从像素操作到神经网络：补全图像处理的底层逻辑

很多初学者在接触 AI 视觉项目时，往往直接调用现成的 API 跑模型，一旦遇到数据预处理偏差或推理性能问题，就无从下手。这门课程的核心价值，在于填补「计算机视觉工程化」这一能力缺口。它并非单纯讲解人脸识别的黑盒调用，而是从最底层的图像像素操作切入，带你重新理解数字图像的本质。你将先掌握 OpenCV 的基础生态，学习如何读取、写入、保存不同质量的图片，以及如何处理像素点的读写。这是所有视觉算法的地基，也是后续进行图像增强或特征提取的前提。只有理解了矩阵层面的图像表示，才能明白后续几何变换是如何运作的。

线性代数与 TensorFlow 的实战映射

课程的另一大重点，是解决「数学概念与代码实现脱节」的问题。你会系统复习矩阵基础，并通过 Numpy 模块将其转化为代码能力。更重要的是，课程引入了 TensorFlow 的常量、变量定义及四则运算，让抽象的线性代数在深度学习框架中找到落脚点。这部分内容对于转岗学习者尤为关键，因为它展示了如何构建一个最小可行的人工神经网络（ANN）。通过「逼近股票价格」的小综合案例，你将亲手搭建并训练一个简单的神经网络，观察其如何拟合非线性关系。这种从数据预处理到模型构建的完整闭环练习，比孤立学习某个库的功能更具实战意义。

建议学习路径与练习配合

建议的学习顺序并非从头到尾平铺直叙，而是应遵循「工具链准备 -> 图像基础 -> 几何变换 -> 神经网络的初步认知」的逻辑。首先，务必根据操作系统完成 Anaconda 开发环境的搭建，这是后续所有实验的支撑。接着，重点攻克 OpenCV 的图片处理与像素操作章节，配合课后练习，确保你能熟练处理图像的缩放、旋转及仿射变换。当基础夯实后，再进入 TensorFlow 部分，特别是矩阵运算和 ANN 小综合案例，务必亲手复现代码，调试参数并观察损失函数的变化。学完本课程，你应该能够独立完成图像的前处理工作流，理解并构建简单的全连接神经网络，并为后续深入探索人脸识别的具体网络结构（如 CNN）打下坚实的理论与工程基础。资料包中的代码示例需与视频同步运行，通过修改超参数或变换输入图像，验证你对底层原理的理解。

课程目录

===============课程目录=============== (1)\课程准备阶段
(2) 1-1 课程准备.mp4
(3) 2-1 课程内容.mp4
(4) 2-10 案例4：像素读取写入.mp4
(5) 2-11 tensorflow常量变量定义.mp4
(6) 2-12 tensorflow运算原理.mp4
(7) 2-13 常量变量四则运算.mp4
(8) 2-14 矩阵基础1.mp4
(9) 2-15 矩阵基础2.mp4
(10) 2-16 矩阵基础3.mp4
(11) 2-17 numpy模块使用.mp4
(12) 2-18 matplotlib模块的使用.mp4
(13) 2-19 小综合：人工神经网络逼近股票价格1.mp4
(14) 2-2 Mac下一站式开发环境anaconda搭建.mp4
(15) 2-20 小综合：人工神经网络逼近股票价格2.mp4
(16) 2-21 小综合：人工神经网络逼近股票价格3.mp4
(17) 2-22 小综合：人工神经网络逼近股票价格4.mp4
(18) 2-3 Windows下一站式开发环境anaconda搭建.mp4
(19) 2-4 测试案例helloWorld.mp4
(20) 2-5 案例1：图片的读取和展示.mp4
(21) 2-6 Opencv模块组织结构.mp4
(22) 2-7 案例2：图片写入.mp4
(23) 2-8 案例3：不同图片质量保存.mp4
(24) 2-9 像素操作基础.mp4
(25) 3-1 本章介绍.mp4
(26) 3-10 图片缩放.mp4
(27) 3-11 图片仿射变换.mp4
(28) 3-12 图片旋转.mp4
(29) 3-13 图片几何变换小结.mp4
(30) 3-2 图片缩放1.mp4
(31) 3-3 图片缩放2.mp4
(32) 3-4 图片缩放3.mp4
(33) 3-5 图片剪切.mp4
(34) 3-6 图片位移1.mp4
(35) 3-7 图片移位2.mp4
(36) 3-8 图片移位3.mp4
(37) 3-9 图片镜像.mp4
(38) 4-1 图像特效介绍.mp4
(39) 4-10 边缘检测2.mp4
(40) 4-11 浮雕效果.mp4
(41) 4-12 颜色映射.mp4
(42) 4-13 油画特效.mp4
(43) 4-14 图像特效小结.mp4
(44) 4-15 线段绘制.mp4
(45) 4-16 矩形圆形任意多边形绘制.mp4
(46) 4-17 文字图片绘制.mp4
(47) 4-2 图像灰度处理1.mp4
(48) 4-3 图像灰度处理2.mp4
(49) 4-4 算法优化.mp4
(50) 4-5 颜色反转.mp4
(51) 4-6 马赛克.mp4
(52) 4-7 毛玻璃.mp4
(53) 4-8 图片融合.mp4
(54) 4-9 边缘检测1.mp4
(55) 5-1 美化效果章节介绍.mp4
(56) 5-10 磨皮美白.mp4
(57) 5-11 高斯均值滤波.mp4
(58) 5-12 中值滤波.mp4
(59) 5-13 图像美化章节小结.mp4
(60) 5-2 彩色图片直方图.mp4
(61) 5-3 直方图均衡化.mp4
(62) 5-4 图片修补.mp4
(63) 5-5 灰度直方图源码.mp4
(64) 5-6 彩色直方图源码.mp4
(65) 5-7 灰度直方图均衡化.mp4
(66) 5-8 彩色直方图均衡化.mp4
(67) 5-9 亮度增强.mp4
(68) 6-1 机器学习章节介绍.mp4
(69) 6-10 SVM支持向量机1.mp4
(70) 6-11 SVM支持向量机2.mp4
(71) 6-12 SVM小结.mp4
(72) 6-13 Hog特征1.mp4
(73) 6-14 Hog特征2.mp4
(74) 6-15 Hog特征3.mp4
(75) 6-16 Hog特征4.mp4
(76) 6-17 Hog小结.mp4
(77) 6-18 Hog_SVM小狮子识别1.mp4
(78) 6-19 Hog_SVM小狮子识别2.mp4
(79) 6-2 视频分解图片.mp4
(80) 6-20 Hog_SVM小狮子识别3.mp4
(81) 6-21 Hog_SVM小狮子识别4.mp4
(82) 6-22 Hog_SVM小狮子识别5.mp4
(83) 6-23 机器学习小结.mp4
(84) 6-3 图片合成视频.mp4
(85) 6-4 Haar特征1.mp4
(86) 6-5 Haar特征2.mp4
(87) 6-6 Haar特征3.mp4
(88) 6-7 adaboost分类器1.mp4
(89) 6-8 adaboost分类器2.mp4
(90) 6-9 Haar+adaboost人脸识别.mp4
(91) 7-1 章节介绍.mp4
(92) 7-10 knn数字识别8.mp4
(93) 7-11 knn数字识别9.mp4
(94) 7-12 knn数字识别10.mp4
(95) 7-13 cnn实现手写数字识别1.mp4
(96) 7-14 cnn实现手写数字识别2.mp4
(97) 7-15 cnn实现手写数字识别3.mp4
(98) 7-16 cnn实现手写数字识别4.mp4
(99) 7-17 cnn实现手写数字识别5.mp4
(100) 7-18 cnn实现手写数字识别6.mp4
(101) 7-19 数字识别小结.mp4
(102) 7-2 样本介绍.mp4
(103) 7-3 knn数字识别1.mp4
(104) 7-4 knn数字识别2.mp4
(105) 7-5 knn数字识别3.mp4
(106) 7-6 knn数字识别4.mp4
(107) 7-7 knn数字识别5.mp4
(108) 7-8 knn数字识别6.mp4
(109) 7-9 knn数字识别7.mp4
(110) 8-1 章节介绍.mp4
(111) 8-2 最简单的图片爬虫.mp4
(112) 8-3 ffmpeg初识_音频.mp4.mp4
(113) 8-4 OpenCV预处理.mp4
(114) 8-5 神经网络训练识别1.mp4
(115) 8-6 神经网络训练识别2.mp4
(116) 8-7 神经网络训练识别3.mp4
(117) 8-8 神经网络训练识别4.mp4
(118) 8-9 mp4
(119) 9-1 所有课程收尾.mp4 课程配套源码.zip
===============课程目录===============(1)\课程准备阶段
(5) 2-11