Well. I’ll just come right out and

Well. I’ll just come right out and say it. Today is my 27th birthday.

As a kid I was always super excited about my birthday. It was another year closer to being able to drive a car. Go to R rated movies. Or buy alcohol.

But now as an adult, I don’t care too much for my birthday — I suppose it’s just another reminder of the passage of time and how it can’t be stopped. And to be totally honest with you, I guess I’m a bit nervous about turning the “Big 3-0” in a few short years.

In order to rekindle some of that “little kid excitement”, I want to do something special with today’s post. Since today is both a Monday (when new PyImageSearch blog posts are published) and my birthday (two events that will not coincide again until 2020), I’ve decided to put together a really great tutorial on texture and pattern recognition in images.

In the remainder of this blog post I’ll show you how to use the Local Binary Patterns image descriptor (along with a bit of machine learning) to automatically classify and identify textures and patterns in images (such as the texture/pattern of wrapping paper, cake icing, or candles, for instance).

Read on to find out more about Local Binary Patterns and how they can be used for texture classification.

Looking for the source code to this post?
Jump right to the downloads section.

PyImageSearch Gurus

The majority of this blog post on texture and pattern recognition is based on the Local Binary Patterns lesson inside the PyImageSearch Gurus course.

While the lesson in PyImageSearch Gurus goes into a lot more detail than what this tutorial does, I still wanted to give you a taste of what PyImageSearch Gurus — my magnum opus on computer vision — has in store for you.

If you like this tutorial, there are over 29 lessons spanning 324 pages covering image descriptors (HOG, Haralick, Zernike, etc.), keypoint detectors (FAST, DoG, GFTT, etc.), and local invariant descriptors (SIFT, SURF, RootSIFT, etc.), inside the course.

At the time of this writing, the PyImageSearch Gurus course also covers an additional 166 lessons and 1,291 pages including computer vision topics such as face recognition, deep learning, automatic license plate recognition, and training your own custom object detectors, just to name a few.

If this sounds interesting to you, be sure to take a look and consider signing up for the next open enrollment!

Kết quả (Việt) 1:

Vâng. Tôi sẽ chỉ ra bên phải và nói nó. Hôm nay là sinh nhật của tôi 27.Như một bé tôi đã luôn luôn siêu vui mừng về sinh nhật của tôi. Nó đã là một năm gần gũi hơn để có thể lái xe. Đi đến R đánh giá cao bộ phim. Hoặc mua rượu.Nhưng bây giờ là một người lớn, tôi không quan tâm quá nhiều cho sinh nhật của tôi-tôi cho rằng nó là chỉ là một lời nhắc nhở của các đoạn văn của thời gian và làm thế nào nó không thể dừng lại. Và để được hoàn toàn trung thực với bạn, tôi đoán tôi là một chút lo lắng về chuyển "Big 3-0" trong một vài năm ngắn.Để gợi lại một số trong đó "nhỏ bé hứng thú", tôi muốn làm một cái gì đó đặc biệt với ngày hôm nay của bài viết. Vì hôm nay là thứ hai (khi bài viết blog PyImageSearch mới được công bố) và sinh nhật của tôi (hai sự kiện mà sẽ không trùng một lần nữa cho đến năm 2020), tôi đã quyết định đặt cùng một hướng dẫn thực sự tuyệt vời về kết cấu và mô hình công nhận trong hình ảnh.Trong phần còn lại của bài đăng blog này tôi sẽ chỉ cho bạn cách sử dụng mô tả hình ảnh mô hình nhị phân địa phương (cùng với một chút máy học) để phân loại và xác định các kết cấu và các mẫu trong hình ảnh (chẳng hạn như kết cấu/mô hình của gói, bánh kem, hoặc giấy nến, ví dụ) một cách tự động.Đọc để tìm hiểu thêm về mô hình nhị phân địa phương và làm thế nào họ có thể được sử dụng để phân loại kết cấu.Tìm kiếm mã nguồn cho bài đăng này?Nhảy ngay vào phần tải.Rất kinh nghiệm PyImageSearchĐa số các bài đăng blog trên nhận dạng cấu trúc và mô hình dựa trên các bài học mô hình nhị phân địa phương bên trong khóa học rất kinh nghiệm PyImageSearch.Trong khi các bài học trong PyImageSearch rất kinh nghiệm đi vào các chi tiết nhiều hơn so với hướng dẫn này làm gì, tôi vẫn muốn có để cung cấp cho bạn một hương vị của những gì rất kinh nghiệm PyImageSearch-my magnum opus trên máy tính tầm nhìn-có trong cửa hàng cho bạn.Nếu bạn thích hướng dẫn này, có những bài học hơn 29 bao trùm 324 trang bao gồm các mô tả hình ảnh (HEO, Haralick, Zernike, vv), thiết bị dò keypoint (NHANH, con chó, GFTT, vv) và địa phương bất biến descriptor (SIFT, Lướt SÓNG, RootSIFT, vv), bên trong khóa học.Tại thời điểm văn bản này, các khóa học rất kinh nghiệm PyImageSearch cũng bao gồm một bài học bổ sung 166 và 1.291 trang bao gồm cả máy tính tầm nhìn chủ đề như nhận dạng khuôn mặt, sâu học tập, tấm giấy phép tự động nhận dạng và đào tạo của riêng bạn dò tùy chỉnh đối tượng, chỉ cần đến tên một vài.Nếu điều này âm thanh thú vị cho bạn, hãy chắc chắn để có một cái nhìn và xem xét đăng ký ghi danh mở kế tiếp!

Kết quả (Việt) 2:

Tốt. Tôi sẽ chỉ đi ngay ra ngoài và nói nó. Hôm nay là sinh nhật thứ 27 của tôi.

Là một đứa trẻ, tôi đã luôn luôn siêu vui mừng về ngày sinh nhật của tôi. Đó là một năm nữa gần hơn để có thể lái xe một chiếc xe hơi. Đến bộ phim R đánh giá. Hoặc mua rượu.

Nhưng bây giờ khi đã trưởng thành, tôi không quan tâm quá nhiều cho ngày sinh nhật của tôi - Tôi cho rằng nó chỉ là một lời nhắc nhở về việc thông qua thời gian và làm thế nào nó không thể dừng lại. Và để được hoàn toàn trung thực với bạn, tôi đoán tôi là một chút lo lắng về biến "Big 3-0" trong một vài năm ngắn ngủi.

Để nhen nhóm lại một số trong đó "phấn khích đứa trẻ", tôi muốn làm một cái gì đó đặc biệt với bài hôm nay. Vì hôm nay là cả một thứ hai (khi viết blog mới PyImageSearch được công bố) và ngày sinh nhật của tôi (hai sự kiện đó sẽ không trùng một lần nữa cho đến năm 2020), tôi đã quyết định đặt cùng một hướng dẫn thực sự tuyệt vời về kết cấu và mô hình nhận dạng trong hình ảnh.

Trong phần còn lại của bài viết trên blog này, tôi sẽ chỉ cho bạn làm thế nào để sử dụng các mô tả mẫu hình Local Binary (cùng với một chút của máy học) để tự động phân loại và xác định kết cấu và mô hình trong hình ảnh (chẳng hạn như kết cấu / mẫu giấy gói, bánh kem, hoặc nến, ví dụ).

đọc để tìm hiểu thêm về mẫu nhị phân cục bộ và làm thế nào họ có thể được sử dụng để phân loại kết cấu.

Nhìn cho các mã nguồn để bài này?
Chuyển ngay đến phần tải.

PyImageSearch Gurus

đa các bài viết trên blog này về kết cấu và nhận dạng mẫu được dựa trên Local Binary Patterns bài học trong PyImageSearch Gurus nhiên.

trong khi các bài học trong PyImageSearch Gurus đi vào nhiều chi tiết hơn so với những gì hướng dẫn này không, tôi vẫn muốn cung cấp cho bạn một hương vị của những gì PyImageSearch Gurus - kiệt tác của tôi trên máy tính tầm nhìn -. có trong cửa hàng cho bạn

Nếu bạn thích hướng dẫn này, có hơn 29 bài học kéo dài 324 trang, bao quát mô tả hình ảnh (HOG, Haralick, Zernike, vv), các máy dò keypoint (FAST, DoG, GFTT, vv), và địa phương mô tả bất biến (SIFT, SURF, RootSIFT, vv), trong khóa học.

Tại thời điểm viết bài này, PyImageSearch Gurus nhiên cũng bao gồm một 166 bài học và 1.291 trang bổ sung bao gồm máy tính tầm nhìn các chủ đề như nhận dạng khuôn mặt, học sâu, tự động cấp giấy phép nhận dạng biển, và huấn luyện dò đối tượng riêng của bạn, chỉ cần đến tên một vài.

Nếu điều này nghe thú vị cho bạn, hãy chắc chắn để có một cái nhìn và xem xét đăng ký tuyển sinh mở tiếp theo !