Lanzouse OpenCV 4.7 (Open Source Computer Vision Library), unha biblioteca gratuíta para o procesamento e a análise de imaxes. OpenCV ofrece máis de 2500 algoritmos, incluíndo tanto os clásicos como os que reflicten os últimos avances en visión por computador e aprendizaxe automática. O código da biblioteca está escrito en C++ e distribúese baixo a licenza BSD. Hai dispoñibles vinculacións para varias linguaxes de programación, incluíndo Python, MATLAB e Java.
A biblioteca pode utilizarse para recoñecer obxectos en fotografías e vídeos (por exemplo, recoñecemento de rostros e figuras de persoas, texto, etc.), rastrexar o movemento de obxectos e cámaras, clasificar accións en vídeo, converter imaxes, extraer modelos 3D, etc. xerar espazo 3D a partir de imaxes de cámaras estéreo, crear imaxes de alta calidade combinando imaxes de menor calidade, procurando na imaxe obxectos similares ao conxunto de elementos presentado, aplicando métodos de aprendizaxe automática, colocando marcadores, identificando elementos comúns en diferentes imaxes, eliminando automaticamente defectos como ollos vermellos.
Entre os cambios na nova versión:
- Implementáronse optimizacións significativas no rendemento da convolución no módulo DNN (Rede Neuronal Profunda), o que permite a implementación de algoritmos de aprendizaxe automática baseados en redes neuronais. Implementouse o algoritmo de convolución rápido Vinograd. Engadíronse novas capas ONNX (Open Neural Network Exchange): Scatter, ScatterND, Tile, ReduceL1 e ReduceMin. Engadiuse compatibilidade co marco OpenVino 2022.1 e o backend CANN.
- Mellora da calidade da detección e descodificación de códigos QR.
- Engadiuse compatibilidade cos marcadores visuais de ArUco e AprilTag.
- Engadido o rastreador Nanotrack v2 baseado en redes neuronais.
- Implementouse o algoritmo de desenfoque de Stackblur.
- Engadiuse compatibilidade con FFmpeg 5.x e CUDA 12.0.
- Proponse unha nova API para manipular formatos de imaxes de varias páxinas.
- Engadiuse compatibilidade coa biblioteca libSPNG para o formato PNG.
- libJPEG-Turbo emprega a aceleración de instrucións SIMD.
- Implementouse a compatibilidade con H264/H265 para a plataforma Android.
- Ofrécense todas as API básicas para a linguaxe Python.
- Engadido un novo backend de propósito xeral para instrucións vectoriais.
Fonte: opennet.ru
