ظهور حوزه شبکه‌های زایای دشمنگونه (GANs)، تولید تصاویر غیر قابل تشخیص از مجموعه داده‌های موجود را امکان پذیر کرده است. با استفاده از این کتاب عملی، شما نه تنها مهارت‌های تولید تصویر را پرورش خواهید داد، بلکه درک درستی از اصول اساسی نیز پیدا می‌کنید.
کتاب Hands-On Image Generation with TensorFlow (راهنمای عملی تولید تصویر با تنسورفلو)، با مقدمه ای بر مبانی تولید تصویر با استفاده از TensorFlow شروع می‌شود و Variational Autoencoders (VAEs) و GANs را شامل می‌شود. با انجام تعویض چهره با استفاده از deepfakes، انتقال سبک عصبی، ترجمه تصویر به تصویر، تبدیل تصاویر ساده به عکس‌های واقع گرایانه و موارد دیگر، به چگونگی ساخت مدل برای کاربرد‌های مختلفی پی خواهید برد. شما همچنین می‌فهمید که چرا و چگونه می‌توان پیشرفته‌ترین شبکه‌های عصبی عمیق را با استفاده از تکنیک‌های پیشرفته مانند نرمال سازی طیفی و لایه توجه به خود، قبل از کار با مدل‌های پیشرفته برای تولید و ویرایش چهره ساخت. همچنین با بازسازی عکس، سنتز متن به تصویر، هدفگذاری مجدد ویدئو و رندر عصبی نیز آشنا خواهید شد. در طول کتاب، شما می‌آموزید که مدل‌ها را از ابتدا در TensorFlow 2.x پیاده سازی کنید، از جمله PixelCNN، VAE، DCGAN، WGAN، pix2pix، CycleGAN، StyleGAN، GauGAN و BigGAN.
با به پایان رساندن این کتاب، شما در TensorFlow به خوبی تبحر پیدا خواهید کرد و می‌توانید فناوری‌های تولید تصویر را با اطمینان پیاده سازی کنید. کتاب Hands-On Image Generation with TensorFlow برای مهندسان، شاغلان و محققان یادگیری عمیق است که دانش اولیه ای در مورد شبکه‌های عصبی کانولوشن دارند و می‌خواهند تکنیک‌های مختلف تولید تصویر را با استفاده از TensorFlow 2.x بیاموزند. همچنین اگر یک متخصص پردازش تصویر یا مهندس بینایی ماشین هستید که به دنبال کاوش در معماری‌های پیشرفته برای بهبود و ارتقا تصاویر و فیلم‌ها هستید، این کتاب را مفید خواهید یافت. دانش Python و TensorFlow به شما کمک می‌کند تا بهترین نتیجه را از خواندن این کتاب بگیرید.

بینایی ماشین، علمی به سرعت در حال تحول است و کاربرد‌ها و تکنیک‌های مختلفی را شامل می‌شود. این کتاب نه تنها به کسانی که تازه شروع به کار با بینایی ماشین کرده اند بلکه به متخصصان این حوزه نیز کمک خواهد کرد. با کمک این کتاب قادر خواهید بود تا با ساختن برنامه هایی با OpenCV 4 و Python 3، مطالب تئوری را به شکل عملی پیاده سازی کنید. ویرایش سوم کتاب یادگیری بینایی ماشین با OpenCV 4 و Python 3، که برای OpenCV 4 و پایتون 3 به روز شده است، جدیدترین مطالب درباره دوربین‌های عمق، ردیابی سه بعدی، واقعیت افزوده و شبکه‌های عصبی عمیق را شامل می‌شود و به شما کمک می‌کند تا مسائل واقعی بینایی ماشین را با کد‌های کاربردی حل کنید.

شما با درک OpenCV 4 و چگونگی نصب آن به همراه پایتون 3 بر روی پلتفرم‌های مختلف، کار را آغاز خواهید کرد. در ادامه، شما یاد خواهید گرفت که چگونه عملیات اصلی مانند خواندن، نوشتن، دستکاری و نمایش تصاویر ثابت، فیلم‌ها و فیدهای دوربین را انجام دهید. این کتاب از راهنمایی شما در زمینه پردازش تصویر، تجزیه و تحلیل ویدئو و تخمین عمق و بخش بندی، تا کمک به شما در انجام تمرینات با ساخت یک برنامه با رابط کاربری گرافیکی، تضمین می‌کند که شما فرصت انجام فعالیت‌های عملی را خواهید داشت. در ادامه، شما با دو چالش محبوب دست و پنجه نرم می‌کنید: تشخیص چهره و شناسایی چهره. شما همچنین درباره طبقه بندی اشیا و مفاهیم یادگیری ماشین یاد خواهید گرفت که شما را قادر می‌سازند تا تشخیص دهنده و دسته بندی کننده اشیا را بسازید و استفاده کنید و حتی اشیا موجود در فیلم‌ها یا فید ویدیویی دوربین را ردیابی کنید. در ادامه، همچنین مهارت‌های خود را در ردیابی سه بعدی و واقعیت افزوده توسعه می‌دهید. سرانجام، شما ANN‌ها و DNN‌ها را بررسی خواهید کرد، و یاد خواهید گرفت که چگونه برنامه هایی را برای شناسایی ارقام دست نویس و طبقه بندی جنسیت و سن فرد ایجاد کنید. در پایان این کتاب، مهارت‌های لازم برای اجرای پروژه‌های بینایی ماشین واقعی را در اختیار خواهید داشت.
اگر شما علاقه مند به یادگیری بینایی ماشین، یادگیری ماشین و OpenCV در زمینه برنامه‌های کاربردی واقعی هستید، این کتاب برای شما مناسب است. این کتاب OpenCV، همچنین برای هر کسی که تازه با بینایی ماشین شروع به کار می‌کند و همچنین متخصصانی که می‌خواهند با OpenCV 4 و Python 3 به روز شوند، مفید خواهد بود. اگرچه هیچ دانش قبلی در مورد پردازش تصویر، بینایی ماشین یا یادگیری ماشین مورد نیاز نیست، اما آشنایی ابتدایی با برنامه نویسی پایتون الزامی است.

کتاب اصول داده کاوی تصویر، بررسی جامعی از ملزومات داده کاوی تصویر و پیشرفته‌ترین تکنیک‌های مورد استفاده در این زمینه را ارائه می‌دهد. مباحث این کتاب تمامی جنبه‌های تجزیه و تحلیل و درک تصویر را پوشش داده اند و دیدی عمیق در زمینه‌های استخراج ویژگی، یادگیری ماشین و بازیابی تصویر ارائه کرده شده است. مباحث تئوری این کتاب به همراه الگوریتم‌ها و مدل‌های ریاضیات کاربردی آمده اند که از داده‌های مثال‌ها و آزمایش‌های دنیای واقعی بهره می‌برند.

کتاب Fundamentals of Image Data Mining به شما نشان می‌دهد که چگونه مفاهیم ریاضیات پایه و یشرفته می‌توانند در حل طیف وسیعی از مسائل داده کاوی تصویر که همه روزه دانشجویان و محققان علوم کامپیوتر با آن روبرو می‌شوند به کار برده شوند.

در ویرایش سوم کتاب  Mastering Open CV 4، مشکلات دنیای واقعی بینایی ماشین را به وسیله‌ی کدهای واقعی OpenCV حل می‌کنید. در این کتاب رویکرد‌های الگوریتمیک برای حل مسائل پیچیده بینایی ماشین را بررسی میکنید. همچنین در این کتاب از آخرین نسخه‌ی API‌های به روز شده‌ی (OpenCV (V 4.0.0 برای پروژه‌ها استفاده شده است.

این کتاب برای آن دسته از برنامه نویسانی است که دانش پایه ای از OpenCV دارند و مهارت خوبی در برنامه نویسی سی پلاس پلاس دارند. همچنین نیاز است که فهمی از مفاهیم نظری ریاضی داشته باشید، چرا که در این کتاب ما به سرعت از آن‌ها رد می‌شویم.

در ویرایش چهارم کتاب پردازش تصویر دیجیتالی (Digital Image Processing 4th Edition)، مباحثی چون یادگیری عمیق و شبکه‌های عصبی عمیق شامل شبکه‌های عصبی کانولوشن، تغییر شکل مقیاس ثابت (SIFT)، مناطق اکسترمم حداکثر پایدار، برش گراف، خوشه بندی k-means و سوپر پیکسل ها، خطوط فعال (مارپیچ‌ها و مجموعه‌های مسطح) و تطبیق دقیق هیستوگرام آورده شده است. بهبود‌های اساسی در سازمان دهی مجدد ارائه موضوعات مربوط به تبدیلات تصویر به شکل منسجم‌تر و بحث هسته‌های فضایی و فیلتر کردن فضایی انجام گرفته است.

بازنگری‌ها و اضافات عمده ای به مثال‌ها و تکالیف در طول کتاب انجام شده است. برای اولین بار ما پروژه‌های متلب را در انتهای هر فصلی قرار داده ایم پکیج‌های پشتیبانی کامپایل شده شامل راه حل ها، پایگاه داده‌های تصاویر و نمونه کد‌ها را نیز در اختیارتان قرار داده ایم.

Rafael C. Gonzalez بیشتر از یست سال است که پیشرو در زمینه‌ی پردازش تصویر است. این کتاب مقدمه ای بر مفاهیم پایه ای و روش‌های پردازش تصاویر دیجیتال است. از ویژگی‌های ویرایش سوم کتاب پردازش تصویر دیجیتال، می‌توان به خودآموز بودن، مملو از مثال‌های تصویری و قابل درک بودن با ریاضیات است و استفاده‌ی آن به زمینه‌ی خاصی محدود نشده است. از مباحث مطرح شده در این کتاب می‌توان به  مبانی تصویر دیجیتال، بهبود تصویر در دامنه فضایی، بهبود تصویر در فضای تکراری، مرمت تصویر، پردازش تصویر رنگی و ... اشاره کرد.

از زمان ویرایش اول این کتاب در سال 1999، رشته‌ی پردازش تصویر؛ پیشرفت زیادی کرده است. اول از همه، فراوانی سنسور‌های رنگی سبب شد تا انفجاری در تحقیقات امواج رنگی و پردازش تصاویر رنگی صورت بگیرد. بعد، پردازش تصویر در biomedicine تقریبا  امروزه با وجود پردازش تصویر پزشکی که یک رشته برای خودش شده است، کاربری ندارد. در نهایت؛ پردازش تصویر پیچیده‌تر شده است، و حتی پایش را از یک رشته فراتر گذاشته است و وارد بخش‌های تحقیقاتی دیگر نیز شده است؛ برای مثال در زمینه تئوری گراف و psychophysics از متد‌ها و رویکرد‌های آنها استفاده کرده است.