در این مطلب، ویدئو شباهت بین دو تصویر را با Opencv و Python بیابید – مقایسه تصاویر قسمت 2 با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,060 –> 00:00:03,510
سلام به همه خوش آمدید به این
2
00:00:03,510 –> 00:00:07,049
ویدیوی دوم از مقایسه تصویر جدی همانطور
3
00:00:07,049 –> 00:00:10,230
که در ویدیوی قبلی دیدیم ما مقایسه می کنیم که
4
00:00:10,230 –> 00:00:13,889
آیا دو تصویر دقیقاً یکسان هستند
5
00:00:13,889 –> 00:00:16,049
اما اگر دقیقاً یکسان
6
00:00:16,049 –> 00:00:19,619
نباشند چه می شود اگر اندازه فیلترهای خاص متفاوتی داشته باشند
7
00:00:19,619 –> 00:00:23,070
یا آنها
8
00:00:23,070 –> 00:00:26,039
فقط بریده شده اند، آنها دارای یک اثر بافت هستند،
9
00:00:26,039 –> 00:00:28,560
رنگ های مختلف یا
10
00:00:28,560 –> 00:00:31,380
عناصر اضافی در داخل تصویر چگونه می توان این کار را انجام
11
00:00:31,380 –> 00:00:35,910
داد، فقط می توانید یک مثال
12
00:00:35,910 –> 00:00:38,579
از منظور من را ببینید، بنابراین این مثلا
13
00:00:38,579 –> 00:00:41,399
سیاه و سفید است، این همان تصویر است
14
00:00:41,399 –> 00:00:44,760
اما با خون اثر این کار برخی را انجام می دهد
15
00:00:44,760 –> 00:00:48,020
این دارای برخی فیلترهای صعودی است
16
00:00:48,020 –> 00:00:53,969
که برخی فیلترهای انفجاری است و برای ما
17
00:00:53,969 –> 00:00:56,550
انسان ها به راحتی می توان گفت بله آنها
18
00:00:56,550 –> 00:00:59,219
یکسان هستند اما آنچه برای رایانه برای
19
00:00:59,219 –> 00:01:01,770
رایانه قرار داده ایم از روش های مختلفی استفاده کنید
20
00:01:01,770 –> 00:01:04,739
یکی برای مثال الگوی
21
00:01:04,739 –> 00:01:08,960
مطابق با الگو است. تطبیق به نحوی
22
00:01:08,960 –> 00:01:11,700
از
23
00:01:11,700 –> 00:01:18,140
تطابق تصویر اصلی شروع میشود، اگر مشابه باشد،
24
00:01:18,140 –> 00:01:21,030
معایبی با تطبیق الگو وجود دارد، به
25
00:01:21,030 –> 00:01:26,310
عنوان مثال، فقط در صورتی کار میکند که تصویر
26
00:01:26,310 –> 00:01:30,180
دارای همان s باشد. اگر واقعاً شبیه است، بنابراین
27
00:01:30,180 –> 00:01:35,369
به احتمال زیاد برای این اثر انفجاری،
28
00:01:35,369 –> 00:01:38,130
آن را تشخیص نمی دهد که چقدر شبیه است و
29
00:01:38,130 –> 00:01:43,590
همچنین تطابق کاذب زیادی خواهد داشت، بنابراین
30
00:01:43,590 –> 00:01:46,070
می تواند شما را تشخیص دهد که مثلاً می توانید
31
00:01:46,070 –> 00:01:50,369
نسبت کیفیت
32
00:01:50,369 –> 00:01:52,890
تطابق پخش شده را کاهش دهید، اما ما تعداد زیادی دریافت خواهیم کرد.
33
00:01:52,890 –> 00:01:59,399
تطابق کاذب و یا اگر تصویر
34
00:01:59,399 –> 00:02:03,200
چرخانده شود کار نمی کند و غیره در
35
00:02:03,200 –> 00:02:06,210
OpenCV ما یک روش واقعا خوب داریم
36
00:02:06,210 –> 00:02:10,199
که تشخیص ویژگی و
37
00:02:10,199 –> 00:02:11,910
تطبیق ویژگی است که در مورد آن صحبت کردم
38
00:02:11,910 –> 00:02:12,849
همچنین
39
00:02:12,849 –> 00:02:18,249
تشخیص ویژگی جدی چیست
40
00:02:18,249 –> 00:02:20,739
ابتدا ویژگی های این تصویر را می گیریم.
41
00:02:20,739 –> 00:02:26,349
ویژگی می تواند به عنوان مثال گوشه ها برخی از
42
00:02:26,349 –> 00:02:31,209
فرم ها مانند بیضی دایره و حباب و
43
00:02:31,209 –> 00:02:34,750
غیره همه ویژگی های این
44
00:02:34,750 –> 00:02:41,129
تصویر را می گیریم همچنین برای
45
00:02:41,129 –> 00:02:44,230
این عکس های دیگر یا این یکی که
46
00:02:44,230 –> 00:02:46,329
چربی خون دارد همه ویژگی ها را می گیریم و
47
00:02:46,329 –> 00:02:48,669
مقایسه می کنیم. وقتی آنها شبیه به هم هستند
48
00:02:48,669 –> 00:02:52,030
و ما بسیاری از آنها را پیدا می کنیم می توانیم به
49
00:02:52,030 –> 00:02:54,819
نوعی تگ کنیم که اگر تصاویر
50
00:02:54,819 –> 00:02:58,900
برابر هستند یا نه من نمی خواهم زیاد صحبت
51
00:02:58,900 –> 00:03:02,680
کنم بیایید کد را تایپ کنیم و
52
00:03:02,680 –> 00:03:06,449
می توانیم در مورد آن بحث کنیم که f در حالی که
53
00:03:06,449 –> 00:03:17,290
گام به گام همه اینها را میبندم، بنابراین
54
00:03:17,290 –> 00:03:20,500
ابتدا بررسی میکنیم که آیا دو
55
00:03:20,500 –> 00:03:26,169
تصویر برابر هستند اگر سه کانال
56
00:03:26,169 –> 00:03:29,139
همانطور که گفتم همه سیاه هستند بنابراین
57
00:03:29,139 –> 00:03:33,000
تصاویر کاملاً برابر هستند وگرنه
58
00:03:33,000 –> 00:03:43,299
تصاویر را چاپ میکنم برابر نیست اکنون
59
00:03:43,299 –> 00:03:49,709
مرحله دوم شباهت
60
00:03:49,709 –> 00:03:55,709
بین دو تصویر را بررسی می کنیم
61
00:03:59,410 –> 00:04:02,770
و برای انجام این کار از تطبیق ویژگی استفاده می کنیم
62
00:04:02,770 –> 00:04:06,590
بنابراین تطبیق ویژگی
63
00:04:06,590 –> 00:04:09,350
ها الگوریتم الگوریتم متفاوتی
64
00:04:09,350 –> 00:04:14,600
داریم و از شش الگوریتم ذخیره شده
65
00:04:14,600 –> 00:04:25,660
او برابر با cv برای دریافت استفاده می کنیم. بنابراین نقطه X X
66
00:04:25,660 –> 00:04:32,720
دارای دو نقطه T با تغییر به هشت است
67
00:04:32,720 –> 00:04:39,100
و برای داشتن الگوریتم sift
68
00:04:39,100 –> 00:04:43,940
شما همچنین به تعدادی کتابخانه اضافی از CV باز نیاز دارید،
69
00:04:43,940 –> 00:04:46,100
بنابراین اگر فقط OpenCV را نصب کنید
70
00:04:46,100 –> 00:04:48,620
احتمالاً این یکی را
71
00:04:48,620 –> 00:04:52,070
نخواهید داشت، من این را در صفحه می نویسم.
72
00:04:52,070 –> 00:04:56,960
وبلاگ چگونه می توان آن ویژگی X را
73
00:04:56,960 –> 00:05:01,970
از میان هشت نقطه غربال کرد و اکنون نیست،
74
00:05:01,970 –> 00:05:08,330
ما می توانیم نقاط کلیدی اولین تصویر را شناسایی کنیم،
75
00:05:08,330 –> 00:05:10,490
بنابراین از تصویر منطقه
76
00:05:10,490 –> 00:05:12,790
نقاط یک و توصیفگرهای
77
00:05:12,790 –> 00:05:18,170
توصیف کننده تصویر اول توضیح سریع
78
00:05:18,170 –> 00:05:22,640
نکات کلیدی کلید نقطه به
79
00:05:22,640 –> 00:05:24,650
عنوان مثال s جایی است که ویژگی شناسایی می شود
80
00:05:24,650 –> 00:05:28,250
و توصیف کننده به نوعی است که با
81
00:05:28,250 –> 00:05:30,710
اعداد شهر باز ویژگی ها را توصیف می کند
82
00:05:30,710 –> 00:05:33,650
تا بتوانید
83
00:05:33,650 –> 00:05:36,500
شرح ویژگی های خاص
84
00:05:36,500 –> 00:05:39,440
یک تصویر را با توضیحات
85
00:05:39,440 –> 00:05:42,050
ویژگی دیگر با تصویر دوم مقایسه کنید و اگر
86
00:05:42,050 –> 00:05:44,810
آنها مشابه هستند سپس می توانیم بگوییم که این یک
87
00:05:44,810 –> 00:05:52,400
تطابق است، همان ویژگی است نکات کلیدی
88
00:05:52,400 –> 00:05:54,530
یکی توصیفگر یکی از اولین
89
00:05:54,530 –> 00:05:58,300
تصویر برابر است با غربال کردن نقطه، شناسایی و
90
00:05:58,300 –> 00:06:03,870
محاسبه پارامترهای اصلی
91
00:06:03,870 –> 00:06:06,720
و روان پریشی ماسکی است
92
00:06:06,720 –> 00:06:09,230
که ما هیچ ماسکی نداریم بنابراین ما نه گفتن
93
00:06:09,230 –> 00:06:13,620
همین است که تصویر دوم
94
00:06:13,620 –> 00:06:19,350
به نقاط کلیدی و اسکریپت ها برابر است برای
95
00:06:19,350 –> 00:06:21,090
دیدن تشخیص و محاسبه، من می خواهم
96
00:06:21,090 –> 00:06:27,920
این یکی از تصاویر تکراری دوم را کپی کنم
97
00:06:27,920 –> 00:06:30,450
که این یکی است که من دوست
98
00:06:30,450 –> 00:06:32,760
ندارم آن را یک پلاکیت بنامم این یک تبلت نیست، بیایید
99
00:06:32,760 –> 00:06:35,970
برای مقایسه تصویر برای مقایسه آن را دومین یا تصویر
100
00:06:35,970 –> 00:06:45,500
بنامیم و پس از داشتن ویژگیهایی که برای یافتن مطابقت نیاز داریم، آن را اینجا
101
00:06:48,260 –> 00:06:54,120
یک تصویر برای مقایسه قرار دهیم،
102
00:06:54,120 –> 00:06:56,670
بنابراین
103
00:06:56,670 –> 00:06:58,530
باید توصیفگرهای تصویر اول را با هم مقایسه کنیم.
104
00:06:58,530 –> 00:07:01,110
e با توصیفگرهای
105
00:07:01,110 –> 00:07:03,780
تصویر دوم و پیدا کنید که آیا
106
00:07:03,780 –> 00:07:09,720
مطابقت دارد آنچه را که ما می خواهیم به بهترین نحو انجام دهیم،
107
00:07:09,720 –> 00:07:12,570
فرض کنیم که ما 1000 نقطه کلیدی داریم، بنابراین برای
108
00:07:12,570 –> 00:07:14,490
1000 نقطه کلیدی، 1000 توصیف کننده وجود دارد،
109
00:07:14,490 –> 00:07:16,950
اما به این دلیل که هر
110
00:07:16,950 –> 00:07:21,060
توصیفگر، نکات کلیدی این را توصیف می کند. 1000
111
00:07:21,060 –> 00:07:24,300
نقطه کلیدی تصویر اول را
112
00:07:24,300 –> 00:07:29,490
با 1000 مورد از تصویر دوم مقایسه می کنیم،
113
00:07:29,490 –> 00:07:32,910
یکی از آنها را با هم مقایسه می کنیم و
114
00:07:32,910 –> 00:07:37,050
زمانی که توصیفگر مشابهی پیدا کرد،
115
00:07:37,050 –> 00:07:41,400
می توانیم بگوییم که با این
116
00:07:41,400 –> 00:07:43,500
ویژگی تصویر اول مطابقت
117
00:07:43,500 –> 00:07:51,090
دارد. تصویر دومی که می توانیم از دو
118
00:07:51,090 –> 00:07:53,180
روش استفاده کنیم یکی روش brute force است
119
00:07:53,180 –> 00:07:56,670
که اساسا همانطور که به شما گفتم هر
120
00:07:56,670 –> 00:07:58,980
یک از 1000 را می گیرد و با هر کدام مقایسه
121
00:07:58,980 –> 00:08:02,460
می کند سپس به خوبی کار می کند اما
122
00:08:02,460 –> 00:08:07,440
در OpenCV واقعا کند است ما ماده مبتنی بر flan را داریم
123
00:08:07,440 –> 00:08:11,250
که برخی است. روشی برای
124
00:08:11,250 –> 00:08:14,880
سازماندهی توصیفگرها که محاسبه آن را
125
00:08:14,880 –> 00:08:16,319
سریعتر می کند
126
00:08:16,319 –> 00:08:18,569
و به هر حال قصد نداریم
127
00:08:18,569 –> 00:08:20,899
وارد جزئیات فلز
128
00:08:20,899 –> 00:08:23,969
شویم، فقط از آنها برای استفاده از آن استفاده می کنیم
129
00:08:23,969 –> 00:08:29,309
flan برابر است با cv به تطبیق مبتنی بر پلان
130
00:08:29,309 –> 00:08:33,120
و شما باید d برای گذراندن دو فرهنگ لغت
131
00:08:33,120 –> 00:08:36,509
اولی ایندکس والدین و
132
00:08:36,509 –> 00:08:42,029
دوم جستجوی والدین است و باید
133
00:08:42,029 –> 00:08:46,350
آنها را قبل از اینکه والدین فهرست کنیم تعریف کنیم
134
00:08:46,350 –> 00:08:49,380
می گوییم اعتیاد است می گوییم از کدام
135
00:08:49,380 –> 00:08:53,310
الگوریتم استفاده می کنیم حتی در این مورد
136
00:08:53,310 –> 00:08:57,089
که الگوریتم 0 است فقط این یکی را
137
00:08:57,089 –> 00:09:06,470
به عنوان کپی کنید این است و درختان برابر با 5 و
138
00:09:06,470 –> 00:09:08,389
Sir
139
00:09:08,389 –> 00:09:13,199
x برابر با یک فرهنگ لغت خالی است، زیرا
140
00:09:13,199 –> 00:09:15,120
ما از مقدار پیشفرض
141
00:09:15,120 –> 00:09:19,980
معیار مبتنی بر flan استفاده میکنیم، وقتی این را
142
00:09:19,980 –> 00:09:22,290
داشتیم، میتوانیم مطابقتها را پیدا کنیم، بنابراین مطابقتها
143
00:09:22,290 –> 00:09:29,300
برابر با 1 نقطه KN است و مطابقت داریم ابتدا اسکریپت را می گیریم
144
00:09:29,300 –> 00:09:32,579
یا اسکریپت ها
145
00:09:32,579 –> 00:09:34,680
اولین تصویر و توصیف کننده های
146
00:09:34,680 –> 00:09:38,880
تصویر دوم هستند و یک عدد کلیدی
147
00: