在本节中，您将加深对理论的理解，并学习有关卷积神经网络在图像处理中的应用的动手技术。 您将学习关键概念，例如图像过滤，特征映射，边缘检测，卷积运算，激活函数，以及与图像分类和对象检测有关的全连接和 softmax 层的使用。 本章提供了许多使用 TensorFlow，Keras 和 OpenCV 的端到端计算机视觉管道的动手示例。 从这些章节中获得的最重要的学习是发展对不同卷积运算背后的理解和直觉-图像如何通过卷积神经网络的不同层进行转换。
在本节结束之前，您将能够执行以下操作：
- 了解图像过滤器如何转换图像（第 1 章）
- 应用各种类型的图像过滤器进行边缘检测（第 1 章）
- 使用 OpenCV 轮廓检测和定向梯度直方图（HOG）检测简单对象（第 1 章）
- 使用尺度不变特征变换（SIFT），本地二进制模式（LBP）模式匹配以及颜色匹配来查找对象之间的相似性（第 1 章和第 2 章）
- 使用 OpenCV 级联检测器进行面部检测（第 3 章）
- 从 CSV 文件列表将大数据输入到神经网络中，并解析数据以识别列，然后可以将其作为
x和y值馈入神经网络（第 3 章） - 面部关键点和面部表情识别（第 3 章）
- 为面部关键点开发标注文件（第 3 章）
- 使用 Keras 数据生成器方法将大数据从文件输入到神经网络（第 4 章）
- 构建自己的神经网络并优化其参数以提高准确率（第 4 章）
- 编写代码以通过卷积神经网络的不同层来变换图像（第 4 章）
本节包括以下章节：
- “第 1 章”，“计算机视觉和 TensorFlow 基础知识”
- “第 2 章”，“使用本地二进制模式的内容识别”
- “第 3 章”，“使用 OpenCV 和 CNN 进行面部检测”
- “第 4 章”，“图像深度学习”