در این مطلب، ویدئو پردازش تصویر \ 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.
مدت زمان فیلم: 00:09:06
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,709 –> 00:00:04,200
سلام خوش آمدید به آرامش اذعان کنید، بنابراین
2
00:00:04,200 –> 00:00:05,759
امروز میخواهیم درباره نحوه انجام
3
00:00:05,759 –> 00:00:08,240
یک نوع پردازش تصویر در پایتون بحث کنیم، بنابراین
4
00:00:08,240 –> 00:00:11,429
در واقع کاری که میخواهیم انجام دهیم این است که من
5
00:00:11,429 –> 00:00:14,880
تصویری داشته باشم که دارای ستارههای زیادی است و
6
00:00:14,880 –> 00:00:17,250
ما میخواهیم آنها را بشماریم. ستاره ها و
7
00:00:17,250 –> 00:00:19,470
کتابخانه ای که قرار است از آن استفاده کنم، تصویر SK است،
8
00:00:19,470 –> 00:00:22,980
بنابراین تصاویر SK متعلق به یک
9
00:00:22,980 –> 00:00:25,740
کتابخانه پلت فرم منبع باز است که sky kids را صدا می کند،
10
00:00:25,740 –> 00:00:28,050
بنابراین sky kid منبع باز رایگان نیست،
11
00:00:28,050 –> 00:00:31,439
کتابخانه های یادگیری ماشینی برای پایتون، بنابراین
12
00:00:31,439 –> 00:00:33,899
من لینک وب سایت را در این قسمت مشخص کرده ام.
13
00:00:33,899 –> 00:00:35,910
جعبه توضیحات، بنابراین کاری که آنها در واقع انجام می دهند این
14
00:00:35,910 –> 00:00:38,280
است که کتابخانه های زیادی مانند
15
00:00:38,280 –> 00:00:40,440
طبقه بندی رگرسیون و بسیاری موارد دیگر را
16
00:00:40,440 –> 00:00:42,750
به عنوان یک کتابخانه از پیش تعریف شده ارائه می دهند که فقط
17
00:00:42,750 –> 00:00:45,000
می توانید آن را بگیرید و می توانید از آن استفاده کنید، بنابراین برخی
18
00:00:45,000 –> 00:00:46,440
از کدهای نمونه نیز برای تمرین های مختلف در دسترس هستند.
19
00:00:46,440 –> 00:00:48,600
20
00:00:48,600 –> 00:00:51,449
تمرین ستاره شمارش است که مثل این است که شما
21
00:00:51,449 –> 00:00:55,530
ستاره ها را از تصویر بشمارید، بنابراین
22
00:00:55,530 –> 00:00:56,969
حتی مثالی را که من از
23
00:00:56,969 –> 00:00:59,039
وب سایت گرفته ام اما برخی از کدهایی را
24
00:00:59,039 –> 00:01:00,420
که برای این
25
00:01:00,420 –> 00:01:03,750
ویدیوی خاص لازم نیست حذف کرده ام، بنابراین اکنون
26
00:01:03,750 –> 00:01:05,309
توضیح می دهم من به شما توضیح خواهم
27
00:01:05,309 –> 00:01:06,659
داد که کد و
28
00:01:06,659 –> 00:01:08,430
همه الگوریتمهایی که به صورت داخلی برای
29
00:01:08,430 –> 00:01:11,820
انجام این کار استفاده میشوند را به شما میدهم، بنابراین قبل از اینکه وارد آن شویم،
30
00:01:11,820 –> 00:01:13,920
باید بدانید که چرا ما این
31
00:01:13,920 –> 00:01:16,920
پردازش تصویر را انجام میدهیم تا یک شی را شناسایی
32
00:01:16,920 –> 00:01:19,619
کنیم. چیزی که شما قبلاً از آن آگاه هستید
33
00:01:19,619 –> 00:01:21,810
مانند امروزه پردازش تصویر
34
00:01:21,810 –> 00:01:23,729
نقش مهمی
35
00:01:23,729 –> 00:01:26,580
در تجزیه و تحلیل داده ها در
36
00:01:26,580 –> 00:01:29,880
حوزه علم داده ایفا می کند، به عنوان مثال بنابراین من باید
37
00:01:29,880 –> 00:01:32,670
تعداد بازدیدها را در یک تصویر
38
00:01:32,670 –> 00:01:35,520
تشخیص دهم یا می خواهم مردم یعنی من میخواهم
39
00:01:35,520 –> 00:01:37,829
حیوانات و انسانها را در یک
40
00:01:37,829 –> 00:01:40,740
تصویر خاص طبقهبندی کنم، باید تعداد سرشان را شناسایی کنم
41
00:01:40,740 –> 00:01:42,659
و سپس باید
42
00:01:42,659 –> 00:01:44,640
نامی را برای آنها تگ کنم که فیسبوک درست از آن استفاده میکند
43
00:01:44,640 –> 00:01:47,670
تا بتوانید فیسبوک را تگ کنید و
44
00:01:47,670 –> 00:01:50,130
به شما نشان دهد که چند عدد
45
00:01:50,130 –> 00:01:52,350
وقتی میخواهید درست تگ کنید، head در تصویر ظاهر میشود،
46
00:01:52,350 –> 00:01:56,460
بنابراین امروز در اینجا
47
00:01:56,460 –> 00:01:59,549
میخواهیم مثالهایی مانند نحوه
48
00:01:59,549 –> 00:02:03,149
کسر اشیاء در تصویر را مورد بحث قرار دهیم، بنابراین در اینجا
49
00:02:03,149 –> 00:02:05,579
من تمام کتابخانههای مورد نیاز را وارد
50
00:02:05,579 –> 00:02:08,340
کردهام و سپس من این هستم. تصویر من
51
00:02:08,340 –> 00:02:11,099
نام تصویر ستاره 1 نقطه jpg است و من
52
00:02:11,099 –> 00:02:13,530
فقط آن را globbing می کنم بنابراین فقط
53
00:02:13,530 –> 00:02:17,130
آن شی تصویری به
54
00:02:17,130 –> 00:02:19,110
نام حباب را تبدیل می کنم و همه چیز را به عنوان یک
55
00:02:19,110 –> 00:02:21,990
اشیاء در تصویر در نظر می گیرد و سپس
56
00:02:21,990 –> 00:02:24,030
روشی به نام I am read وجود دارد که خواندن تصویر است
57
00:02:24,030 –> 00:02:26,130
که من فایل مثالی را ارسال
58
00:02:26,130 –> 00:02:28,560
می کنم که فایل من را دارد و سپس خاکستری را
59
00:02:28,560 –> 00:02:31,350
برابر با true می پرسم و مقیاس خاکستری من به این معنی است که
60
00:02:31,350 –> 00:02:33,270
طرح رنگی من عالی است بنابراین من فقط
61
00:02:33,270 –> 00:02:35,819
خاکستری را برابر true می دهم و سپس
62
00:02:35,819 –> 00:02:39,690
اینجاست که نقش اصلی این
63
00:02:39,690 –> 00:02:42,150
تمرین است. بنابراین این یک
64
00:02:42,150 –> 00:02:44,760
روش مهم است که ما از آن استفاده می کنیم، بنابراین روشی
65
00:02:44,760 –> 00:02:49,230
به نام بلاگ log وجود دارد، بنابراین این الگوریتم هایی که
66
00:02:49,230 –> 00:02:51,600
به شما نشان می دهم سه
67
00:02:51,600 –> 00:02:53,400
نوع الگوریتم وجود دارد که ما برای تشخیص
68
00:02:53,400 –> 00:02:55,980
اشیاء در یک تصویر مانند la pasión
69
00:02:55,980 –> 00:02:57,510
گاوسی و تفاوت گاوسی استفاده می کنیم. و
70
00:02:57,510 –> 00:03:00,569
تعیین کننده Hessian بنابراین از l OG
71
00:03:00,569 –> 00:03:03,690
d wu g و Evo h گرفته شده است، بنابراین من از l OG استفاده می کنم
72
00:03:03,690 –> 00:03:05,370
، به همین دلیل است که من آرنج حباب
73
00:03:05,370 –> 00:03:07,709
G را می دهم و تصویر خود را رد می کنم، پس این چه چیزی است که
74
00:03:07,709 –> 00:03:10,440
ایان اول از همه نفس می کشد بنابراین گاوسیان
75
00:03:10,440 –> 00:03:12,420
است. یک انحراف معیار از راه دیگر،
76
00:03:12,420 –> 00:03:14,850
نه نامیده می شود توزیع نرمال که به
77
00:03:14,850 –> 00:03:17,160
ما کمک می کند مقادیر و
78
00:03:17,160 –> 00:03:19,829
متغیرهای تصادفی موجود در نمودار را در
79
00:03:19,829 –> 00:03:22,230
اشیاء بر اساس اشیاء پیدا کنیم و بنابراین
80
00:03:22,230 –> 00:03:24,390
یک نمودار رسم می کند و بر اساس آن
81
00:03:24,390 –> 00:03:27,390
میانگین و حداکثر مقادیر طرحواره
82
00:03:27,390 –> 00:03:31,820
تصویر را پیدا می کند بنابراین همه چیز لاپلاسی است. در مورد
83
00:03:31,820 –> 00:03:35,340
صاف کردن تصویر تا لاپلاسین
84
00:03:35,340 –> 00:03:38,070
گاوسی، الگوریتم بسیار معروفی برای
85
00:03:38,070 –> 00:03:41,519
تشخیص یک اجسام روشن در فضای خالی
86
00:03:41,519 –> 00:03:43,410
در پسزمینه لاف زدن است، به طوری که
87
00:03:43,410 –> 00:03:45,750
تعریفی است که میتوانید در گوگل پیدا کنید وقتی
88
00:03:45,750 –> 00:03:47,700
صحنهای از کازئین را تایپ میکنید
89
00:03:47,700 –> 00:03:50,070
برای آن استفاده میشود. یک شی روشن
90
00:03:50,070 –> 00:03:52,290
در پسزمینه سیاه تیره، بنابراین
91
00:03:52,290 –> 00:03:53,880
عبور کازون عمدتاً برای
92
00:03:53,880 –> 00:03:56,430
شناسایی اجسام بزرگ و آنچه که مربوط به لاپلاسی است استفاده میشود.
93
00:03:56,430 –> 00:03:58,620
94
00:03:58,620 –> 00:04:00,359
95
00:04:00,359 –> 00:04:02,489
96
00:04:02,489 –> 00:04:05,100
می تواند
97
00:04:05,100 –> 00:04:07,590
اشیاء ناخواسته و
98
00:04:07,590 –> 00:04:09,660
لبه ها را شناسایی کند تا بتوانید
99
00:04:09,660 –> 00:04:11,670
قبل از اینکه آن را برای پردازش در نظر بگیرید، آن را از تصویر حذف کنید،
100
00:04:11,670 –> 00:04:15,209
همانطور که ما در اینجا حساب می کنیم، بنابراین این
101
00:04:15,209 –> 00:04:16,738
لاپلاسی گاوسیا n که
102
00:04:16,738 –> 00:04:18,720
یک تصویر را بر اساس انحراف استاندارد صاف می کند،
103
00:04:18,720 –> 00:04:21,029
اغلب
104
00:04:21,029 –> 00:04:23,940
اشیاء خاصی در یک تصویر استفاده می کنیم و
105
00:04:23,940 –> 00:04:27,180
می توانید ببینید که این گزارش دارای
106
00:04:27,180 –> 00:04:29,580
پارامترهای زیادی مانند حداکثر سیگما نام سیگما و
107
00:04:29,580 –> 00:04:33,150
آستانه است، بنابراین حداکثر سیگما مانند
108
00:04:33,150 –> 00:04:35,340
حداکثر انحراف استاندارد برای گاوسی است.
109
00:04:35,340 –> 00:04:37,560
هسته و شما باید این را بالا نگه دارید تا
110
00:04:37,560 –> 00:04:40,470
بلاک های بزرگتر را در تصویر خود شناسایی
111
00:04:40,470 –> 00:04:42,630
کنید، بنابراین مقادیری که من در
112
00:04:42,630 –> 00:04:45