　　8.4　データの保存　　　8.4.1　cv::FileStorageに書き込む　　　8.4.2　cv::FileStorageから読み込む　　　8.4.3　cv::FileNode　　8.5　まとめ　　8.6　練習問題
　9章　クラスプラットフォームとネイティブウィンドウ
　　9.1　ウィンドウで作業する　　　9.1.1　HighGUIネイティブのグラフィカルユーザーインタフェース　　　9.1.2　Qtバックエンドで作業する　　　9.1.3　OpenCVと他のGUIツールキットを統合する　　9.2　まとめ　　9.3　練習問題
　10章　フィルタとコンボリューション
　　10.1　概要　　10.2　始める前に　　　10.2.1　フィルタ、カーネル、コンボリューション　　　10.2.2　境界線の外挿と境界条件　　10.3　閾値処理　　　10.3.1　大津のアルゴリズム　　　10.3.2　適応型閾値処理　　10.4　平滑化　　　10.4.1　単純平滑化とボックスフィルタ　　　10.4.2　メディアンフィルタ　　　10.4.3　Gaussianフィルタ　　　10.4.4　バイラテラルフィルタ　　10.5　微分と勾配　　　10.5.1　Sobel微分　　　10.5.2　Scharrフィルタ　　　10.5.3　Laplacian　　10.6　画像のモルフォロジー　　　10.6.1　膨張と収縮　　　10.6.2　汎用的なモルフォロジー関数　　　10.6.3　オープニングとクロージング　　　10.6.4　モルフォロジーの勾配演算　　　10.6.5　トップハットとブラックハット　　　10.6.6　自前のカーネルを作成する　　10.7　任意の線形フィルタによるコンボリューション　　　10.7.1　cv::filter2D()を用いて汎用フィルタを適用する　　　10.7.2　cv::sepFilter2D()を用いて汎用的な分離可能フィルタを適用する　　　10.7.3　カーネルを作る　　10.8　まとめ　　10.9　練習問題
　11章　画像変換
　　11.1　概要　　11.2　拡大、縮小、ワープ（歪曲）、回転　　　11.2.1　均一なリサイズ　　　11.2.2　画像ピラミッド　　　11.2.3　不均一写像　　　11.2.4　アフィン変換　　　11.2.5　透視変換　　11.3　汎用的な写像　　　11.3.1　極座標変換　　　11.3.2　対数極座標（LogPolar）　　　11.3.3　任意の写像　　11.4　画像修復　　　11.4.1　修復　　　11.4.2　ノイズ除去　　11.5　ヒストグラムの平坦化　　　11.5.1　cv::equalizeHist()：コントラストの平坦化　　11.6　まとめ　　11.7　練習問題
　12章　画像解析
　　12.1　概要　　12.2　離散フーリエ変換　　　12.2.1　cv::dft()：離散フーリエ変換　　　12.2.2　cv::idft()：逆離散フーリエ変換　　　12.2.3　cv::mulSpectrums()：スペクトル乗算　　　12.2.4　DFTを用いたコンボリューション　　　12.2.5　cv::dct()：離散コサイン変換　　　12.2.6　cv::idct()：逆離散コサイン変換　　12.3　積分画像　　　12.3.1　標準の積分計算用のcv::integral()　　　12.3.2　二乗和積分用のcv::integral()　　　12.3.3　傾斜和積分用のcv::integral()　　12.4　Cannyエッジ検出器　　　12.4.1　cv::Canny()　　12.5　Hough変換　　　12.5.1　Hough線変換　　　12.5.2　Hough円変換　　12.6　距離変換　　　12.6.1　ラベルなし距離変換用のcv::distanceTransform()　　　12.6.2　ラベル付き距離変換用のcv::distanceTransform()　　12.7　領域分割　　　12.7.1　フラッドフィル処理　　　12.7.2　Watershedアルゴリズム　　　12.7.3　Grabcuts　　　12.7.4　平均値シフト分割　　12.8　まとめ　　12.9　練習問題
　13章　ヒストグラムとテンプレートマッチング
　　13.1　OpenCVでのヒストグラムの表現　　　13.1.1　cv::calcHist()：データからヒストグラムを作成する　　13.2　ヒストグラムの基本操作　　　13.2.1　ヒストグラムの正規化　　　13.2.2　ヒストグラムの閾値　　　13.2.3　最も値の大きいビンを見つける　　　13.2.4　2つのヒストグラムを比較する　　　13.2.5　ヒストグラムの使用例　　13.3　もう少し洗練されたヒストグラムの手法　　　13.3.1　EMD（搬土距離）　　　13.3.2　バックプロジェクション　　13.4　テンプレートマッチング　　　13.4.1　二乗差分マッチング手法（cv::TM_SQDIFF）　　　13.4.2　正規化二乗差分マッチング手法（cv::TM_SQDIFF_NORMED）　　　13.4.3　相互相関マッチング手法（cv::TM_CCORR）　　　13.4.4　正規化相互相関マッチング手法（cv::TM_CCORR_NORMED）　　　13.4.5　相関係数マッチング手法（cv::TM_CCOEFF）　　　13.4.6　正規化相関係数マッチング手法（cv::TM_CCOEFF_NORMED）　　13.5　まとめ　　13.6　練習問題
　14章　輪郭
　　14.1　輪郭を見つける　　　14.1.1　輪郭の階層　　　14.1.2　輪郭を描画する　　　14.1.3　輪郭の例　　　14.1.4　もう1つの輪郭の例　　　14.1.5　高速な連結成分の解析　　14.2　輪郭に対してさらに何かを行う　　　14.2.1　ポリゴン近似　　　14.2.2　幾何形状と特徴の要約　　　14.2.3　幾何形状的な調査　　14.3　輪郭と画像をマッチングする　　　14.3.1　モーメント　　　14.3.2　モーメントの詳細　　　14.3.3　Hu不変モーメントを用いてマッチングを行う　　　14.3.4　Shape Contextを用いて形状を比較する　　14.4　まとめ　　14.5　練習問題
　15章　背景除去
　　15.1　背景除去の概要　　15.2　背景除去の弱点　　15.3　シーンのモデル化　　　15.3.1　ピクセル集合の断面　　　15.3.2　フレーム差分　　15.4　平均背景法　　　15.4.1　平均、分散、共分散を累積する　　15.5　より高度な背景除去手法　　　15.5.1　クラス　　　15.5.2　背景を学習する　　　15.5.3　動く前景の物体も含めて学習する　　　15.5.4　背景差分：前景物体を見つける　　　15.5.5　コードブック背景モデルを使う　　　15.5.6　コードブックモデルに対するさらなる考察　　15.6　前景除去のための連結成分　　　15.6.1　クイックテスト　　15.7　背景手法を比較する　　15.8　OpenCVの背景除去のカプセル化　　　15.8.1　cv::BackgroundSubtractor基底クラス　　　15.8.2　KaewTraKulPong and Bowdenの手法　　　15.8.3　Zivkovic法　　15.9　まとめ　　15.10　練習問題
　16章　キーポイントと記述子
　　16.1　キーポイントとトラッキングの基礎　　　16.1.1　コーナー検出　　　16.1.2　オプティカルフローの概要　　　16.1.3　Lucas-Kanade法による疎なオプティカルフロー　　16.2　一般化されたキーポイントと記述子　　　16.2.1　オプティカルフロー、追跡、認識　　　16.2.2　OpenCVによるキーポイントと記述子の一般的なケースにおける扱い方　　　16.2.3　キーポイント検出手法　　　16.2.4　キーポイントのフィルタ処理　　　16.2.5　マッチングメソッド　　　16.2.6　結果を表示する　　16.3　まとめ　　16.4　練習問題
　17章　トラッキング
　　17.1　トラッキングの概念　　17.2　密なオプティカルフロー　　　17.2.1　Farnebäckの多項式展開アルゴリズム　　　17.2.2　Dual TV-L1アルゴリズム　　　17.2.3　Simple Flowアルゴリズム　　17.3　平均値シフトとCamshiftトラッキング　　　17.3.1　平均値シフト　　　17.3.2　Camshiftアルゴリズム　　17.4　モーションテンプレート　　17.5　推定器　　　17.5.1　Kalmanフィルタ　　　17.5.2　拡張Kalmanフィルタに関する簡単な説明　　17.6　まとめ　　17.7　練習問題
　18章　カメラモデルとキャリブレーション
　　18.1　カメラモデル　　　18.1.1　射影幾何の基本　　　18.1.2　ロドリゲス変換　　　18.1.3　レンズ歪み　　18.2　キャリブレーション　　　18.2.1　回転行列と平行移動ベクトル　　　18.2.2　キャリブレーションボード　　　18.2.3　ホモグラフィ　　　18.2.4　カメラキャリブレーション　　18.3　歪み補正　　　18.3.1　歪み補正マップ　　　18.3.2　cv::convertMaps()を用いて歪み補正マップの表現を変換する　　　18.3.3　cv::initUndistortRectifyMap()を用いて歪み補正マップを計算する　　　18.3.4　cv::remap()を用いて画像の歪み補正を行う　　　18.3.5　cv::undistort()を用いて歪み補正を行う　　　18.3.6　cv::undistortPoints()を用いて疎な歪み補正を行う　　18.4　キャリブレーションを全部まとめる　　18.5　まとめ　　18.6　練習問題
　19章　射影変換と3次元ビジョン
　　19.1　射影　　19.2　アフィン変換と透視変換　　　19.2.1　鳥瞰図変換の例　　19.3　3次元姿勢推定　　　19.3.1　単一カメラによる姿勢推定　　　19.3.2　cv::solvePnP()を用いて既知の物体の姿勢を計算する　　19.4　ステレオ画像処理　　　19.4.1　三角測量　　　19.4.2　エピポーラ幾何　　　19.4.3　基本行列と基礎行列　　　19.4.4　エピポーラ線を計算する　　　19.4.5　ステレオキャリブレーション　　　19.4.6　ステレオ平行化　　　19.4.7　ステレオ対応点探索　　　19.4.8　ステレオキャリブレーション、平行化、対応点探索のコード例　　　19.4.9　3次元再投影からの奥行きマップ　　19.5　動画像からの3次元復元　　19.6　2次元と3次元の線のフィッティング処理　　19.7　まとめ　　19.8　練習問題
　20章　OpenCVによる機械学習の基本
　　20.1　機械学習とは？　　　20.1.1　訓練セットとテストセット　　　20.1.2　教師あり学習と教師なし学習　　　20.1.3　生成的モデルと識別的モデル　　　20.1.4　OpenCVのMLアルゴリズム　　　20.1.5　機械学習をビジョンで使う　　　20.1.6　変数の重要度　　　20.1.7　機械学習の問題を診断する　　20.2　MLライブラリの古い関数群　　　20.2.1　K-means法　　　20.2.2　Mahalanobis距離　　20.3　まとめ　　20.4　練習問題
　21章　StatModelクラス：OpenCVの学習標準モデル
　　21.1　MLライブラリの共通ルーチン　　　21.1.1　訓練とcv::ml::TrainDataクラス　　　21.1.2　予測　　21.2　cv::ml::StatModelを用いた機械学習アルゴリズム　　　21.2.1　単純／ノーマルベイズ分類器　　　21.2.2　二分決定木　　　21.2.3　ブースティング　　　21.2.4　ランダムツリー　　　21.2.5　期待値最大化　　　21.2.6　K近傍法　　　21.2.7　多層パーセプトロン　　　21.2.8　サポートベクタマシン　　21.3　まとめ　　21.4　練習問題
　22章　物体検出
　　22.1　木構造に基づく物体検出テクニック　　　22.1.1　カスケード分類器　　　22.1.2　教師あり学習とブースティングの理論　　　22.1.3　新しい物体を学習する　　22.2　サポートベクタマシンによる物体検出　　　22.2.1　物体検出のためのLatent SVM　　　22.2.2　Bag of Wordsアルゴリズムと意味カテゴリ化　　22.3　まとめ　　22.4　練習問題
　23章　OpenCVの今後
　　23.1　過去と現在　　　23.1.1　OpenCV 3.x　　23.2　前回の予言はどれくらいうまくいったか？　　23.3　将来の機能　　　23.3.1　現在のGSoCの成果　　23.4　コミュニティからの貢献　　　23.4.1　OpenCV.org　　23.5　AIに関する思索　　23.6　あとがき
　付録A　平面分割
　　A.1　ドロネー三角形分割、ボロノイ分割　　　A.1.1　ドロネーまたはボロノイ細分割区分の生成　　　A.1.2　ドロネーの細分割区分を動き回る　　　A.1.3　外側の三角形または凸包上の辺を特定し、凸包上を歩く　　　A.1.4　使用例　　A.2　練習問題
　付録B　opencv_contribモジュール
　　B.1　opencv_contribモジュールの概説　　　B.1.1　opencv_contribの内容
　付録C　キャリブレーションパターン
　　C.1　OpenCVで使われるキャリブレーションパターン
　参考文献
　著者・訳者紹介
　奥付

Content preview from 詳解 OpenCV 3 ―コンピュータビジョンライブラリを使った画像処理・認識

22章物体検出

前の2つの章では、機械学習の基本を取り上げ、OpenCVライブラリが提供する多くの識別型学習と生成型学習のテクニックについて多少深いところまで掘り下げてきました。いよいよ、今まで本書を通して習ってきたコンピュータビジョンのテクニックや機械学習のテクニックをまとめるときがきました。そして、コンピュータビジョンの現実的な学習問題に応用していきましょう。その最も重要な問題の1つが物体検出です。これは、ある画像内に特定の物体が含まれるかどうかを決定し、可能な場合は物体の位置をピクセル座標で特定する処理（位置推定）です。本章では、これらの目標を達成するいくつかの方法を見ていきます。これらはすべて前章までの低レベルな機械学習のテクニックを活用したものです。

22.1　木構造に基づく物体検出テクニック

これまでライブラリ内の機械学習の低レベルな方法を見てきたので、ここからは少し高いレベルの機能に目を向けます。これらは、さまざまな学習手法を利用し、画像中の興味がある物体を検出するためのものです。現在、OpenCVにはそのような検出器が2つあります。1つ目はカスケード分類器で、ViolaとJonesによって成功した顔検出のためのアルゴリズム［Viola01］を、一般化させたものです。2つ目はソフトカスケードです。単純なカスケード分類器をさらに進化させた新しいアプローチを用いて、ほとんどの場合に単純なカスケード分類器よりロバスト性に優れています。両アルゴリズムは顔以外の物体の検出でも非常に成功してきました。一般的に、これらの方法は剛構造を持つ物体や豊かなテクスチャを持つ物体でよい結果を示します。

これらの方法は、その基礎となっている機械学習コンポーネントをカプセル化するだけではなく、実際の学習のために入力を調整し、学習アルゴリズムからの出力を後処理する過程も含んでいます。驚くにはあたりませんが、これらの物体検出アルゴリズムは機械学習アルゴリズムのように統一されたインタフェースを持ちません。その理由は2つあり、そのような高レベルな手法では、その必要性と結果が当然大きく異なるということと、実際問題として、多くの場合これらのアルゴリズムは作成者自身がライブラリを提供しており、インタフェースがオリジナルの実装に近いものとなっているためです。 ...

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

Publisher Resources

ISBN: 9784873118376Other

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills

詳解 OpenCV 3 ―コンピュータビジョンライブラリを使った画像処理・認識

by Adrian Kaehler, Gary Bradski, 松田晃一, 小沼千絵, 永田雅人, 花形理

22章物体検出

22.1　木構造に基づく物体検出テクニック

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.