一、数据预处理

（一）读取

1. 深度学习图像分类：植物幼苗图像分类入门(Plant Seedlings Classification)
2. python读取多个文件夹/子文件夹里面的图片，并且将图片转为灰度图
3. cv2 imread()函数及转为灰度图
4. np.vstack()和np.hstack()
5. cv2.resize()——1
   cv2.resize()——2
6. plt.imshow显示cv2读取的图像颜色不对的解决方案
7. Python os.makedirs() 方法(创建文件夹的方法)

（二）图像预处理

提取叶子（绿色）部分

推荐1，2一起用：

1. opencv利用HSV图像进行颜色筛选

2. python-opencv颜色提取分割方法

3. opencv（一）：2g-r-b提取绿色

图像锐化

1. Opencv：cv2.addWeighted() 图像融合

2. Opencv-Python学习笔记二——cv2.GaussianBlur，cv2.Canny，

3. 图像模糊有什么用

4. python 简单图像处理（11） 空间域图像锐化(边缘检测)

5. 七、图像边缘检测之 Sobel、Scharr、拉普拉斯算子、Canny

其他处理

1. opencv-python 之 cv2.morphologyEx（）
   （cv2.morphologyEx(src, op, kernel) 进行各类形态学的变化）

2. scikit-image图像处理入门 (多种图像处理方式)

3. Scikit image参考手册 特征 | feature

4. 很多图片识别为什么将彩色图像灰度化?

5. opencv常用的形态学操作

一套比较系统的图像处理博客

引用清崎教练的博客：

1. Python+OpenCV图像处理（一）——OpenCV框架与图像插值算法
2. Python+OpenCV图像处理（二）——几何变换
3. Python+OpenCV图像处理（三）——彩色空间互换
4. Python+OpenCV图像处理（四）——图像滤波
5. Python+OpenCV图像处理（五）——图像阈值和二值化
6. Python+OpenCV图像处理（六）——边缘检测
7. Python+OpenCV图像处理（七）——Harris特征点检测
8. Python+OpenCV图像处理（八）——LBP特征描述算子
9. Python+OpenCV图像处理（九）——Haar特征描述算子

二、PCV库安装（没用上）

PCV只适用于python2，下面的文章介绍了如何在python3中安装：

python3中PCV库安装的方法步骤

三、Sift提取关键点

（一）Sift 找到并绘制关键点，生成sift向量：

1. python opencv入门 SIFT算法（33）
2. 【图像处理】——特征匹配（SIFT特征检测器+FLANN特征匹配方法+KNN近邻最优匹配筛选）——cv.xfeatures2d.SIFT_create()&sift.detectAndCompute

（二）Sift 算法纯理论详解：

SIFT算法详解

四、BOW(bag of words) + K-means

1. Python计算机视觉编程 - 第七章 图像搜索 -基于bag of words的图像检索

2. Bag of Features (BOF)图像检索算法及其python实现（附代码）

3. 图像检索与识别（Bag-Of-Words Models）

4. BOW 原理及代码解析(重要参考)

5. BOW–创建和训练目标检测器

6. OpenCV - Python Bag Of Words(BoW) 从字典生成直方图

7. python OpenCV 中 Kmeans 函数详解

8. 第二十节、基于传统图像处理的目标检测与识别(词袋模型BOW+SVM附代码)(重要参考)

五、HOG + SVM

1. HOG + SVM 做目标检测、车辆检测

2. （四十六）OpenCV HOG+SVM的物体检测

3. HOG 特征的提取–基于scikit-image

4. python scikit-image库 HOG提取特征（参数解释）

5. Opencv的使用小教程4——HOG特征及其python代码实现

6. sklearn.svm.NuSVC

7. scikit-learn官网指南（重要参考）

六、LBP(Local Binary Pattern局部二值模式)

1. LBP原理加源码解析

2. 关于LBP算法的skimage.feature.local_binary_pattern（）函数解析

3. LBP算法skimage.feature.local_binary_pattern参数解释

4. LBP统计直方图Python代码实现

七、Haar-like 特征

1. Python+OpenCV图像处理（九）——Haar特征描述算子（原理详解）

2. openCV之HAAR特征（代码实现）

3. [Python与图像处理]Python构建积分图像并提取Haar特征（代码参考）

4. Haar特征与积分图（第1篇文章中D的像素和的解释——本篇文章3.2 利用积分图计算特征值）

八、其他特征

1. OpenCV-Python 轮廓特征｜二十二
2. 叶片形状特征提取（概念/代码）

九、训练

模型

1. XGBoost：XGBoost官方文档

2. XGBoost: XGboost数据比赛实战之调参篇(完整流程)

3. sklearn.model_selection.GridSearchCV

4. LightGBM：ML之lightgbm.sklearn：LGBMClassifier函数的简介、具体案例、调参技巧之详细攻略

5. RandomForestClassifier：sklearn.ensemble.RandomForestClassifier（官方文档）

6. 多分类及多标签分类算法

7. GBDT:【机器学习算法总结】GBDT

效果评价

1. 机器学习笔记－－classification_report&精确度/召回率/F1值（原理详解，精确度/召回率/F1值详解）

调参

1. 将sklearn训练速度提升100多倍，美国「返利网」开源sk-dist框架
2. sk-dist: Distributed scikit-learn meta-estimators in PySpark(github开源)
3. 5行代码可实现5倍Scikit-Learn参数调整的更快速度

十、特征降维

1. Python实现PCA降维

2. 如何通俗易懂地讲解什么是 PCA（主成分分析）？

3. PCA（explained_variance_ratio_与explained_variance_）

十一、集成学习

1. 集成学习（Ensemble Learning)

2. 机器学习系列（二十）分类之集成学习

3. 使用sklearn进行集成学习——理论

4. 使用sklearn进行集成学习——实践

5. 集成学习总结&Stacking利器（mlxtend库）

6. sklearn.ensemble.StackingClassifier（官方文档）

十二、其它函数

1. 生成等差列表：【Python】np.linspace用法介绍