در این مطلب، ویدئو تجزیه و تحلیل تصویر در پایتون با SciPy و scikit-image | آموزش SciPy 2018 | استفان ون در والت 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:
00:00:00,000 –> 00:00:01,829
بعد از ظهر بخیر خانم ها و آقایان و
2
00:00:01,829 –> 00:00:03,419
به روانگردان خوش آمدید،
3
00:00:03,419 –> 00:00:05,009
دیدن بسیاری از شما در اتاق امروز هیجان انگیز
4
00:00:05,009 –> 00:00:10,139
است و بله، می خواهم
5
00:00:10,139 –> 00:00:12,300
امروز شما را به همکارانم معرفی کنم،
6
00:00:12,300 –> 00:00:15,089
بنابراین نام من استفان است. بنیانگذار
7
00:00:15,089 –> 00:00:16,920
روانشناسی و محقق در
8
00:00:16,920 –> 00:00:20,910
مؤسسه علوم داده برکلی UC با یکی از
9
00:00:20,910 –> 00:00:23,760
نونز ایگلسیاس که یکی از همکاران
10
00:00:23,760 –> 00:00:26,699
اصلی Syfy و در حال حاضر محقق در
11
00:00:26,699 –> 00:00:32,130
موناش بله و جاش وارنر همچنین
12
00:00:32,130 –> 00:00:35,000
مشارکت کننده اصلی آسیب روانی روانی
13
00:00:35,000 –> 00:00:36,809
قبلاً در کلینیک مایو و
14
00:00:36,809 –> 00:00:39,770
در حال حاضر در کلینیک مایو است. دانشگاه
15
00:00:39,770 –> 00:00:43,860
آریزونا خیلی خوب است، بنابراین میخواهم مطمئن شوم که
16
00:00:43,860 –> 00:00:45,660
همه افراد حاضر در اتاق آخرین
17
00:00:45,660 –> 00:00:47,129
نسخه مطالب را دارند که ما در
18
00:00:47,129 –> 00:00:49,500
آخرین لحظه بهینهسازی کردیم، بنابراین اگر
19
00:00:49,500 –> 00:00:51,300
دیروز مخزن را شبیهسازی کردید، اگر دانلود نکردهاید، فقط یک git pull انجام دهید.
20
00:00:51,300 –> 00:00:53,730
مطالب
21
00:00:53,730 –> 00:01:01,710
فقط به github بروید URL اینجا روی
22
00:01:01,710 –> 00:01:05,369
صفحه است بنابراین k-dubb comm برای مواد مخدر روانی –
23
00:01:05,369 –> 00:01:08,580
تصویر برای دارو آموزش تصویری ESCA می
24
00:01:08,580 –> 00:01:11,400
توانید روی دکمه دانلود کلیک
25
00:01:11,400 –> 00:01:13,320
کنید یک فایل فشرده به شما می دهد یا اگر git
26
00:01:13,320 –> 00:01:16,500
insta دارید فقط برای یک پرواز و کشش
27
00:01:16,500 –> 00:01:18,740
28
00:01:23,700 –> 00:01:27,190
کافی است، بنابراین فقط یک بررسی اجمالی است که
29
00:01:27,190 –> 00:01:29,890
قبلاً مواد را روی دستگاه خود دارد،
30
00:01:29,890 –> 00:01:39,640
اوه عالی، بسیار عالی، بنابراین معمولاً
31
00:01:39,640 –> 00:01:41,380
ما کمی جزئیات را در مورد
32
00:01:41,380 –> 00:01:43,870
چیستی روانی و آنچه استفاده می شود وارد
33
00:01:43,870 –> 00:01:45,850
می کنیم، اما من فکر می کنم بیشتر از شما می دانید که
34
00:01:45,850 –> 00:01:49,360
از آنجایی که در این آموزش هستید، بنابراین تنها
35
00:01:49,360 –> 00:01:51,700
چیزی که من می گویم این است که می دانید تصاویر در
36
00:01:51,700 –> 00:01:54,130
اطراف ما هستند، این یک روش بسیار متداول
37
00:01:54,130 –> 00:01:56,920
تصویربرداری است، امروزه روش های بسیار غنی برای
38
00:01:56,920 –> 00:01:59,050
به دست آوردن تصاویر وجود دارد که
39
00:01:59,050 –> 00:02:01,210
ابزار دقیق هر روز به شدت در حال بهبود است.
40
00:02:01,210 –> 00:02:04,119
انواع تصاویری که ما
41
00:02:04,119 –> 00:02:05,680
از کیفیت آن تصاویر دریافت می کنیم،
42
00:02:05,680 –> 00:02:07,950
تعداد زیادی از داده هایی که می توانیم جمع آوری کنیم
43
00:02:07,950 –> 00:02:11,080
افزایش می یابد و در حالی که
44
00:02:11,080 –> 00:02:14,230
مطمئناً رشد شبکه های عصبی و این
45
00:02:14,230 –> 00:02:15,370
نوع الگوریتم ها وجود دارد که می توانند به
46
00:02:15,370 –> 00:02:17,170
طور خودکار چیزهای زیادی در مورد داده های شما بیاموزند.
47
00:02:17,170 –> 00:02:20,110
قادر به
48
00:02:20,110 –> 00:02:22,239
اعمال اکتشافات انسانی بر روی داده های خود و
49
00:02:22,239 –> 00:02:24,730
استخراج بینش های معنادار از تصاویر خود است،
50
00:02:24,730 –> 00:02:29,049
بنابراین تصویر چرخه یک
51
00:02:29,049 –> 00:02:32,560
کتابخانه پایتون است که برای دسترسی
52
00:02:32,560 –> 00:02:34,860
به این موارد اولیه پردازش تصویر نوشته
53
00:02:34,860 –> 00:02:39,160
شده است. با هدف صنعت،
54
00:02:39,160 –> 00:02:42,820
آموزش و پژوهش، ما بر روی کدهایی تمرکز می کنیم
55
00:02:42,820 –> 00:02:45,600
که به خوبی مستند شده
56
00:02:45,600 –> 00:02:49,840
باشد و به خوبی آزمایش شده باشد و به راحتی برای
57
00:02:49,840 –> 00:02:53,620
کاربران و توسعه دهندگان قابل
58
00:02:53,620 –> 00:02:55,239
دسترسی باشد.
59
00:02:55,239 –> 00:02:56,890
60
00:02:56,890 –> 00:02:58,630
به عنوان مثال
61
00:02:58,630 –> 00:03:00,780
می توانید در مسابقات سرعتی این شنبه شرکت کنید
62
00:03:00,780 –> 00:03:03,160
یا فقط آن را به یکی از مشارکت کنندگان اصلی معرفی کنید
63
00:03:03,160 –> 00:03:04,989
و ما خوشحال می شویم که به
64
00:03:04,989 –> 00:03:06,940
شما کمک کنیم تا با هر
65
00:03:06,940 –> 00:03:10,269
مشکل یا مشکلی که دارید حل کنید. همچنین می خواهم شما را تشویق کنم
66
00:03:10,269 –> 00:03:13,209
که از وب سایت ما دیدن کنید. – image org
67
00:03:13,209 –> 00:03:15,610
ما مجموعه کاملی از
68
00:03:15,610 –> 00:03:18,340
مستندات و همچنین گالری از نمونهها را
69
00:03:18,340 –> 00:03:21,760
داریم که رایجترین
70
00:03:21,760 –> 00:03:25,120
الگوهای استفاده از بسته را به درستی نشان میدهد، بنابراین آنچه
71
00:03:25,120 –> 00:03:26,970
امروز فرض میکنیم این است که شما
72
00:03:26,970 –> 00:03:29,620
قبلاً تجربهای در اکوسیستم علمی پایتون
73
00:03:29,620 –> 00:03:32,080
داشتهاید. به طور خاص، ما فرض می کنیم که
74
00:03:32,080 –> 00:03:34,380
شما حداقل قبلاً تعدادی ناامپ دیده
75
00:03:34,380 –> 00:03:35,680
اید که
76
00:03:35,680 –> 00:03:38,230
ممکن است روی syfy لمس کرده باشید و
77
00:03:38,230 –> 00:03:40,560
قبلاً با مت باتلر نقشه ای کشیده اید،
78
00:03:40,560 –> 00:03:43,810
اگر اینطور نیست، خواهید دید.
79
00:03:43,810 –> 00:03:47,760
کد نمونه ای در نوت بوک داشته باشید، اما
80
00:03:47,760 –> 00:03:49,930
حداقل امیدواریم که بتوانیم
81
00:03:49,930 –> 00:03:53,099
از آن سطح تجربه شروع کنیم،
82
00:03:53,099 –> 00:03:59,079
بنابراین من می خواهم
83
00:03:59,079 –> 00:04:00,700
مطمئن شوم که همه نوت بوک های خود را به درستی راه اندازی می کنند
84
00:04:00,700 –> 00:04:02,139
زیرا در غیر این صورت ممکن
85
00:04:02,139 –> 00:04:04,150
است پیدا کردن تصاویر دشوار باشد. یا
86
00:04:04,150 –> 00:04:07,000
مسیرها و تصویر تصاویر پس از
87
00:04:07,000 –> 00:04:09,189
اینکه مخزن را کلون کردید یا
88
00:04:09,189 –> 00:04:11,590
فایلی را که از github دانلود کرده اید از حالت فشرده خارج کردید
89
00:04:11,590 –> 00:04:14,680
به آن دایرکتوری تغییر دهید و
90
00:04:14,680 –> 00:04:16,660
Jupiter را مستقیماً از آن دایرکتوری راه اندازی کنید
91
00:04:16,660 –> 00:04:18,130
بنابراین به هیچ
92
00:04:18,130 –> 00:04:20,019
زیرشاخه ای نروید فقط آن را از ریشه راه اندازی کنید.
93
00:04:20,019 –> 00:04:22,840
از آن دایرکتوری، دایرکتوری
94
00:04:22,840 –> 00:04:25,169
باید به نام Eska image tutorials
95
00:04:25,169 –> 00:04:27,580
زمانی که آن را روشن می کنید،
96
00:04:27,580 –> 00:04:30,160
نوت بوک Jupiter شما باید شما را به اینجا بیاورد، بنابراین
97
00:04:30,160 –> 00:04:33,550
باید ببینید که یک زیرپوشه با
98
00:04:33,550 –> 00:04:37,120
سخنرانی ها و کارگاه ها را می شناسید، بنابراین فقط
99
00:04:37,120 –> 00:04:39,460
به پوشه workshops بروید و به
100
00:04:39,460 –> 00:04:44,260
2018 sy PI بروید و روی آن کلیک کنید. ایندکس I py و B
101
00:04:44,260 –> 00:04:46,800
و این باید شما را به این صفحه بیاورد،
102
00:04:46,800 –> 00:04:49,330
بنابراین این نقطه شروع ما
103
00:04:49,330 –> 00:04:54,220
برای امروز است
104
00:04:54,220 –> 00:04:56,940
105
00:04:56,940 –> 00:04:58,750
. در قسمت خاصی از کلمه به
106
00:04:58,750 –> 00:05:03,370
خوبی برنامه ریزی کنید، بنابراین ما قصد داریم اکنون یک
107
00:05:03,370 –> 00:05:06,520
مقدمه کوتاه در مورد نحوه نمایش تصاویر
108
00:05:06,520 –> 00:05:09,430
به صورت آرایه های بی رنگ ارائه کنم که به
109
00:05:09,430 –> 00:05:11,770
نوعی پایه
110
00:05:11,770 –> 00:05:14,409
سخنرانی های بعدی را تشکیل می
111
00:05:14,409 –> 00:05:17,009
دهند و سپس به شما نشان می دهد. نحوه اعمال
112
00:05:17,009 –> 00:05:19,210
فیلترها بر روی تصاویر
113
00:05:19,210 –> 00:05:21,039
جاش به
114
00:05:21,039 –> 00:05:24,159
تقسیم بندی تصویر برای استخراج اشیاء
115
00:05:24,159 –> 00:05:28,210
از یک تصویر ادامه می دهد و سپس
116
00:05:28,210 –> 00:05:30,159
ما دانش خود را برای برخی
117
00:05:30,159 –> 00:05:31,509
از چالش های سرریز پشته به کار می گیریم، بنابراین اینها
118
00:05:31,509 –> 00:05:32,949
مشکلاتی هستند که در مورد
119
00:05:32,949 –> 00:05:34,840
سوالات دنیای واقعی سرریز پشته مطرح شده
120
00:05:34,840 –> 00:05:37,180
اند که آنها می خواستند حل کنند، بنابراین شما
121
00:05:37,180 –> 00:05:39,490
می توانید روی آن ها کار کنید یا مشکل خود را بیاورید
122
00:05:39,490 –> 00:05:41,490
و ما می توانیم سعی کنیم به شما کمک کنیم
123
00:05:41,490 –> 00:05:46,610
روی مجموعه داده ها یا عکس های خود کار کنید، بله
124
00:05:46,610 –> 00:05:49,430
درست است، بنابراین ما هر ساعت 50
125
00:05:49,430 –> 00:05:51,830
دقیقه برای سخنرانی ده دقیقه استراحت
126
00:05:51,830 –> 00:05:52,879
خواهیم داشت. فرصتی برای کشش
127
00:05:52,879 –> 00:05:53,629
پاهایتان وجود دارد
128
00:05:53,629 –> 00:05:56,300
تنقلات موجود است 2:15 نیست
129
00:05:56,300 –> 00:05:59,719
فکر میکنم به 25 25 بعلاوه دو باشد
130
00:05:59,719 –> 00:06:05,680
تا زمانی که میانوعدهها در دسترس هستند، بله،
131
00:06:09,580 –> 00:06:12,469
بنابراین در پایان همان صفحه اول
132
00:06:12,469 –> 00:06:14,090
میتوانید بررسی کنید که آیا شما تمام
133
00:06:14,090 –> 00:06:16,219
نرم افزارهای پیش نیاز را نصب کرده اید، بنابراین اگر
134
00:06:16,219 –> 00:06:18,169
اسکریپت راه اندازی را اجرا کنید، باید
135
00:06:18,169 –> 00:06:19,669
بررسی کند که آخرین
136
00:06:19,669 –> 00:06:22,039
نسخه از تصویر روانی را دریافت کرده اید که
137
00:06:22,039 –> 00:06:25,129
علمی تخیلی numpy دارید و متلب آن را نصب
138
00:06:25,129 –> 00:06:26,870
می کند. امروز از
139
00:06:26,870 –> 00:06:37,039
شما استفاده خواهم کرد، خیلی خوب، تا اینجای کار،
140
00:06:37,039 –> 00:06:38,479
اگر سؤالی دارید، فقط دست خود را بالا ببرید
141
00:06:38,479 –> 00:06:41,750
و جاش یا یکی می تواند به شما کمک کند،
142
00:06:41,750 –> 00:06:44,409
بیایید شروع کنیم
143
00:07:00,540 –> 00:07:03,490
تا تصاویر در امت روانی
144
00:07:03,490 –> 00:07:06,370
به صورت آرایه های ناتوان نمایش داده شوند که ما یک آرایه نداریم.
145
00:07:06,370 –> 00:07:08,770
ساختار تصویر تخصصی ما
146
00:07:08,770 –> 00:07:11,500
از آرایه nd استفاده می کنیم که
147
00:07:11,500 –> 00:07:13,270
فرمت تبادل مشترک بین
148
00:07:13,270 –> 00:07:17,800
بسته های علمی مختلف پایتون است، زیرا ما
149
00:07:17,800 –> 00:07:19,510
از این محفظه عمومی استفاده می کنیم، به این معنی
150
00:07:19,510 –> 00:07:21,910
که تصویر روانی با
151
00:07:21,910 –> 00:07:24,190
بسیاری از بسته های پایتون دیگر در
152
00:07:24,190 –> 00:07:28,110
اکوسیستم علمی پایتون از جمله
153
00:07:28,950 –> 00:07:33,490
sight scikit قابل همکاری است. -یادگیری علمی تخیلی در تصویر
154
00:07:33,490 –> 00:07:37,540
و غیره، بنابراین من در اینجا به شما نشان خواهم داد که چگونه
155
00:07:37,540 –> 00:07:39,820
اولین تصویر
156
00:07:39,820 –> 00:07:42,160
خود را بسازید تا numpy را به عنوان MP که
157
00:07:42,160 –> 00:07:45,310
استاندارد استاندارد است وارد کنیم و برای نمایش
158
00:07:45,310 –> 00:07:47,290
آن میخواهم بسته نمودار PI
159
00:07:47,290 –> 00:07:49,590
را از matplotlib وارد
160
00:07:49,590 –> 00:07:52,600
کنم و در اینجا نقطه اصلی کاری است که من
161
00:07:52,600 –> 00:07:55,120
انجام میدهم، من از numpy میخواهم یک
162
00:07:55,120 –> 00:07:59,200
آرایه تصادفی با ابعاد 500 در 500 تولید کند، بنابراین
163
00:07:59,200 –> 00:08:02,410
ماتریس 500 در 500 از اعداد بین
164
00:08:02,410 –> 00:08:05,170
0 و 1 و I. از لبههای خونی
165
00:08:05,170 –> 00:08:07,870
مات میخواهم تا آن را نمایش دهد و این چیزی است که من دریافت میکنم،
166
00:08:07,870 –> 00:08:09,910
بنابراین این نوع از شهود ما پیروی میکند
167
00:08:09,910 –> 00:08:11,680
که میدانید ما آرایهای از
168
00:08:11,680 –> 00:08:18,000
اعداد داریم 0 نقشه تا سیاه و 1 نقشه به سفید،
169
00:08:18,000 –> 00:08:21,310
بنابراین این تصویری بود که من به تازگی ساختم.
170
00:08:21,310 –> 00:08:22,990
در حال پرواز اما همین
171
00:08:22,990 –> 00:08:26,680
امر برای تصاویر دنیای واقعی
172
00:08:26,680 –> 00:08:28,930
صدق می کند، بنابراین اگر ماژول داده را از تصویر Seiken وارد کنید،
173
00:08:28,930 –> 00:08:31,240
ماژول داده حاوی چند تصویر نمونه است
174
00:08:31,240 –> 00:08:33,610
که ما با یک بسته ارسال کرده ایم،
175
00:08:33,610 –> 00:08:36,520
می توانیم تصویر سکه ها را بارگذاری کنیم و
176
00:08:36,520 –> 00:08:38,380
من به هر دو می روم. تصویر سکه ها
177
00:08:38,380 –> 00:08:40,080
و چند ویژگی در مورد آن تصویر را نمایش دهید، به
178
00:08:40,080 –> 00:08:43,960
طور خاص تایپ تصاویر را نشان دهید، به
179
00:08:43,960 –> 00:08:45,610
عبارت دیگر در مورد نوع داده و شکل آن از چه نوع شی پایتون صحبت می کنیم،
180
00:08:45,610 –> 00:08:47,980
181
00:08:47,980 –> 00:08:51,580
بنابراین نوع یک آرایه numpy است همانطور
182
00:08:51,580 –> 00:08:53,080
که گفتم ما همیشه از آرایه های numpy برای
183
00:08:53,080 –> 00:08:55,780
نشان دادن استفاده می کنیم. این تصاویر نوع لوله داده است
184
00:08:55,780 –> 00:08:58,000
U و 8 است به عبارت دیگر
185
00:08:58,000 –> 00:09:00,490
اعداد صحیح مثبت هستند که بین 0 تا
186
00:09:00,490 –> 00:09:03,970
255 اجرا می شوند و ابعاد تصویر در
187
00:09:03,970 –> 00:09:08,890
این مورد 303 سطر در 384 ستون است،
188
00:09:08,890 –> 00:09:11,910
بنابراین یک تصویر سطح خاکستری است،
189
00:09:12,730 –> 00:09:17,740
بنابراین اگر یک تصویر سطح خاکستری یک
190
00:09:17,740 –> 00:09:21,800
ماتریس واحد باشد، نظر شما چیست؟ شکل یک
191
00:09:21,800 –> 00:09:25,610
تصویر رنگی خوب است که ما به
192
00:09:25,610 –> 00:09:27,949
لایه های مختلفی برای نشان دادن
193
00:09:27,949 –> 00:09:29,180
رنگ های مختلف نیاز داریم، بنابراین به
194
00:09:29,180 –> 00:09:33,139
یک لایه قرمز، سبز و آبی نیاز خواهیم داشت
195
00:09:33,139 –> 00:09:35,540
، راه های دیگری برای نمایش تصاویر وجود دارد
196
00:09:35,540 –> 00:09:37,310
که می توانید فکر کنید. شرایط
197
00:09:37,310 –> 00:09:39,110
اشباع و مقدار شما و
198
00:09:39,110 –> 00:09:43,459
فضاهای رنگی مختلفی از این دست وجود دارد، اما به
199
00:09:43,459 –> 00:09:45,680
طور پیشفرض آنها را به صورت قرمز سبز و آبی نشان میدهیم،
200
00:09:45,680 –> 00:09:50,480
بنابراین بیایید چلسی را بگیریم،
201
00:09:50,480 –> 00:09:54,500
گربه دوباره شکل
202
00:09:54,500 –> 00:09:59,720
آرایه را با حداقل حداکثر مقادیر نمایش میدهد تا در
203
00:09:59,720 –> 00:10:01,339
آنجا تصویر را ببینید.
204
00:10:01,339 –> 00:10:03,110
شکل دانه شما اکنون تغییر کرده است،
205
00:10:03,110 –> 00:10:05,540
دیگر آرایه دو بعدی نیست،
206
00:10:05,540 –> 00:10:10,430
بلکه 300 ردیف، 451 ستون و سه
207
00:10:10,430 –> 00:10:15,410
لایه قرمز سبز و آبی است، بنابراین چون
208
00:10:15,410 –> 00:10:17,600
اینها فقط چند آرایه پای هستند، می توانید
209
00:10:17,600 –> 00:10:19,459
آنها را به گونه ای دستکاری کنید. شما می توانید
210
00:10:19,459 –> 00:10:21,769
هر آرایه numpy دیگری را دستکاری کنید و می توانید
211
00:10:21,769 –> 00:10:23,959
آنها را برش دهید و می توانید به آنها اختصاص دهید،
212
00:10:23,959 –> 00:10:25,850
می توانید عملگرهای کاهش را روی آنها
213
00:10:25,850 –> 00:10:27,620
انجام دهید.
214
00:10:27,620 –> 00:10:30,500
215
00:10:30,500 –> 00:10:33,879
بنابراین،
216
00:10:33,879 –> 00:10:37,670
چه مقدار قرمز روشن است، خوب
217
00:10:37,670 –> 00:10:41,059
باید مقدار زیادی در نوار قرمز و
218
00:10:41,059 –> 00:10:43,279
مقادیر کم در نوارهای سبز و آبی باشد،
219
00:10:43,279 –> 00:10:48,050
بنابراین مقادیر تصویر من در این مورد بین 0 تا 255
220
00:10:48,050 –> 00:10:52,399
است، بنابراین من می خواهم یک
221
00:10:52,399 –> 00:10:56,269
بلوک کوچک از آن را تنظیم کنم. آن تصویر به 255 0 و 0 قرمز
222
00:10:56,269 –> 00:11:02,089
سبز و آبی است، بنابراین می بینید که وقتی این کار را انجام می
223
00:11:02,089 –> 00:11:04,610
دهم، این برش را بین ردیف های 10، 100
224
00:11:04,610 –> 00:11:07,069
و 10 ستون های 10 و صد و 10
225
00:11:07,069 –> 00:11:09,500
گرفتم که آن ناحیه و در تمام نوارهای رنگی به من می دهد
226
00:11:09,500 –> 00:11:11,509
، این همان چیزی است که این دو نقطه
227
00:11:11,509 –> 00:11:14,569
به معنای آن است. وقتی آن را به 5500 اختصاص دادم، بنابراین
228
00:11:14,569 –> 00:11:19,220
دریافتم که بلوک قرمز در گوشه، اگر
229
00:11:19,220 –> 00:11:21,110
میخواهید شفافیت را در یک
230
00:11:21,110 –> 00:11:23,059
تصویر نشان دهید، میتوانید لایه چهارمی به نام لایه آلفا اضافه کنید،
231
00:11:23,059 –> 00:11:24,460
اما
232
00:11:24,460 –> 00:11:26,940
امروز اشکال دیگری وجود دارد که با آن سروکار نداریم.
233
00:11:26,940 –> 00:11:29,980
234
00:11:29,980 –> 00:11:32,650
ممکن است در عمل با آن برخورد کنید، بنابراین ما اکنون
235
00:11:32,650 –> 00:11:35,140
t را دیدیم تصاویر دو بعدی در مقیاس خاکستری
236
00:11:35,140 –> 00:11:38,070
که دارای سطر و ستون هستند ما
237
00:11:38,070 –> 00:11:40,810
تصاویر دو بعدی چند کاناله قرمز
238
00:11:40,810 –> 00:11:42,490
سبز و آبی دیدهایم، بنابراین این تصاویر دارای
239
00:11:42,490 –> 00:11:45,690
ستونهای ردیف و تعداد مشخصی کانال هستند
240
00:11:45,690 –> 00:11:48,750
که میتوانیم تصاویر سه بعدی در
241
00:11:48,750 –> 00:11:51,720
مقیاس خاکستری داشته باشیم تا آنها دارای
242
00:11:51,720 –> 00:11:54,430
ردیف باشند. ستونها و تعداد معینی از
243
00:11:54,430 –> 00:11:56,140
صفحهها، میتوانید به یک میکروسکوپ فکر کنید که
244
00:11:56,140 –> 00:11:57,850
در یک حجم خاص اسکن میکند
245
00:11:57,850 –> 00:12:00,100
، چندین صفحه با تصویر خاص خود خواهید داشت
246
00:12:00,100 –> 00:12:03,340
یا میتوانید دادههای سه بعدی چند کانالی داشته باشید،
247
00:12:03,340 –> 00:12:06,340
بنابراین در این مورد برای هر برشی که
248
00:12:06,340 –> 00:12:08,500
با یک اسکن میکنید. میکروسکوپ یک برش رنگی خواهد بود،
249
00:12:08,500 –> 00:12:11,070
بنابراین در این صورت صفحاتی خواهید داشت
250
00:12:11,070 –> 00:12:15,010
که هر کدام از ردیفها و
251
00:12:15,010 –> 00:12:16,750
ستونهایی با تعداد کانال مشخصی تشکیل شدهاند،
252
00:12:16,750 –> 00:12:25,930
بنابراین برای کسانی از شما
253
00:12:25,930 –> 00:12:27,490
که مدتی است از لبههای مات استفاده نکردهاید،
254
00:12:27,490 –> 00:12:30,250
این سلول به نوعی طراحی شده است. یک مینی
255
00:12:30,250 –> 00:12:32,680
پرایمر باشد، اساساً حاوی
256
00:12:32,680 –> 00:12:34,450
همه چیزهایی است که امروز قرار است
257
00:12:34,450 –> 00:12:36,700
برای نمایش تصاویر استفاده کنیم، بنابراین دوباره از
258
00:12:36,700 –> 00:12:39,130
آن ماژول زیرمجموعه داده تصویر چرخه استفاده می کنم،
259
00:12:39,130 –> 00:12:42,370
دو تصویر چلسی و تصویری
260
00:12:42,370 –> 00:12:44,170
از یک موشک که آنها را به تصویر امضا می کند بارگذاری می کنم. صفر
261
00:12:44,170 –> 00:12:48,370
و یک و سپس ما
262
00:12:48,370 –> 00:12:52,570
ماژول زیر ماژول خط لبه های گلی مهم ریاضی را به عنوان PLT داریم، می
263
00:12:52,570 –> 00:12:54,640
خواهیم از دستور subplots برای
264
00:12:54,640 –> 00:12:57,910
تولید دو محور استفاده کنیم تا بتوانیم روی آن ترسیم کنیم،
265
00:12:57,910 –> 00:13:00,540
می توانیم یک شبکه دلخواه از
266
00:13:00,540 –> 00:13:02,680
محورها برای پیوستن ایجاد کنیم، اما در این در مورد من فقط
267
00:13:02,680 –> 00:13:04,900
می خواهم یک مقایسه کنار هم دو
268
00:13:04,900 –> 00:13:07,510
تصویر را انجام دهیم، بنابراین ما می خواهیم نمودارهای فرعی انجام دهیم.
269
00:13:07,510 –> 00:13:09,370
270
00:13:09,370 –> 00:13:13,240
271
00:13:13,240 –> 00:13:15,400
272
00:13:15,400 –> 00:13:17,470
در کنار هم و من می
273
00:13:17,470 –> 00:13:20,020
خواهم برای اندازه شکل 20 در
274
00:13:20,020 –> 00:13:22,150
10 یک شکل بزرگ خوب بخواهم که می توانم توضیح دهم
275
00:13:22,150 –> 00:13:26,110
که در قسمت های فرعی دفترچه
276
00:13:26,110 –> 00:13:29,620
یک شکل و همچنین دو محوری
277
00:13:29,620 –> 00:13:31,630
که خواسته اید را به شما برمی گرداند و سپس می توانید از
278
00:13:31,630 –> 00:13:34,780
MATLAB برای رسم بالای آنها استفاده کنید تا X 0
279
00:13:34,780 –> 00:13:37,630
نقطه M نمایش تصویر 0 تصویر اول را نمایش
280
00:13:37,630 –> 00:13:38,170
281
00:13:38,170 –> 00:13:41,920
دهد x0 عنوان مجموعه را نمایش می دهیم، عنوان آن را تنظیم می
282
00:13:41,920 –> 00:13:44,470
کنیم و غیره، بنابراین ما می خواهیم تصویر
283
00:13:44,470 –> 00:13:48,040
مجموعه عنوان خود را برای چرخش محورهای
284
00:13:48,040 –> 00:13:49,779
دوم نمایش دهیم. تصویری را که قرار است
285
00:13:49,779 –> 00:13:51,790
نمایش دهیم، عنوان آن را روی
286
00:13:51,790 –> 00:13:55,320
موشک قرار می دهیم، یک آزمایشگاه X اضافه می کنیم el به
287
00:13:55,320 –> 00:13:57,910
آن تصویر و سپس ما می خواهیم
288
00:13:57,910 –> 00:14:00,760
چند خط عمودی اضافه کنیم و یک
289
00:14:00,760 –> 00:14:03,459
خط دلخواه را در جای دیگری از
290
00:14:03,459 –> 00:14:07,149
تصویر ترسیم کنیم و در نهایت یک افسانه اضافه کنیم تا
291
00:14:07,149 –> 00:14:09,399
در
292
00:14:09,399 –> 00:14:10,959
صورت نیاز به ترسیم این سلول، در ادامه آموزش به آن مراجعه کنید. چیزهایی
293
00:14:10,959 –> 00:14:13,360
که به نوعی به معنای
294
00:14:13,360 –> 00:14:15,790
خلاصهای کوچک از تمام قابلیتهایی است که
295
00:14:15,790 –> 00:14:17,949
امروز به آن نیاز دارید، بنابراین طرحی وجود دارد که
296
00:14:17,949 –> 00:14:22,300
میتوانید دو محور را در کنار هم ببینید، میتوانید
297
00:14:22,300 –> 00:14:24,459
دو خط عمودی را که در کنار
298
00:14:24,459 –> 00:14:26,589
آن موشک قرار دارند و زبانه موشکها را ببینید.
299
00:14:26,589 –> 00:14:30,519
افسانه را در گوشه بالا و
300
00:14:30,519 –> 00:14:32,800
همچنین زیرنویسهای متنی برای عناوین و
301
00:14:32,800 –> 00:14:41,980
همچنین برای محور x یکی از محورهای x را ببینید، بنابراین
302
00:14:41,980 –> 00:14:45,010
بیایید به تصاویری برگردیم که
303
00:14:45,010 –> 00:14:46,720
قبلاً دیدهایم که حداقل
304
00:14:46,720 –> 00:14:49,240
دو نوع از آنها را دریافت میکنید. محدوده برای تصاویر بنابراین
305
00:14:49,240 –> 00:14:50,980
اولین تصویری که من
306
00:14:50,980 –> 00:14:55,360
مقادیر را ساختم از 0 تا 1 اجرا شد و در تصویر دومی
307
00:14:55,360 –> 00:14:57,459
که من از دیسک بارگذاری کردم
308
00:14:57,459 –> 00:15:01,269
مقادیر بین 0 تا 255 اجرا شد، بنابراین
309
00:15:01,269 –> 00:15:03,100
در آنجا چه خبر است که
310
00:15:03,100 –> 00:15:04,779
نمایش واقعی است که در چرخه استفاده می کنیم.
311
00:15:04,779 –> 00:15:07,029
تصویر خوبی در داخل که در آن ما از
312
00:15:07,029 –> 00:15:11,380
d های مختلف پشتیبانی می کنیم انواع ata تا بتوانید استفاده کنید
313
00:15:11,380 –> 00:15:13,690
می توانید از هر دو استفاده کنید و چیزی که من
314
00:15:13,690 –> 00:15:14,800
در اینجا به شما نشان خواهم داد این است که شما
315
00:15:14,800 –> 00:15:17,110
اساساً می توانید همان تصویر را در یک نمایش
316
00:15:17,110 –> 00:15:19,600
ممیز شناور یا در یک
317
00:15:19,600 –> 00:15:21,790
نمایش عدد صحیح داشته باشید، بنابراین من می
318
00:15:21,790 –> 00:15:23,440
خواهم یک اندام انجام دهم.
319
00:15:23,440 –> 00:15:24,670
به عبارت دیگر
320
00:15:24,670 –> 00:15:27,630
من اعداد بین 0 تا
321
00:15:27,630 –> 00:15:30,490
12500 از آنها را می گیرم و
322
00:15:30,490 –> 00:15:33,190
تمام اعدادی که از 0 تا 1 هستند
323
00:15:33,190 –> 00:15:35,829
را به یک تصویر 50 در 50 تغییر شکل می دهم. به
324
00:15:35,829 –> 00:15:37,600
نظر شما باید به صورت بصری ببینم که
325
00:15:37,600 –> 00:15:41,310
انتظار دارید دقیقاً چه چیزی بیرون بیاید،
326
00:15:44,550 –> 00:15:46,930
بنابراین یک گرادیان که نظم از تاریکی شروع می شود
327
00:15:46,930 –> 00:15:49,450
و به سمت روشن می رود
328
00:15:49,450 –> 00:15:51,610
، همین کار را با
329
00:15:51,610 –> 00:15:54,130
اعداد صحیح در اینجا انجام خواهم داد، باید کمی
330
00:15:54,130 –> 00:15:55,779
بیشتر مراقب باشم من بین 0
331
00:15:55,779 –> 00:15:58,750
تا 255 اجرا می کنم، دوباره 2500
332
00:15:58,750 –> 00:16:01,000
مقدار می گیرم، اما این مقادیر
333
00:16:01,000 –> 00:16:03,279
کسری یا اعداد ممیز شناور خواهند بود، بنابراین
334
00:16:03,279 –> 00:16:06,730
از numpy می خواهم که آنها
335
00:16:06,730 –> 00:16:10,930
را برای من به اعداد صحیح برگرداند. m
336
00:16:10,930 –> 00:16:13,029
هر دو را در کنار هم نمایش می دهد
337
00:16:13,029 –> 00:16:18,760
و در آنجا می توانید نقطه شناور
338
00:16:18,760 –> 00:16:21,399
ver را ببینید بنابراین، نمایش اعداد صحیح
339
00:16:21,399 –> 00:16:23,560
اساساً همان تصویر را به دست میدهد،
340
00:16:23,560 –> 00:16:25,380
البته این تصویر کمی درشتتر است،
341
00:16:25,380 –> 00:16:28,720
اما هر دو
342
00:16:28,720 –> 00:16:31,470
نمایش معتبری برای تصویر شما هستند که
343
00:16:31,470 –> 00:16:33,850
تصویر چرخه داخلی معمولاً
344
00:16:33,850 –> 00:16:36,839
با تصاویر ممیز شناور کار میکند، بنابراین اغلب
345
00:16:36,839 –> 00:16:39,399
مفید است که از
346
00:16:39,399 –> 00:16:44,200
تصاویر نقطه سیل شروع کنید. گزینه ای برای
347
00:16:44,200 –> 00:16:46,870
تبدیل بین فرمت های مختلف،
348
00:16:46,870 –> 00:16:51,550
ما تصویر را به عنوان هر توابعی در اختیار داریم،
349
00:16:51,550 –> 00:16:54,700
بنابراین تصاویر شناور یا
350
00:16:54,700 –> 00:16:56,680
مشاهده نیش تصاویر را مشاهده خواهید کرد.
351
00:16:56,680 –> 00:16:58,240
352
00:16:58,240 –> 00:16:59,950
353
00:16:59,950 –> 00:17:01,810
354
00:17:01,810 –> 00:17:05,230
تصویری را از دیسکی که شما میگویید تصاویر
355
00:17:05,230 –> 00:17:06,970
روی آن شناور میگویند خوانده میشود تا مطمئن شوید که
356
00:17:06,970 –> 00:17:09,130
مقادیری بین 0 و 1 دارد و سپس
357
00:17:09,130 –> 00:17:16,720
به خط لوله خود ادامه دهید، بنابراین
358
00:17:16,720 –> 00:17:18,119
سؤال این است که آیا تصاویر شناور
359
00:17:18,119 –> 00:17:22,510
عادی میشوند تا تصاویر شناور شوند اگر
360
00:17:22,510 –> 00:17:24,849
تصویری با مقادیر بین دریافت کند. 0 و 255
361
00:17:24,849 –> 00:17:26,619
به نوع داده نگاه می کند تا تصمیم بگیرد
362
00:17:26,619 –> 00:17:29,350
که محدوده چیست و سپس
363
00:17:29,350 –> 00:17:31,660
محدوده را به پایین تبدیل می کند، بنابراین اگر آن را وارد کنید
364
00:17:31,660 –> 00:17:34,920
تصویر چلسی از قبل،
365
00:17:37,809 –> 00:17:40,029
بنابراین حداقل و حداکثر مقدار چلسی چقدر بود، به
366
00:17:40,029 –> 00:17:45,099
طوری که 0 و 231
367
00:17:45,099 –> 00:17:49,719
درست بود، بنابراین اگر اکنون از آن بخواهیم که تصاویر
368
00:17:49,719 –> 00:17:56,200
روی آن تصویر گربه
369
00:17:56,200 –> 00:17:59,440
شناور شود تا یک تصویر نقطه شناور جدید به ما ارائه دهد، سوال این است
370
00:17:59,440 –> 00:18:06,940
که محدوده آن تصویر باشد، بنابراین
371
00:18:06,940 –> 00:18:09,779
در اینجا ما می رویم، بنابراین آن را به سمت پایین کشید و
372
00:18:09,779 –> 00:18:16,929
در واقع می توانید ببینید که چگونه آن
373
00:18:16,929 –> 00:18:18,759
تبدیل پایین کار می کند، زیرا
374
00:18:18,759 –> 00:18:22,089
حداکثر مقدار آن 231 است، در
375
00:18:22,089 –> 00:18:25,409
محدوده اعدادی قرار دارد که بین 0 تا 255 اجرا می شود،
376
00:18:25,409 –> 00:18:28,089
بنابراین نقطه نقطه از کجا می آید،
377
00:18:28,089 –> 00:18:30,599
بله
378
00:18:39,240 –> 00:18:41,820
درست است، بنابراین همانطور که گفتم می دانید که ما
379
00:18:41,820 –> 00:18:44,640
این نمونه تصاویر را داریم اما من فرض می کنم که شما
380
00:18:44,640 –> 00:18:46,320
فقط نمی خواهید شما همیشه نمی خواهید
381
00:18:46,320 –> 00:18:47,820
در مورد
382
00:18:47,820 –> 00:18:50,340
تصاویر نمونه ای که از چرخه به چرخه دیگر ارسال می کنیم تحقیق کنید. در واقع
383
00:18:50,340 –> 00:18:52,710
برخی از تصاویر اضافی را از دیسک بیرون بکشید،
384
00:18:52,710 –> 00:18:54,990
بنابراین برای اینکه نیاز به تصویر داشته باشید،
385
00:18:54,990 –> 00:18:59,899
ما از افزونههای ورودی مختلف پشتیبانی میکنیم،
386
00:18:59,899 –> 00:19:02,070
اساساً هر آنچه در سیستم نصب شده
387
00:19:02,070 –> 00:19:04,440
باشد، سعی میکنیم و استفاده میکنیم، بهطور
388
00:19:04,440 –> 00:19:07,230
پیشفرض توصیه میکنیم اکنون که از تصویر استفاده کنید
389
00:19:07,230 –> 00:19:09,000
بسته io اما می توانید از matplotli نیز استفاده کنید
390
00:19:09,000 –> 00:19:11,820
ب بالش و غیره،
391
00:19:11,820 –> 00:19:13,350
در حال حاضر لازم نیست نگران این پیچیدگی باشید،
392
00:19:13,350 –> 00:19:17,250
ما یک ماژول فرعی i/o داریم و
393
00:19:17,250 –> 00:19:20,970
اگر IO dot M را انجام دهید، هر چیزی را
394
00:19:20,970 –> 00:19:22,679
که روی دستگاه شما نصب شده است را پیدا می کند و از
395
00:19:22,679 –> 00:19:25,380
آن برای بارگذاری تصویر استفاده می کند. از تصویر SK
396
00:19:25,380 –> 00:19:28,610
قبل از وارد کردن IO به i/o نقطه M
397
00:19:28,610 –> 00:19:32,610
تصویر بالون را میخواند و سپس ما میخواهیم
398
00:19:32,610 –> 00:19:34,590
این ویژگیهای
399
00:19:34,590 –> 00:19:36,750
تصویر، نوع شی نوع داده شکل و غیره را
400
00:19:36,750 –> 00:19:40,110
دوباره چاپ کنیم تا در آنجا آرایه numpy تصویر بالون را در
401
00:19:40,110 –> 00:19:42,210
اختیار شما قرار دهیم. هشت بین
402
00:19:42,210 –> 00:19:45,690
0 تا 255 اجرا می شود و همانطور که انتظار می رود این یک
403
00:19:45,690 –> 00:19:53,340
تصویر RGB با سه لایه است، گاهی
404
00:19:53,340 –> 00:19:55,380
اوقات دسترسی به چندین
405
00:19:55,380 –> 00:19:58,980
تصویر از دیسک راحت است، بنابراین برای این کار مجموعه تصاویر را ارائه می دهیم
406
00:19:58,980 –> 00:20:01,350
تا چیزی شما را
407
00:20:01,350 –> 00:20:03,000
از نوشتن یک حلقه for و فراخوانی
408
00:20:03,000 –> 00:20:05,340
خواندن در ادامه باز نمی دارد. هر تصویر و بسته بندی در یک
409
00:20:05,340 –> 00:20:08,880
لیست، اما گاهی اوقات می گویید که
410
00:20:08,880 –> 00:20:10,440
دو و نیم هزار تصویر در یک
411
00:20:10,440 –> 00:20:12,419
فهرست را می شناسید و می خواهید به همه آنها دسترسی داشته باشید،
412
00:20:12,419 –> 00:20:13,890
ممکن است نخواهید همه آنها
413
00:20:13,890 –> 00:20:15,960
را همزمان در حافظه بارگذاری کنید، بنابراین در این
414
00:20:15,960 –> 00:20:18,390
صورت از مجموعه تصاویر استفاده کنید بنابراین تصویر
415
00:20:18,390 –> 00:20:20,429
col lection یک کارت وایلد را به عنوان
416
00:20:20,429 –> 00:20:23,760
پارامتر می گیرد، بنابراین نقطه ستاره jpg و
417
00:20:23,760 –> 00:20:27,210
تمام JPEG ها را بارگذاری می کند و فقط
418
00:20:27,210 –> 00:20:30,090
زمانی که به آنها نیاز داشته باشید، تصاویر را بارگیری می کند، بنابراین
419
00:20:30,090 –> 00:20:33,270
از تمام حافظه شما مراقبت می کند که
420
00:20:33,270 –> 00:20:35,309
به طور تصادفی حافظه شما تمام نشود،
421
00:20:35,309 –> 00:20:39,440
زیرا آنها همه در ابتدا به درستی بارگذاری شدهاند،
422
00:20:39,440 –> 00:20:43,740
بنابراین در این مورد، من فقط
423
00:20:43,740 –> 00:20:45,720
مجموعهای از تصاویر
424
00:20:45,720 –> 00:20:48,720
موجود در فهرست آموزشها را میسازم،
425
00:20:48,720 –> 00:20:51,600
اگر تماس بگیرید، اگر به
426
00:20:51,600 –> 00:20:52,950
ویژگیهای فایلهای آن
427
00:20:52,950 –> 00:20:54,510
مجموعه تصویر نگاه کنید، فهرستی از همه تصاویر را خواهید دید. از
428
00:20:54,510 –> 00:20:57,660
آنها و سپس من فقط
429
00:20:57,660 –> 00:21:04,500
آنها را در متلب برای حلقه نمایش می دهم، بنابراین
430
00:21:04,500 –> 00:21:06,060
نکته مهمی که می خواهم در اینجا ببینید این
431
00:21:06,060 –> 00:21:10,830
است که هر زمان که به یک تصویر نیاز دارم می توانم
432
00:21:10,830 –> 00:21:13,410
به تصویر دسترسی داشته باشم، حدس می زنم در
433
00:21:13,410 –> 00:21:14,880
واقع اینجا نوشته نشده باشد. در کد اما
434
00:21:14,880 –> 00:21:16,950
می توانید ic0 را فراخوانی
435
00:21:16,950 –> 00:21:18,660
کنید که اولین
436
00:21:18,660 –> 00:21:21,900
تصویر مجموعه را به عنوان یک آرایه numpy به شما می دهد و
437
00:21:21,900 –> 00:21:23,520
در نقطه ای که به آن دسترسی
438
00:21:23,520 –> 00:21:28,350
دارید از دیسک بارگیری می شود، همچنین می توانید از
439
00:21:28,350 –> 00:21:31,620
لیست به عنوان یک شی استاندارد بی شمار مانند
440
00:21:31,620 –> 00:21:37,770
یک لیست یا یک تاپل استفاده کنید. بنابراین چه کسی در اینجا می داند که چگونه
441
00:21:37,770 –> 00:21:42,830
به ما enumerate یا کاری که درست می کند، پس
442
00:21:42,830 –> 00:21:45,650
این مانند یکی از کاربردی ترین
443
00:21:45,650 –> 00:21:48,090
توابع برای من در پایتون است، من دوست دارم
444
00:21:48,090 –> 00:21:52,680
نشان دهم که چه کاری انجام می دهد، بنابراین تصور
445
00:21:52,680 –> 00:21:55,440
کنید این لیست از حیوانات را دارید که حاوی
446
00:21:55,440 –> 00:21:58,770
سگ گربه و پلنگ است، اگر
447
00:21:58,770 –> 00:22:01,320
اساساً آن را برشمارید. آن
448
00:22:01,320 –> 00:22:03,810
فهرست را مرور میکند و آیتمها را یکی یکی میگیرد
449
00:22:03,810 –> 00:22:05,370
و به شما میگوید که آیا
450
00:22:05,370 –> 00:22:07,710
با صفر سروکار دارید، اول، دوم،
451
00:22:07,710 –> 00:22:10,710
شی سوم و غیره، بنابراین به دو مورد ما
452
00:22:10,710 –> 00:22:15,180
یک فهرست و یکی از آیتمهای
453
00:22:15,180 –> 00:22:16,080
فهرستتان را میدهد.
454
00:22:16,080 –> 00:22:19,500
فهرست و حیوان در شمارش
455
00:22:19,500 –> 00:22:22,800
حیوانات می توانم به آن لیست رفته و
456
00:22:22,800 –> 00:22:25,640
نمایه و حیوان را چاپ
457
00:22:25,640 –> 00:22:28,260
کنم و چیزی که به دست می آورم موقعیت حیوان
458
00:22:28,260 –> 00:22:30,600
صفر گربه یک سگ دو است
459
00:22:30,600 –> 00:22:33,870
درست پلنگ است، بنابراین فقط در
460
00:22:33,870 –> 00:22:38,390
کنار عناصر برای شما بسیار مفید است.
461
00:22:40,640 –> 00:22:43,830
درست است، بنابراین فکر میکنم به
462
00:22:43,830 –> 00:22:45,900
اندازه کافی پسزمینه به ما میدهد تا بتوانیم
463
00:22:45,900 –> 00:22:48,750
کار با تصاویر را خودمان شروع کنیم و کاری
464
00:22:48,750 –> 00:22:50,580
که من میخواهم در 20 دقیقه آینده انجام دهم این است که
465
00:22:50,580 –> 00:22:52,020
به شما فرصتی بدهم تا
466
00:22:52,020 –> 00:22:54,870
با آنچه اخیراً در مورد آن صحبت کردم آشنا شوید.
467
00:22:54,870 –> 00:22:59,840
سه اکستر دارم موارد ذکر شده در
468
00:22:59,840 –> 00:23:04,350
اینجا اولین بار در اولین مورد من از شما خواستم که
469
00:23:04,350 –> 00:23:07,290
یک تصویر را از روی دیسک بارگذاری کنید مانند تصویر گربه
470
00:23:07,290 –> 00:23:11,550
و سپس آن تصویر را تغییر دهید
471
00:23:11,550 –> 00:23:14,850
تا حرف H را به رنگ سبز روشن نشان
472
00:23:14,850 –> 00:23:18,030
دهد تا تمرین دستکاری آرایه ناتوان
473
00:23:18,030 –> 00:23:22,950
در این تمرین دوم از شما خواسته شود.
474
00:23:22,950 –> 00:23:25,530
یک تصویر
475
00:23:25,530 –> 00:23:27,990
بگیرید و لایههای قرمز و سبز و آبی را جدا کنید و
476
00:23:27,990 –> 00:23:30,450
به هر کدام به صورت جداگانه نگاه کنید تا ببینید چه چیزی در
477
00:23:30,450 –> 00:23:31,110
آنها وجود دارد
478
00:23:31,110 –> 00:23:33,000
و سپس همه آنها را کنار هم قرار دهید
479
00:23:33,000 –> 00:23:40,440
و آنها را به عنوان یک تصویر رنگی در
480
00:23:40,440 –> 00:23:44,010
تمرین نهایی نمایش دهید که از شما میخواهیم
481
00:23:44,010 –> 00:23:49,380
تصاویر را از رنگی تبدیل کنید. حالا به نظر می رسد که خاکستری شدن
482
00:23:49,380 –> 00:23:51,330
باید آسان باشد، درست است که می
483
00:23:51,330 –> 00:23:53,460
توانید کانال های قرمز و سبز و آبی را به طور متوسط قرار دهید، اما به
484
00:23:53,460 –> 00:23:55,980
نظر می رسد که این
485
00:23:55,980 –> 00:23:58,050
بهترین راه برای تبدیل بین RGB
486
00:23:58,050 –> 00:24:01,680
خاکستری نیست، کانال
487
00:24:01,680 –> 00:24:03,360
ای مختلف باید با وزن ها
488
00:24:03,360 –> 00:24:05,100
مختلف وزن شوند. ما آن
489
00:24:05,100 –> 00:24:06,480
وزن هایی را به شما می دهیم که تبدیل بهینه را به شما می دهند
490
00:24:06,480 –> 00:24:09,030
و سپس از شما می خواهیم که از
491
00:24:09,030 –> 00:24:12,780
ضرب ماتریس برای وزن کردن
492
00:24:12,780 –> 00:24:15,390
کانال ها با هم و تبدیل از رنگی
493
00:24:15,390 –> 00:24:19,620
به خاکستری استفاده کنید، بنابراین بیایید سعی کنیم که
494
00:24:19,620 –> 00:24:23,550
برای بیست دقیقه آینده
495
00:24:23,550 –> 00:24:25,440
حدود 15 دقیقه به شما فرصت می دهم و سپس
496
00:24:25,440 –> 00:24:27,390
چند راه حل را به شما نشان می دهم و سپس
497
00:24:27,390 –> 00:24:29,550
قبل از اینکه با فیلترها ادامه دهید، یک استراحت کوتاه برای چای می گیریم،
498
00:24:29,550 –> 00:24:33,600
بنابراین
499
00:24:33,600 –> 00:24:36,570
اگر چیزی تایپ کردید یک ترفند در دفترچه یادداشت مشتری
500
00:24:36,570 –> 00:24:40,710
مانند PLT hist و میخواهید
501
00:24:40,710 –> 00:24:42,300
بدانید که آرگومانهای آن چیست، فقط
502
00:24:42,300 –> 00:24:44,730
کلید shift را نگه دارید و tab را فشار دهید، اگر این کار را انجام دادید،
503
00:24:44,730 –> 00:24:46,380
وقتی امضا را دریافت کردید، اگر
504
00:24:46,380 –> 00:24:47,850
آن را دو بار فشار دهید، مقدار کمی از
505
00:24:47,850 –> 00:24:49,230
رشته doc را دریافت میکنید، اگر مدام فشار دهید
506
00:24:49,230 –> 00:24:50,910
shift tab میدهد. شما اسناد بیشتری و بیشتر
507
00:24:50,910 –> 00:24:53,100
دارید تا در نهایت
508
00:24:53,100 –> 00:24:54,780
تمام اسناد مربوط به
509
00:24:54,780 –> 00:24:58,320
تابع را به دست آورید، بنابراین برای هر یک
510
00:24:58,320 –> 00:25:01,230
از عملکردهای تصویر روانی همین کار را انجام دهید، بنابراین RGB
511
00:25:01,230 –> 00:25:06,000
– خاکستری را رنگ کنید، زبانه shift نوع براکت را باز کنید
512
00:25:06,000 –> 00:25:08,010
و در آنجا کل رشته سند
513
00:25:08,010 –> 00:25:15,960
را خواهید داشت که با آن ظاهر می شود. Shift tab بسیار خوب، باید
514
00:25:15,960 –> 00:25:19,789
به چند راه حل برای این موارد نگاه کنیم،
515
00:25:19,789 –> 00:25:22,950
بنابراین اولین موردی که H را روی تصویر می کشد،
516
00:25:22,950 –> 00:25:24,419
راه های متعددی برای انجام آن وجود دارد، مثل
517
00:25:24,419 –> 00:25:27,059
اینکه می توانید مستقیماً در آرایه تکه کنید و
518
00:25:27,059 –> 00:25:30,539
مقدار انحرافات را محاسبه کنید آنچه من می
519
00:25:30,539 –> 00:25:32,400
خواهم انجام دهم. g فقط یک
520
00:25:32,400 –> 00:25:34,950
پنجره را از آرایه خود یا از تصویر خود بیرون می آورم
521
00:25:34,950 –> 00:25:37,289
و سپس می خواهم داخل
522
00:25:37,289 –> 00:25:40,200
آن پنجره را بکشم تا محاسبه مختصات
523
00:25:40,200 –> 00:25:46,400
آسان تر شود، بنابراین فرض
524
00:25:46,400 –> 00:25:51,690
کنید پنجره H تصویر من خواهد بود و من می خواهم آن را برش دهم.
525
00:25:51,690 –> 00:25:55,890
بین آکوردهای
526
00:25:55,890 –> 00:26:00,659
صفر دو آکورد صفر به اضافه چند ردیف
527
00:26:00,659 –> 00:26:06,120
باید 24 داشته باشیم و من
528
00:26:06,120 –> 00:26:08,610
تعداد ستون های آکورد یک دو
529
00:26:08,610 –> 00:26:14,450
آکورد یک به اضافه 20 را برش می زنم همه رنگ ها را می گیرد
530
00:26:14,450 –> 00:26:16,679
به طوری که باید آن
531
00:26:16,679 –> 00:26:19,500
بلوک کوچک را از آرایه خارج کنم. که من میخواهم
532
00:26:19,500 –> 00:26:21,960
H را ترسیم کنم و به خاطر بسپارید، اگر
533
00:26:21,960 –> 00:26:25,049
بخشی از آرایه اصلی خود را برش دهید،
534
00:26:25,049 –> 00:26:25,530
535
00:26:25,530 –> 00:26:27,600
اگر مقادیر را دستکاری کنید، فقط یک نمایی از پاک کردن دریافت
536
00:26:27,600 –> 00:26:30,510
537
00:26:30,510 –> 00:26:37,860
538
00:26:37,860 –> 00:26:38,070
539
00:26:38,070 –> 00:26:41,940
خواهید کرد. خوب بله،
540
00:26:41,940 –> 00:26:42,960
حدس میزنم در این مرحله مهم نیست،
541
00:26:42,960 –> 00:26:49,100
پس خوب است، بنابراین بله،
542
00:26:49,100 –> 00:26:54,659
خوب است، بنابراین H وقتی میخواهم
543
00:26:54,659 –> 00:26:57,900
اولین بلوک ده در ده را به رنگ تنظیم کنم تا به
544
00:26:57,900 –> 00:27:01,020
شما نشان دهم چه اتفاقی میافتد، بنابراین میبینید که من
545
00:27:01,020 –> 00:27:04,490
کمی نقاشی کردم تصویر را مسدود کنید
546
00:27:04,490 –> 00:27:06,559
و می دانید پس می توانید به خوبی بگویید
547
00:27:06,559 –> 00:27:10,190
می خواهم اول من این چیزها را می بینم
548
00:27:10,190 –> 00:27:14,809
که سه ستون باشند، اول سه ستون به
549
00:27:14,809 –> 00:27:17,420
رنگ باشند، بنابراین شما
550
00:27:17,420 –> 00:27:22,790
خط H را رسم کنید و به همین ترتیب برای
551
00:27:22,790 –> 00:27:26,120
تجسم کانال های RGB خوب است
552
00:27:26,120 –> 00:27:29,450
که تصویر را می خوانیم، سپس می خواهیم قرمز
553
00:27:29,450 –> 00:27:31,760
سبز و آبی را اختصاص دهیم. کانال ها را به
554
00:27:31,760 –> 00:27:34,070
متغیرهای مختلف تبدیل کنید تا تبدیل به
555
00:27:34,070 –> 00:27:39,650
ردیف های تصویر ستون صفر تصویر ردیف ستون یک
556
00:27:39,650 –> 00:27:44,480
و ردیف تصویر ستون شود. توجه داشته باشید
557
00:27:44,480 –> 00:27:46,460
که نحو کمی بهتر برای
558
00:27:46,460 –> 00:27:51,340
این در داخل Pi در Nampa وجود دارد که می توانید بگویید
559
00:27:52,000 –> 00:27:55,309
نقطه صفر تصویر که اساساً به این معنی است
560
00:27:55,309 –> 00:27:57,679
که همه ابعاد را به جز یکی می پسندید.
561
00:27:57,679 –> 00:28:05,990
من الان مشخص می کنم تا همین مورد را به شما
562
00:28:05,990 –> 00:28:11,210
بدهد و سپس ما مقداری
563
00:28:11,210 –> 00:28:13,730
کد ترسیمی داریم که ارائه کردم و اگر به آن
564
00:28:13,730 –> 00:28:16,580
نگاه کنید می بینید که می دانید
565
00:28:16,580 –> 00:28:18,890
کانال آبی کمی تیره تر است
566
00:28:18,890 –> 00:28:21,559
چرا ما اینجا بوش داریم. رنگ
567
00:28:21,559 –> 00:28:23,120
سبز آنقدرها آبی نیست
568
00:28:23,120 –> 00:28:25,010
، از طرف دیگر اقیانوس
569
00:28:25,010 –> 00:28:27,140
کمی آبی دارد، بنابراین روشن است
570
00:28:27,140 –> 00:28:29,809
و در سمت قرمز تیره تر است، اقیانوس
571
00:28:29,809 –> 00:28:32,000
نیز کاملاً سبز می شود، بنابراین
572
00:28:32,000 –> 00:28:36,140
کانال سبز i همچنین روشن است و سپس
573
00:28:36,140 –> 00:28:38,630
در اینجا من سه تصویر را دوباره
574
00:28:38,630 –> 00:28:41,870
کنار هم قرار دادم و آنها را به نمایش گذاشتم و این
575
00:28:41,870 –> 00:28:45,730
تصویر رنگی شما را به شما می دهد،
576
00:28:48,680 –> 00:28:51,720
سپس این مورد را به شما دادم فقط
577
00:28:51,720 –> 00:28:54,570
برای ایجاد شهودی که بگویید اینها
578
00:28:54,570 –> 00:28:56,820
مقادیر سبز و آبی قرمز هستند.
579
00:28:56,820 –> 00:29:01,250
اینها را به خوبی با هم ترکیب
580
00:29:01,250 –> 00:29:05,580
میکنید – آنها را روی هم میچسباند که به
581
00:29:05,580 –> 00:29:09,660
آنها آبی سبز قرمز میگویند که در امتداد کدام
582
00:29:09,660 –> 00:29:12,510
محور میخواهیم آنها را در امتداد X
583
00:29:12,510 –> 00:29:14,400
2 قرار دهیم، بنابراین میخواهیم همه آنها را روی هم قرار دهیم
584
00:29:14,400 –> 00:29:19,180
و این همان چیزی است که بلند میشویم
585
00:29:19,180 –> 00:29:22,269
[ Music]
586
00:29:25,790 –> 00:29:27,840
در نهایت تمرین
587
00:29:27,840 –> 00:29:31,350
تبدیل به مقیاس خاکستری وجود داشت، پس چگونه میتوانید
588
00:29:31,350 –> 00:29:33,990
تصویر خود را به مقیاس خاکستری تبدیل کنید به خوبی
589
00:29:33,990 –> 00:29:36,560
از عملگر افزودن استفاده کنید و
590
00:29:36,560 –> 00:29:41,010
کانال قرمز را در 0.2 ضرب کنید 1 به 6 سبز را در
591
00:29:41,010 –> 00:29:45,060
0.7 1 5 2 و آبی را در نقطه صفر ضرب کنید. 7
592
00:29:45,060 –> 00:29:50,880
به 2 و میبینید که RGB شما به خاکستری میآید،
593
00:29:50,880 –> 00:29:53,280
سپس
594
00:29:53,280 –> 00:29:57,330
اگر این
595
00:29:57,330 –> 00:30:05,730
مقادیر را به یک سوم تغییر دهید، با داخل روان مطابقت دارد، بنابراین اگر
596
00:30:05,730 –> 00:30:08,910
سه لایه را با هم میانگین کنید، متوجه میشوید
597
00:30:08,910 –> 00:30:10,950
که آنها یکسان
598
00:30:10,950 –> 00:30:12,810
به نظر نمیرسند. از تصویر روانی در اینجا بسیار تاریک تر
599
00:30:12,810 –> 00:30:15,990
است و وزن شما کاملاً روشن به نظر می رسد
600
00:30:15,990 –> 00:30:20,670
در این صورت، خوب است، اما اگر از
601
00:30:20,670 –> 00:30:24,290
وزنه های صحیح استفاده کنید، آنها کاملاً یکسان هستند،
602
00:30:24,290 –> 00:30:29,130
به طوری که تصاویر به پایان می رسد،
603
00:30:29,130 –> 00:30:31,920
بخش نمایش تصویر،
604
00:30:31,920 –> 00:30:36,030
اکنون پنج تا ده دقیقه استراحت کوتاهی خواهیم داشت
605
00:30:36,030 –> 00:30:37,980
و سپس یک استراحت می کنیم. در
606
00:30:37,980 –> 00:30:39,330
ده دقیقه استراحت ده دقیقه ای شروع می کنیم و سپس
607
00:30:39,330 –> 00:30:42,470
فیلترها را شروع می
608
00:30:43,799 –> 00:30:48,840
کنیم، بچه ها، پس ده دقیقه است.
609
00:30:48,840 –> 00:30:52,990
610
00:30:52,990 –> 00:30:55,179
611
00:30:55,179 –> 00:30:56,529
612
00:30:56,529 –> 00:30:58,210
تجزیه و تحلیل تصویری بود من
613
00:30:58,210 –> 00:31:00,039
این کلمات را متوجه نشدم، بنابراین امیدوارم
614
00:31:00,039 –> 00:31:05,429
همه اینجا چیزی یاد بگیرند، بنابراین
615
00:31:05,429 –> 00:31:08,429
بله، همه لطفاً دفترچه یادداشت را باز
616
00:31:08,429 –> 00:31:11,559
کنید یا روی فیلترها کلیک کنید یا در زیر
617
00:31:11,559 –> 00:31:15,279
سخنرانی ها فیلترهای یک تصویر است، بنابراین
618
00:31:15,279 –> 00:31:16,720
اولین کاری که انجام می دهیم این است که روش
619
00:31:16,720 –> 00:31:20,200
سرگرمی باشگاهی را با آن تنظیم کنیم. آن و سپس ما در
620
00:31:20,200 –> 00:31:22,059
مورد معنای فیلتر کردن
621
00:31:22,059 –> 00:31:23,559
صحبت خواهیم کرد و ابتدا
622
00:31:23,559 –> 00:31:25,179
در مورد سیگنال های یک بعدی صحبت خواهیم کرد زیرا
623
00:31:25,179 –> 00:31:26,860
حالت دو بعدی کاملاً
624
00:31:26,860 –> 00:31:29,860
مشابه است اما دیدن این اتفاقات در 1 بعدی بسیار ساده تر است،
625
00:31:29,860 –> 00:31:34,809
بنابراین
626
00:31:34,809 –> 00:31:37,480
مقداری واردات انجام دهید و سپس
627
00:31:37,480 –> 00:31:39,130
ما یک سیگنال بسیار ساده ایجاد می کنیم که فقط
628
00:31:39,130 –> 00:31:45,340
یک سیگنال مرحله است، بنابراین بله 100 اندازه گیری
629
00:31:45,340 –> 00:31:47,919
و سپس در نیمه راه از
630
00:31:47,919 –> 00:31:54,820
صفر به یک بپرید، بنابراین اکنون در حال تجزیه و تحلیل هستیم. سیگنالی
631
00:31:54,820 –> 00:31:56,380
مانند این بسیار آسان است، اما معمولا
632
00:31:56,380 –> 00:32:00,309
سیگنالها کاملاً تمیز نیستند مانند
633
00:32:00,309 –> 00:32:04,299
این، آنها نویز دارند، بنابراین بیایید
634
00:32:04,299 –> 00:32:06,309
مقداری نویز به آن سیگنال اضافه کنیم و
635
00:32:06,309 –> 00:32:07,679
ببینیم که چگونه به نظر میرسد،
636
00:32:07,679 –> 00:32:11,649
بنابراین شما همچنان میتوانید مرحله را ببینید،
637
00:32:11,649 –> 00:32:13,210
اما فقط میتوانید ببینید به این دلیل که
638
00:32:13,210 –> 00:32:16,210
شما از نظر ذهنی در مقادیر زیادی میانگین می گیرید،
639
00:32:16,210 –> 00:32:19,750
بنابراین بیایید سعی کنیم ببینیم آیا می توانیم
640
00:32:19,750 –> 00:32:22,630
سیگنال روان تری دریافت کنیم، اما بیایید کمی
641
00:32:22,630 –> 00:32:25,720
حذف نویز ساده روی سیگنال نویزدار شروع کنیم
642
00:32:25,720 –> 00:32:27,130
تا ساده ترین کاری که می توانید انجام دهید انجام
643
00:32:27,130 –> 00:32:30,250
میانگین دویدن است و ساده ترین میانگین در حال اجرا
644
00:32:30,250 –> 00:32:31,600
موردی که در آن
645
00:32:31,600 –> 00:32:35,409
میانگین دو پیکسل مجاور
646
00:32:35,409 –> 00:32:36,580
را در نظر می گیرید تا بتوانید این کار را با عملیات بردار ناقص
647
00:32:36,580 –> 00:32:38,649
مانند این انجام دهید، ما می خواهیم
648
00:32:38,649 –> 00:32:42,370
تمام مقادیر را تا حداکثر میانگین بگیریم
649
00:32:42,370 –> 00:32:44,130
اما آخرین مقدار را
650
00:32:44,130 –> 00:32:46,360
همراه با همه مقادیر از
651
00:32:46,360 –> 00:32:49,750
دوم تا آخرین مقدار و رسم آن را ترسیم کنید،
652
00:32:49,750 –> 00:32:52,840
بنابراین می توانید مقایسه آن و
653
00:32:52,840 –> 00:32:55,149
آن را ببینید، اما کمی هموارتر می شوید، بنابراین خوب
654
00:32:55,149 –> 00:32:56,110
هستید،
655
00:32:56,110 –> 00:33:00,830
بنابراین اگر می خواهیم
656
00:33:00,830 –> 00:33:03,350
چند پیکسل دیگر میانگین بگیریم، بیایید با سه پیش برویم، سپس
657
00:33:03,350 –> 00:33:04,430
عبارت کمی
658
00:33:04,430 –> 00:33:07,280
پیچیدهتر میشود، بنابراین میتوانید ببینید که اکنون
659
00:33:07,280 –> 00:33:10,040
من سه مقدار را میگیرم و باید
660
00:33:10,040 –> 00:33:15,410
کمی نمایهسازی بدبوتر با آن انجام دهم تا
661
00:33:15,410 –> 00:33:18,470
دوباره سیگنال کمی نرمتر دریافت
662
00:33:18,470 –> 00:33:21,320
663
00:33:21,320 –> 00:33:25,370
کنید. یک ویژه پیچیده تر،
664
00:33:25,370 –> 00:33:26,870
بنابراین آیا یک راه کلی برای
665
00:33:26,870 –> 00:33:30,140
ایجاد این نوع میانگین گیری از نزدیکترین همسایه
666
00:33:30,140 –> 00:33:33,050
وجود دارد که نیازی به انجام
667
00:33:33,050 –> 00:33:35,180
تمام این دلایل برای گرفتن خودم نداشته باشد و
668
00:33:35,180 –> 00:33:41,360
آن راه فیلتر است، بنابراین من
669
00:33:41,360 –> 00:33:42,710
کاری را که در اینجا انجام دادیم انجام نمی دهم اما
670
00:33:42,710 –> 00:33:46,820
اساساً بهطوریکه این نسخه بردار numpy است،
671
00:33:46,820 –> 00:33:48,260
اما راه دیگری برای
672
00:33:48,260 –> 00:33:50,210
نگاه کردن به آن این است که سیگنال خروجی را در نظر بگیریم
673
00:33:50,210 –> 00:33:53,030
که از صفر شروع میشود،
674
00:33:53,030 –> 00:33:54,440
مانند بسیاری از موارد پایتون، از یک شروع
675
00:33:54,440 –> 00:33:57,350
میشود و در منهای دو به پایان میرسد و سپس برای
676
00:33:57,350 –> 00:33:59,840
هر موقعیت در آن علامت ما
677
00:33:59,840 –> 00:34:03,500
مقادیر اطراف آن را می گیریم، بنابراین یک
678
00:34:03,500 –> 00:34:05,510
مقدار قبل از آن، مقدار در بالا و
679
00:34:05,510 –> 00:34:06,800
مقدار در سمت راست، و
680
00:34:06,800 –> 00:34:11,480
میانگین آن سه را می گیریم، بنابراین با
681
00:34:11,480 –> 00:34:12,710
فیلتر کردن کاری که انجام می دهید، یک
682
00:34:12,710 –> 00:34:14,090
هسته و آن هسته را تعریف می کنید. این
683
00:34:14,090 –> 00:34:16,550
آرایه به اندازه سه خواهد بود با مقادیر
684
00:34:16,550 –> 00:34:18,920
یک سوم یک سوم یک سوم و سپس
685
00:34:18,920 –> 00:34:21,739
تابع convolve که در
686
00:34:21,739 –> 00:34:22,940
یک ثانیه خواهیم دید در کل آرایه اجرا می
687
00:34:22,940 –> 00:34:29,139
شود و آن میانگین ها را برای شما می گیرد، بنابراین
688
00:34:29,139 –> 00:34:34,340
در اینجا نحوه تعریف آن است. نقطه خالی پر
689
00:34:34,340 –> 00:34:36,110
برای کسانی که آن را ندیدهاند
690
00:34:36,110 –> 00:34:39,560
، آرایهای به این اندازه پر از این
691
00:34:39,560 –> 00:34:42,260
دره میسازد، کمی تمیزتر از انجام
692
00:34:42,260 –> 00:34:44,120
یکبار NP dot و ضرب کردن آن است
693
00:34:44,120 –> 00:34:46,699
که من در کل زندگیام اساساً انجام میدهم،
694
00:34:46,699 –> 00:34:52,550
بنابراین این هسته را به این شکل تعریف میکنیم.
695
00:34:52,550 –> 00:34:53,929
آرایهای به اندازه سه است در واقع
696
00:34:53,929 –> 00:34:57,890
من فقط میخواهم نشان دهم که چگونه به نظر میرسد ویرایش
697
00:34:57,890 –> 00:35:00,950
تقسیم،
698
00:35:00,950 –> 00:35:07,100
بنابراین اشکالی ندارد، پس این چیزی است که ما به آن
699
00:35:07,100 –> 00:35:09,200
کلنل میگوییم و اکنون برای هر پیکسل در
700
00:35:09,200 –> 00:35:10,880
آرایه ورودی خود، آن سرهنگ را
701
00:35:10,880 –> 00:35:13,850
آنجا قرار میدهیم و ما هر
702
00:35:13,850 –> 00:35:15,890
مقدار را با مقدار مربوطه ضرب می کنیم e در
703
00:35:15,890 –> 00:35:17,510
سیگنال اصلی و سپس خورشید را می گیریم
704
00:35:17,510 –> 00:35:22,270
و این سیگنال خروجی است، بنابراین
705
00:35:22,270 –> 00:35:24,740
این کاری است که ما در اینجا انجام می دهیم، ما از
706
00:35:24,740 –> 00:35:28,250
تابع و شیر اسپند استفاده می کنیم و من
707
00:35:28,250 –> 00:35:30,710
در یک ثانیه کمی در مورد حالت صحبت خواهم کرد در حال حاضر
708
00:35:30,710 –> 00:35:34,760
ما از حالت برابر استفاده می کنیم. معتبر هستند و می توانید ببینید
709
00:35:34,760 –> 00:35:37,640
که آنها دقیقاً
710
00:35:37,640 –> 00:35:40,510
معادل همان کاری است که قبلاً با گرفتن
711
00:35:40,510 –> 00:35:42,980
بردارهای سیگنال میانگین و میانگین گیری آنها
712
00:35:42,980 –> 00:35:47,570
همراه با برش سؤالات
713
00:35:47,570 –> 00:35:57,740
انجام دادیم، بله کارآگاه استفانو، من فرض
714
00:35:57,740 –> 00:36:00,800
می کنم این ممکن است نسخه قدیمی تری
715
00:36:00,800 –> 00:36:03,710
از نوت بوک باشد. مطمئن نیستم که آیا
716
00:36:03,710 –> 00:36:05,920
در ابتدای کلاس به روز رسانی کردید، بسیار
717
00:36:05,920 –> 00:36:10,130
خوب، من هرگز نمی توانم، بنابراین فقط با حرکت
718
00:36:10,130 –> 00:36:14,630
از جایی که ما شروع کردیم،
719
00:36:14,630 –> 00:36:15,980
نوت بوک خود را در ریشه مخزن راه اندازی کردید
720
00:36:15,980 –> 00:36:22,100
و سپس اگر به دو
721
00:36:22,100 –> 00:36:24,320
کارگاه 28 در داخل بروید. اما شما روی ایندکس کلیک می کنید،
722
00:36:24,320 –> 00:36:28,040
این صفحه باز می شود و این صفحه
723
00:36:28,040 –> 00:36:33,680
به oky اوه پیوند می دهد، در آنجا به سخنرانی می رود
724
00:36:33,680 –> 00:36:41,680
بله، من می روم بررسی کنید
725
00:36:43,840 –> 00:36:46,360
خوب است، بنابراین اکنون که این فرمالیسم را
726
00:36:46,360 –> 00:36:49,370
داریم، می توانیم با استفاده از یازده مقدار، میانگین در حال اجرا بسیار بزرگتری در نظر بگیریم.
727
00:36:49,370 –> 00:36:52,250
numpy د
728
00:36:52,250 –> 00:36:55,160
مشکوک مانند قبل، آن را در هم بچسبانید و خواهید
729
00:36:55,160 –> 00:36:57,470
دید که سیگنال روانتری دریافت میکنیم که
730
00:36:57,470 –> 00:36:59,480
هنوز مشکلی ندارد، بنابراین اکنون در حال انجام یک
731
00:36:59,480 –> 00:37:07,640
پنجره به اندازه یازده
732
00:37:07,640 –> 00:37:10,340
هستیم.
733
00:37:10,340 –> 00:37:12,710
اگر
734
00:37:12,710 –> 00:37:13,970
سیگنالی به طول 100 دارید و میخواهید
735
00:37:13,970 –> 00:37:17,290
میانگین دویدن را 11 بگیرید، فقط میتوانید
736
00:37:17,290 –> 00:37:21,200
حدود 80 وسیله را در نظر بگیرید زیرا
737
00:37:21,200 –> 00:37:23,420
به لبه میروید، بنابراین میتوانید ببینید که
738
00:37:23,420 –> 00:37:27,080
میانگین دویدن من 3 تقریباً به 100 میرسد اما
739
00:37:27,080 –> 00:37:29,630
دویدن من میانگین 11 آن را کاملاً درست نمی
740
00:37:29,630 –> 00:37:32,500
کند،
741
00:37:32,500 –> 00:37:35,240
بنابراین راه های زیادی وجود دارد که می توانید
742
00:37:35,240 –> 00:37:38,870
با این یک راه مقابله کنید، بنابراین این
743
00:37:38,870 –> 00:37:41,150
حالت برابر است با معتبر به این معنی که فقط
744
00:37:41,150 –> 00:37:44,350
به لبه داده ای بروید که
745
00:37:44,350 –> 00:37:48,110
دارید، حالت برابر است.
746
00:37:48,110 –> 00:37:50,210
یعنی همان اندازه خروجی را که کتاب داشتید برگردانید
747
00:37:50,210 –> 00:37:53,480
و وقتی این کار را انجام میدهیم خواهیم دید
748
00:37:53,480 –> 00:37:58,490
که چه تأثیری دارد، پس چه میکند،
749
00:37:58,490 –> 00:38:01,370
آیا کسی ایدهای
750
00:38:01,370 –> 00:38:10,580
بر اساس این چیزی دارد در پایان بله،
751
00:38:10,580 –> 00:38:12,530
صفر قرار میدهد که درست است. در
752
00:38:12,530 –> 00:38:14,420
نهایت به پایان می رسد،
753
00:38:14,420 –> 00:38:16,520
دیگر ارزشی وجود ندارد در اینجا شما متوجه آن نمی شوید
754
00:38:16,520 –> 00:38:17,570
زیرا همه مقادیر شما نزدیک به
755
00:38:17,570 –> 00:38:20,180
صفر هستند اما در اینجا مقادیر شما نزدیک به
756
00:38:20,180 –> 00:38:21,350
یک هستند و وقتی شروع به گرفتن
757
00:38:21,350 –> 00:38:23,540
میانگین در حال اجرا مقادیر فراتر از
758
00:38:23,540 –> 00:38:25,520
لبه می کنید شروع به نزدیک شدن به صفر می
759
00:38:25,520 –> 00:38:27,650
کنید همانطور که این معنی را می گیرید. این ایدهآل نیست
760
00:38:27,650 –> 00:38:31,520
و ما در واقع تمرینی
761
00:38:31,520 –> 00:38:35,450
در حال حاضر وجود دارد، بنابراین این پیچیدگی تکاملیافته
762
00:38:35,450 –> 00:38:37,400
یک عمل رایج و مفید
763
00:38:37,400 –> 00:38:39,950
است که پیادهسازیهای مختلف زیادی وجود دارد
764
00:38:39,950 –> 00:38:41,360
و آنها کارهای کمی
765
00:38:41,360 –> 00:38:43,880
متفاوت انجام میدهند که یکی از آنها در داخل
766
00:38:43,880 –> 00:38:48,050
PI است و من درگیر آن هستم، بنابراین من میخواهم شما بچه ها
767
00:38:48,050 –> 00:38:52,670
این نگاه را به مستندات وارد کنید و
768
00:38:52,670 –> 00:38:54,960
سپس نحوه
769
00:38:54,960 –> 00:38:57,390
انجام این کار را بدون داشتن این افکت لبه ناخوشایند
770
00:38:57,390 –> 00:39:01,650
با استفاده از قطع TMS بیابید، بنابراین
771
00:39:01,650 –> 00:39:04,859
ما پنج دقیقه طول می کشیم تا 250 این کار را انجام
772
00:39:04,859 –> 00:39:17,670
دهیم و ما اینجا هستیم تا به شما کمک کنیم.
773
00:39:17,670 –> 00:39:21,720
اگر گم شدی دستت را بلند کن، آقا، به
774
00:39:21,720 –> 00:39:24,000
یک ضربه خاص در
775
00:39:24,000 –> 00:39:26,150
776
00:39:30,339 –> 00:39:33,489
جهت درست نیاز دارید، بنابراین این پنج دقیقه است، بنابراین
777
00:39:33,489 –> 00:39:35,680
فکر میکنم تعداد زیادی از شما را دیدم که
778
00:39:35,680 –> 00:39:39,939
با این کار خیلی فاصله داشتند، بنابراین من
779
00:39:39,939 –> 00:39:50,140
آن تابع را وارد میکنم. و تی o تکرار
780
00:39:50,140 –> 00:39:52,269
آنچه استفان قبل از آن گفت این
781
00:39:52,269 –> 00:39:53,920
نکته بسیار مفیدی است که باید بدانید این است که چگونه
782
00:39:53,920 –> 00:39:55,299
اسناد را در
783
00:39:55,299 –> 00:39:56,499
محیطی که در آن کار
784
00:39:56,499 –> 00:39:58,180
می کنید جستجو کنید تا مجبور نباشید در برگه های مرورگر مانند باز نگه دارید
785
00:39:58,180 –> 00:40:00,009
و سپس ناگهان
786
00:40:00,009 –> 00:40:01,509
مرورگر پیشنهاد می کند که شما فیس بوک را باز می کنید
787
00:40:01,509 –> 00:40:06,279
و نه زاویه بعد از ظهر، بنابراین می
788
00:40:06,279 –> 00:40:09,099
توانید در نوت بوک های مشتری این کار را انجام دهید، می توانید از علامت سوال استفاده کنید،
789
00:40:09,099 –> 00:40:11,049
این کار در ترمینال شبانه پایتون نیز کار می کند
790
00:40:11,049 –> 00:40:13,689
و
791
00:40:13,689 –> 00:40:16,359
سپس اسناد را مانند این یا گاهی اوقات دریافت می
792
00:40:16,359 –> 00:40:19,029
کنید و اگر می دانید تقریباً دقیقاً چه
793
00:40:19,029 –> 00:40:20,619
می خواهید پرانتزها را در
794
00:40:20,619 –> 00:40:23,289
تب shift آبی باز می کنید، خیلی سریع امضای تابع را دریافت می کنید،
795
00:40:23,289 –> 00:40:26,019
ما یک تب shift را انجام
796
00:40:26,019 –> 00:40:28,660
می دهیم، اسناد کامل را مانند این
797
00:40:28,660 –> 00:40:34,269
در خط دریافت می کنید و اگر تب shift را انجام دهید، آه
798
00:40:34,269 –> 00:40:38,650
چه اتفاقی افتاده است، فکر می کنم در
799
00:40:38,650 –> 00:40:40,679
800
00:40:41,490 –> 00:40:45,180
اینجا در حالت ویرایش نبودم. شما در حالت ویرایش هستید و در
801
00:40:45,180 –> 00:40:48,570
زبانه تب shift خود، آن را نشان می دهد
802
00:40:48,570 –> 00:40:50,190
و همان چیزی است که به عنوان یک سوال مانند
803
00:40:50,190 –> 00:40:53,250
اساساً اوکی است، بنابراین اکنون می بینیم که
804
00:40:53,250 –> 00:40:55,770
حالت در و قفل تصویر شامل یک
805
00:40:55,770 –> 00:40:58,020
چیز کاملاً متفاوت است. m چیزی که
806
00:40:58,020 –> 00:41:03,330
ما با هیچ جنگنده ای داشتیم و
807
00:41:03,330 –> 00:41:07,710
شما این حالت انعکاس را دارید که
808
00:41:07,710 –> 00:41:09,119
می توانید ببینید که دارای دسته ای از
809
00:41:09,119 –> 00:41:10,410
حالت های مختلف است
810
00:41:10,410 –> 00:41:13,380
، گزینه ها عبارتند از منعکس کننده ثابت نزدیکترین
811
00:41:13,380 –> 00:41:18,480
آینه و تکرار، بنابراین همانطور که قبلاً
812
00:41:18,480 –> 00:41:21,150
در numpy توضیح دادم زمانی که شما می گویید حالت
813
00:41:21,150 –> 00:41:24,480
برابر با همان کاری است که انجام میدهیم،
814
00:41:24,480 –> 00:41:26,700
همان چیزی است که حالت تصویر دستی برابر با
815
00:41:26,700 –> 00:41:29,750
ثابت است با ثابت بودن صفر
816
00:41:29,750 –> 00:41:34,619
نزدیکترین، فقط آن را گسترش میدهد که مقدار نهایی
817
00:41:34,619 –> 00:41:39,950
از انتهای آرایه عبور میکند و بازتاب
818
00:41:39,950 –> 00:41:44,190
فقط آرایه را در اطراف آن لبه منعکس میکند،
819
00:41:44,190 –> 00:41:46,260
بنابراین مقدار نهایی را میگیرد و سپس مقدار نهایی را میگیرد.
820
00:41:46,260 –> 00:41:49,500
دومین مقدار نهایی و خود، بنابراین
821
00:41:49,500 –> 00:41:51,540
اگر میخواهیم نوعی سیگنال واقعی دریافت کنیم،
822
00:41:51,540 –> 00:41:54,540
اگر فقط میخواهید به 0
823
00:41:54,540 –> 00:41:58,530
نروید، اگر میخواهید نوعی سیگنال واقعی با واریانس مشابه دریافت کنید، میتوانید از edge استفاده کنید.
824
00:41:58,530 –> 00:42:00,480
825
00:42:00,480 –> 00:42:03,109
استفاده از
826
00:42:03,109 –> 00:42:05,190
حالت برابر است فقط پسندید که
827
00:42:05,190 –> 00:42:10,700
پیشفرض است، بنابراین اجازه دهید
828
00:42:11,090 –> 00:42:17,600
به اسم چشمها یک سیگنال خیلی
829
00:42:18,670 –> 00:42:23,829
صاف و I برابر است با
830
00:42:23,829 –> 00:42:31,690
سیگنال تنبلی به این معنی است که حالت کلنل 11 برابر است با
831
00:42:31,690 –> 00:42:34,180
انعکاس و چون پیشفرض من
832
00:42:34,180 –> 00:42:37,089
به همین راحتی میتوانستم
833
00:42:37,089 –> 00:42:39,220
حالت را لحاظ نکنم و میتوانم به طرح شما متوسل
834
00:42:39,220 –> 00:42:46,109
835
00:42:46,850 –> 00:42:52,140
836
00:42:52,140 –> 00:42:53,670
شوم.
837
00:42:53,670 –> 00:43:00,800
برای
838
00:43:00,800 –> 00:43:06,630
همه خیلی خوب است، پس این یک
839
00:43:06,630 –> 00:43:09,240
صافی است که به آن فیلتر اصلی
840
00:43:09,240 –> 00:43:11,460
می گویند، اساساً ساده ترین فیلتری است که می توانید انجام دهید،
841
00:43:11,460 –> 00:43:13,080
بیایید به چند فیلتر کمی پیچیده تر نگاه
842
00:43:13,080 –> 00:43:16,110
کنیم و یکی از آنها فیلتر تفاوت است،
843
00:43:16,110 –> 00:43:18,030
بنابراین بیایید به سیگنال مرحله اصلی خود برگردیم.
844
00:43:18,030 –> 00:43:23,010
بنابراین، کسی می تواند
845
00:43:23,010 –> 00:43:25,020
به من بگوید که اگر من با این هسته منهای 1 0 1 درگیر شوم چه چیزی را پیش بینی می کنید،
846
00:43:25,020 –> 00:43:27,960
847
00:43:27,960 –> 00:43:33,270
بنابراین سلول را دنبال آن اجرا نکنید و
848
00:43:33,270 –> 00:43:40,710
ببینید آیا می توانید از طریق این فکر کنید که هرکسی
849
00:43:40,710 –> 00:43:42,920
می خواهد
850
00:43:46,380 –> 00:44:03,400
این کار را انجام دهد، بنابراین چه اتفاقی می افتد و بله، بنابراین
851
00:44:03,400 –> 00:44:06,640
هر زمانی که
852
00:44:06,640 –> 00:44:08,559
تصاویری که مقادیر سمت چپ و
853
00:44:08,559 –> 00:44:12,249
راست یکسان هستند، مسطح خواهد بود و سپس در
854
00:44:12,249 –> 00:44:15,220
اینجا یک سنبله می گیرید، بله، بنابراین شما
855
00:44:15,220 –> 00:44:17,769
فقط زمانی که مقادیر برابر هستند مقداری غیر از 0 دریافت خواهید کرد.
856
00:44:17,769 –> 00:44:21,839
تغییر می کند و شما درست می
857
00:44:21,839 –> 00:44:28,960
گویید به نظر می رسد خوب است و
858
00:44:28,960 –> 00:44:30,789
حالا من نمی دانم که آیا یکی از شما این را پیش بینی کرده بود یا نه، اگر
859
00:44:30,789 –> 00:44:32,829
این کار را می کردید باید اساساً در مورد
860
00:44:32,829 –> 00:44:36,999
کانولوشن بدانید، اما
861
00:44:36,999 –> 00:44:39,339
می بینید که اینجاست، من
862
00:44:39,339 –> 00:44:42,279
فکر می کردم 1 منهای 1 است، بنابراین باید
863
00:44:42,279 –> 00:44:45,999
متاسفم 1 منهای 0 باشد، بنابراین باید 1 باشد، اما
864
00:44:45,999 –> 00:44:49,299
در واقع به دلایل فنی در رابطه
865
00:44:49,299 –> 00:44:50,739
با تئوری فیلتر کردن که من
866
00:44:50,739 –> 00:44:54,749
با کانولوشن آشنا نیستم
867
00:44:54,749 –> 00:44:59,200
، هسته را قبل از انجام جمع ضرب معکوس می کند،
868
00:44:59,200 –> 00:45:01,059
بنابراین اگر می خواهید
869
00:45:01,059 –> 00:45:05,589
این کار را انجام دهید، بله نه خیلی متاسفم.
870
00:45:05,589 –> 00:45:10,480
ترتیب آرایه را به سمت
871
00:45:10,480 –> 00:45:13,599
معکوس تغییر میدهد، بنابراین اگر این کار را انجام دهم، آنچه
872
00:45:13,599 –> 00:45:19,539
را که پیشبینی میکنم به دست میآورم که یک برآمدگی بالا میرود، بنابراین
873
00:45:19,539 –> 00:45:21,609
این سادهترین فیلتر تفاوت است
874
00:45:21,609 –> 00:45:23,589
و میتوانید ببینید که چگونه
875
00:45:23,589 –> 00:45:27,009
در این سناریوی خاص مفید خواهد بود. بنابراین شما
876
00:45:27,009 –> 00:45:28,930
اساساً می توانید فوراً
877
00:45:28,930 –> 00:45:32,910
هر جا که تغییری در سیگنال شما ایجاد شد، آن را بیرون
878
00:45:35,039 –> 00:45:36,190
بکشید،
879
00:45:36,190 –> 00:45:38,049
بنابراین دوباره این وارونگی است که
880
00:45:38,049 –> 00:45:41,769
من درست قبل از آن نشان دادم، بنابراین یک چیز جالب
881
00:45:41,769 –> 00:45:45,910
در مورد فیلتر کردن این است که
882
00:45:45,910 –> 00:45:49,869
عملیات کانولوشن جابجایی و
883
00:45:49,869 –> 00:45:51,849
ارتباطی است، به این معنی که شما شما می توانید این کار
884
00:45:51,849 –> 00:45:54,640
را به هر ترتیبی انجام دهید، بنابراین اگر من می خواهم یک
885
00:45:54,640 –> 00:45:57,849
صاف کردن و سپس یک تفاوت انجام دهم، می توانم
886
00:45:57,849 –> 00:45:59,589
در واقع با هم صحبت
887
00:45:59,589 –> 00:46:02,680
کنم تا یک فیلتر دوم به دست بیاورم و سپس
888
00:46:02,680 –> 00:46:06,579
آن فیلتر را روی سیگنال اعمال کنم، بنابراین اجازه دهید
889
00:46:06,579 –> 00:46:09,089
نشان دهم که
890
00:46:09,089 –> 00:46:11,589
اگر نویز به آن اضافه کنیم، اینجاست. سیگنال
891
00:46:11,589 –> 00:46:14,109
می توانید ببینید که به طور ناگهانی از
892
00:46:14,109 –> 00:46:16,690
نظر سیگنال های مختلف،
893
00:46:16,690 –> 00:46:20,049
اکنون تشخیص تغییر در مقادیر بسیار سخت است و
894
00:46:20,049 –> 00:46:22,450
این به این دلیل است که فیلتر تفاوت در
895
00:46:22,450 –> 00:46:25,239
واقع به نویز بسیار حساس است، بنابراین کاری
896
00:46:25,239 –> 00:46:26,710
که می خواهیم انجام دهیم این است که می خواهیم صاف کردن را انجام دهیم
897
00:46:26,710 –> 00:46:29,259
و سپس ما می خواهید یک فیلتر تفاضلی انجام دهید،
898
00:46:29,259 –> 00:46:36,069
بنابراین همانطور که قبلاً گفتم
899
00:46:36,069 –> 00:46:37,779
می توانید فقط دو فیلتر را
900
00:46:37,779 –> 00:46:40,930
با هم بپیچید، بنابراین در اینجا 1 0 منهای 1
901
00:46:40,930 –> 00:46:42,700
و یک سوم یک سوم یک سوم و
902
00:46:42,700 –> 00:46:45,249
حالت برابر با پر است، در واقع
903
00:46:45,249 –> 00:46:46,359
از لبه فیلتر خارج می شود. آرایه به طوری که شما
904
00:46:46,359 –> 00:46:48,130
حتی یک مقدار همپوشانی بین
905
00:46:48,130 –> 00:46:50,469
این دو داشته باشید و دوباره
906
00:46:50,469 –> 00:46:54,460
صفرها در محیط های محیطی خواهد بود، بنابراین می توانید ببینید که
907
00:46:54,460 –> 00:46:56,950
اکنون این فیلتر اختلاف میانگین را دریافت می کنید
908
00:46:56,950 –> 00:47:01,809
که یک پنجره گسترده تر ایجاد می کند و
909
00:47:01,809 –> 00:47:04,599
میانگین دو مقدار را در آن می گیرد. را
910
00:47:04,599 –> 00:47:05,979
میانگین دو مقدار را در
911
00:47:05,979 –> 00:47:07,930
سمت راست رها کنید و سپس تفاوت
912
00:47:07,930 –> 00:47:13,569
بین آن دو مقدار را در نظر بگیرید، بنابراین اکنون
913
00:47:13,569 –> 00:47:17,829
یک هفته با آن دو سیگنال همراه است متأسفم
914
00:47:17,829 –> 00:47:19,329
با این فیلتر جدید می توانید ببینید
915
00:47:19,329 –> 00:47:27,359
که اوج کمی واضح تر می شود اکنون خوب است،
916
00:47:27,590 –> 00:47:30,930
پس بیایید یک تمرین انجام دهیم. پنج دقیقه دیگر،
917
00:47:30,930 –> 00:47:37,460
بنابراین این یک فیلتر گاوسی
918
00:47:37,460 –> 00:47:40,530
است، در تئوری سیگنال به
919
00:47:40,530 –> 00:47:43,110
نوعی فیلتر هموارسازی بهینه است به
920
00:47:43,110 –> 00:47:44,880
جای اینکه میانگین وزنی را
921
00:47:44,880 –> 00:47:49,140
در جایی که مقدار نزدیک به
922
00:47:49,140 –> 00:47:52,350
مقدار فعلی شما باشد، با شدت بیشتری
923
00:47:52,350 –> 00:47:55,380
نسبت به مقادیری که فاصله دارند، در نظر بگیرید. دور و
924
00:47:55,380 –> 00:47:59,100
با این تابع خاص وزن میشوند، بنابراین
925
00:47:59,100 –> 00:48:03,750
هستهای بسازید که به این شکل است و
926
00:48:03,750 –> 00:48:05,460
هسته را بکشید تا بتوانید شکل ظاهری آن را ببینید،
927
00:48:05,460 –> 00:48:08,970
سپس آن را
928
00:48:08,970 –> 00:48:10,650
با فیلتر تفاوت بچرخانید، درست مانند کاری
929
00:48:10,650 –> 00:48:15,840
که در اینجا انجام دادید و سپس با نویز درگیر شد.
930
00:48:15,840 –> 00:48:17,820
سیگنال تا زمانی که نتیجه درست شود، بنابراین
931
00:48:17,820 –> 00:48:25,520
ما تا 105 طول می کشیم تا این کار را انجام دهیم، متأسفانه 305
932
00:48:26,150 –> 00:48:29,100
بسیار خوب است، بنابراین
933
00:48:29,100 –> 00:48:31,650
من به حرکت رو به جلو ادامه خواهم داد،
934
00:48:31,650 –> 00:48:33,810
امیدوارم به اندازه کافی فاصله داشته باشیم تا طعم و مزه ای به دست آوریم. یا
935
00:48:33,810 –> 00:48:38,130
این، بنابراین ما داریم این
936
00:48:38,130 –> 00:48:40,050
فرمولهای کمی پیچیده و بیحرکتی را انجام میدهیم، من دوست دارم
937
00:48:40,050 –> 00:48:42,780
گام به گام درست به همه چیز نگاه
938
00:48:42,780 –> 00:48:45,360
کنم، بنابراین اگر من فیلتری از 9 میخواهم
939
00:48:45,360 –> 00:48:48,000
، یک خشم 9 را انجام میدهم و فقط مطمئن شوم که
940
00:48:48,000 –> 00:48:49,590
شما چه چیزی را دریافت کردهاید. این است که شما می خواهید من
941
00:48:49,590 –> 00:48:52,110
می خواهم مرکز چهار باشد، بنابراین در اینجا
942
00:48:52,110 –> 00:48:56,210
X I منهای X منهای چهار را انجام می دهم، بنابراین می توانم این کار را انجام دهم،
943
00:48:56,210 –> 00:49:00,920
اگر مربع آن را بگیرم
944
00:49:02,710 –> 00:49:05,089
اکنون می توانید ببینید که یک
945
00:49:05,089 –> 00:49:10,249
تابع متقارن است، اکنون MP را انجام می دهم. نقطه X از
946
00:49:10,249 –> 00:49:17,450
این تقسیم بر 2 بنابراین این مقادیر را دریافت می کنید
947
00:49:17,450 –> 00:49:22,480
که مثبت هستند اما کوچک هستند، متأسفم
948
00:49:22,480 –> 00:49:23,690
949
00:49:23,690 –> 00:49:25,460
آنها مثبت نیستند اما کوچک هستند، آنها
950
00:49:25,460 –> 00:49:26,869
مثبت و بزرگ هستند زیرا من یک
951
00:49:26,869 –> 00:49:29,749
علامت منفی را فراموش کرده ام به همین دلیل است که شما باید این کار را انجام
952
00:49:29,749 –> 00:49:32,390
دهید بسیار خوب است.
953
00:49:32,390 –> 00:49:38,779
اما کوچک و اکنون ما خوب است
954
00:49:38,779 –> 00:49:45,380
برابر با 1 بیش از V dot I امنیتی f2 x MP
955
00:49:45,380 –> 00:49:49,400
dot pi برابر است که هسته آن است
956
00:49:49,400 –> 00:49:55,160
و ما X بزرگ را انجام میدهیم در
957
00:49:55,160 –> 00:49:59,210
مورد پیرنگهای فرعی مقصر میشویم، بنابراین هر
958
00:49:59,210 –> 00:50:02,509
سه را با هم میسازیم و ما میخواهم XO 0 flock را انجام دهم،
959
00:50:02,509 –> 00:50:08,380
خوب، خیلی زشت
960
00:50:08,380 –> 00:50:11,980
است، مانند این
961
00:50:21,740 –> 00:50:25,180
دومینا،
962
00:50:27,270 –> 00:50:30,570
خوب است، بنابراین میبینید که کمی درشت است،
963
00:50:30,570 –> 00:50:33,930
اما شما یک شکل منحنی زنگی به دست می آورید و
964
00:50:33,930 –> 00:50:36,290
اولین نقطه با 40 درصد
965
00:50:36,290 –> 00:50:38,880
در کنار آن یا 25 درصد وزن می شود
966
00:50:38,880 –> 00:50:43,740
و به همین ترتیب به تدریج خوب است،
967
00:50:43,740 –> 00:50:46,410
بنابراین اکنون می خواهیم فیلتر تفاوت را منتقل
968
00:50:46,410 –> 00:50:52,619
کنیم تا از من بپرسیم که مشکل و هزینه در هم پیچیده است،
969
00:50:52,619 –> 00:51:01,430
ما k1 را انجام می دهیم. 0 منهای 1
970
00:51:01,430 –> 00:51:08,480
شناسه من باعث کامل می شود و X از ساعت 1 کاملاً
971
00:51:08,480 –> 00:51:15,060
صاف است و بنابراین اکنون یک فیلتر تفاوت دریافت می کنید
972
00:51:15,060 –> 00:51:21,720
که در واقع
973
00:51:21,720 –> 00:51:23,580
چیزی نزدیک به تفاوت اصلی
974
00:51:23,580 –> 00:51:26,430
با اختلاف محلی را می گیرد. در
975
00:51:26,430 –> 00:51:29,310
اینجا یک تفاوت ساده است اما در ادامه هر طور که
976
00:51:29,310 –> 00:51:33,020
می روید میانگین می شود. بالاتر از نقطه مرکزی
977
00:51:33,020 –> 00:51:36,359
و من ممکن است علامت را در اینجا برگردانده
978
00:51:36,359 –> 00:51:39,090
باشم اما نگران آن نیستم و بنابراین اکنون
979
00:51:39,090 –> 00:51:46,130
می توانیم سیگنال صاف را برابر کنیم و
980
00:51:46,130 –> 00:51:50,310
من انجام می دهم بله
981
00:51:50,310 –> 00:51:57,690
سیگنال نویزدار و صاف است، بنابراین در واقع اینطور
982
00:51:57,690 –> 00:52:01,100
نیست سیگنال صاف صاف است
983
00:52:05,150 –> 00:52:09,369
و بیایید به خوبی رسم کنیم،
984
00:52:13,580 –> 00:52:19,910
خب چرا بدون هیچ دلیلی تکمیل خودکار شد،
985
00:52:19,910 –> 00:52:23,720
خوب است
986
00:52:23,720 –> 00:52:26,360
، بنابراین اکنون میتوانید اوج ما را هنگامی که
987
00:52:26,360 –> 00:52:32,660
سیگنال در اینجا در وسط تغییر میکند، ببینید،
988
00:52:32,660 –> 00:52:35,320
هر سؤالی در مورد آن
989
00:52:35,320 –> 00:52:40,520
جالب است، بنابراین فیلتر 1 بعدی است، حالا اجازه دهید این موارد را
990
00:52:40,520 –> 00:52:42,110
تعمیم دهیم. e مفاهیم را به دو
991
00:52:42,110 –> 00:52:44,660
بعدی تبدیل کنید و خواهید دید امیدوارم که
992
00:52:44,660 –> 00:52:47,570
این کار برای تصاویر بسیار شبیه است و
993
00:52:47,570 –> 00:52:49,460
در واقع اگر تصاویر سه بعدی دارید می
994
00:52:49,460 –> 00:52:52,970
توانید این نوع کارها را به صورت سه بعدی نیز انجام
995
00:52:52,970 –> 00:52:54,530
دهید، بنابراین بیایید شروع کنیم و با یک
996
00:52:54,530 –> 00:52:55,970
سیگنال مرحله بسیار ساده شروع کنیم. با یک
997
00:52:55,970 –> 00:52:58,130
سیگنال 2 بعدی بسیار ساده شروع کنید که یک مربع روشن است
998
00:52:58,130 –> 00:53:02,030
که فقط یک در وسط است
999
00:53:02,030 –> 00:53:07,430
و صفر در اطراف آن است و
1000
00:53:07,430 –> 00:53:08,930
وقتی به آن به عنوان تصویری نگاه می کنید به نظر می رسد
1001
00:53:08,930 –> 00:53:12,350
که به نکات استفان در
1002
00:53:12,350 –> 00:53:13,580
مورد مقادیر نقطه سیل
1003
00:53:13,580 –> 00:53:15,710
بین سیلاب برمی گردد. یکی از آنها سفید
1004
00:53:15,710 –> 00:53:20,690
روی سیاهی وسط در بیرون است، خوب است،
1005
00:53:20,690 –> 00:53:23,780
بنابراین اگر منظور ما از فیلتر کردن
1006
00:53:23,780 –> 00:53:28,220
نبود، مقادیر 1/3 روی یک آرایه به
1007
00:53:28,220 –> 00:53:30,950
طول 3 در دو بعد داشتیم
1008
00:53:30,950 –> 00:53:33,200
، یک آرایه 2 بعدی خواهیم داشت و اکنون مقادیر
1009
00:53:33,200 –> 00:53:35,090
3 خواهد بود و 3 در 3 خواهد بود، بنابراین 9 مقدار وجود دارد،
1010
00:53:35,090 –> 00:53:36,980
بنابراین برای میانگین بر 9 تقسیم می کنیم
1011
00:53:36,980 –> 00:53:39,590
، بنابراین میانگین هسته
1012
00:53:39,590 –> 00:53:44,890
در هر موقعیت در یک مربع کوچک
1013
00:53:47,660 –> 00:53:53,390
1/9 است، بنابراین یک فیلتر در 1d به قسمت ارسال شد.
1014
00:53:53,390 –> 00:53:55,280
کلنل روی پیکسل پیکسل های
1015
00:53:55,280 –> 00:53:56,840
زیر سرهنگ را در دره های i ضرب کنید
1016
00:53:56,840 –> 00:53:58,940
سرهنگ تمام این نتایج را با هم جمع می کند
1017
00:53:58,940 –> 00:54:00,980
و سپس آن پیکسل مرکزی را با آن نتیجه جایگزین می کند،
1018
00:54:00,980 –> 00:54:03,980
بنابراین این دقیقاً همان
1019
00:54:03,980 –> 00:54:11,750
چیزی است که در 2d 3d و E وجود دارد، بنابراین اکنون اگر به
1020
00:54:11,750 –> 00:54:14,530
آن تصویر نگاه کنیم اگر به این پیکسل نگاه
1021
00:54:14,530 –> 00:54:20,150
کنیم، همان مکان است بله 1 1 بنابراین
1022
00:54:20,150 –> 00:54:23,690
اگر میانگین
1023
00:54:23,690 –> 00:54:26,570
اطراف را در نظر بگیرید، در اینجا این پیکسل است که 1 بر 9 می گیرید و
1024
00:54:26,570 –> 00:54:29,840
این مقدار صفر نقطه یازده است در اینجا اگر
1025
00:54:29,840 –> 00:54:31,900
به این پیکسل نگاه کنید در اینجا دو
1026
00:54:31,900 –> 00:54:34,970
پیکسل در همسایگی دارد و
1027
00:54:34,970 –> 00:54:38,750
بنابراین نقطه صفر دو را به عنوان یک مقدار دریافت می کنید. و به همین ترتیب بسیار
1028
00:54:38,750 –> 00:54:44,810
خوب، پس چند سال پیش تونی، شما
1029
00:54:44,810 –> 00:54:46,790
که یکی دیگر از توسعه دهندگان اصلی برای
1030
00:54:46,790 –> 00:54:48,860
روانگردان هستید، من این نسخه نمایشی را نوشتم تا به
1031
00:54:48,860 –> 00:54:50,960
شما به صورت تعاملی نشان دهم که چگونه کار می کند، بنابراین ما
1032
00:54:50,960 –> 00:54:52,160
نمی خواهیم کد را مرور کنیم، این یک
1033
00:54:52,160 –> 00:54:56,150
جور مشکل است، اما ما فقط می خواهیم آن را اجرا کنیم.
1034
00:54:56,150 –> 00:55:00,100
نسخه ی نمایشی و به شما نشان می دهد که چگونه به نظر می رسد، بنابراین
1035
00:55:00,100 –> 00:55:02,840
آنچه در اینجا در سمت چپ می بینیم،
1036
00:55:02,840 –> 00:55:05,510
تصویر اصلی است که شما صفرهایی در اطراف
1037
00:55:05,510 –> 00:55:09,350
آن و یک ها در مرکز دارید و سپس در
1038
00:55:09,350 –> 00:55:10,910
اینجا ما ردپای هسته را
1039
00:55:10,910 –> 00:55:12,920
داریم و فرض می کنیم که ما
1040
00:55:12,920 –> 00:55:14,870
خارج از تصویر صفرهایی دارم و این w است
1041
00:55:14,870 –> 00:55:17,090
حالت را در تصویر MDA ببندید تا شامل
1042
00:55:17,090 –> 00:55:21,970
کنترلها شود، اگر گفته شود که حالت
1043
00:55:21,970 –> 00:55:24,050
ثابت است و مقدار ثابت
1044
00:55:24,050 –> 00:55:25,220
یک است، نتیجه متفاوتی میگیرید،
1045
00:55:25,220 –> 00:55:28,130
زیرا فرض میشود که این مقادیر
1046
00:55:28,130 –> 00:55:29,480
خارج از تصویر
1047
00:55:29,480 –> 00:55:31,670
هستند که میخواستیم. دوباره فیلتر را می گیریم و
1048
00:55:31,670 –> 00:55:33,080
آن را روی تصویر حرکت می دهیم و
1049
00:55:33,080 –> 00:55:34,280
سپس تصویر
1050
00:55:34,280 –> 00:55:36,380
سمت راست را بر اساس نتیجه
1051
00:55:36,380 –> 00:55:40,070
پیچیدگی به روز می کنیم، بنابراین این کار درست است، بله برای
1052
00:55:40,070 –> 00:55:42,350
ردیف اول، فقط صفرها را
1053
00:55:42,350 –> 00:55:44,750
در همه جا می گیرد. نتیجه صفر است
1054
00:55:44,750 –> 00:55:46,340
ردیف دوم در اینجا شما می توانید ببینید
1055
00:55:46,340 –> 00:55:48,590
هنوز فقط صفرهایی در زیر آن ردپا وجود دارد به
1056
00:55:48,590 –> 00:55:50,960
محض اینکه به یکی می رسیم که خیلی
1057
00:55:50,960 –> 00:55:51,630
قابل مشاهده نیست
1058
00:55:51,630 –> 00:55:54,250
و شما می توانید آن را ببینید، بنابراین یک شب است،
1059
00:55:54,250 –> 00:55:56,740
بنابراین اکنون یک مقدار دارد، بنابراین باعث می شود
1060
00:55:56,740 –> 00:55:58,720
کمی انتخاب شود. کمی
1061
00:55:58,720 –> 00:56:00,700
روشنتر دو مقدار دارد که کمی پیکسل دارد،
1062
00:56:00,700 –> 00:56:03,880
اما هنوز سه مقدار است که بخشی از آن
1063
00:56:03,880 –> 00:56:05,830
این است که برف یک سوم پیکسلها
1064
00:56:05,830 –> 00:56:15,040
روشن هستند و به همین ترتیب بسیار خوب است، بنابراین
1065
00:56:15,040 –> 00:56:17,050
میتوانید اینجا در مرکز ببینید که
1066
00:56:17,050 –> 00:56:18,610
میانگین آن یک است زیرا میانگین است.
1067
00:56:18,610 –> 00:56:23,770
همه از مربع روشن و می توانید ببینید
1068
00:56:23,770 –> 00:56:25,900
که در واقع یک فیلتر صاف کننده است،
1069
00:56:25,900 –> 00:56:30,160
شما دریافتید که در تصویر اصلی لبه بسیار واضحی داشتید
1070
00:56:30,160 –> 00:56:32,110
که از صفر یک می رفت و
1071
00:56:32,110 –> 00:56:35,530
من این نوع رمپ زیبا را داشتم که از
1072
00:56:35,530 –> 00:56:39,340
صفر به یک طی چندین مرحله می رفت، خوب بود.
1073
00:56:39,340 –> 00:56:42,840
برای همه واضح است که چه اتفاقی در حال رخ دادن است،
1074
00:56:42,840 –> 00:56:46,030
بنابراین من نمیدانم چند نفر از شما در
1075
00:56:46,030 –> 00:56:47,970
مورد شبکههای عصبی کانولوشنال شنیدهاید.
1076
00:56:47,970 –> 00:56:50,080
1077
00:56:50,080 –> 00:56:52,860
1078
00:56:52,860 –> 00:56:56,890
1079
00:56:56,890 –> 00:56:59,170
نوع
1080
00:56:59,170 –> 00:57:00,640
شبکه عصبی داشتن یک
1081
00:57:00,640 –> 00:57:02,260
شبکه عصبی کانولوشن است این
1082
00:57:02,260 –> 00:57:04,750
است که یکی از این فیلترها را بردارید و آن
1083
00:57:04,750 –> 00:57:06,670
را روی تصویر رد کنید و سپس
1084
00:57:06,670 –> 00:57:07,750
تصور کنید
1085
00:57:07,750 –> 00:57:11,620
چیزی به نام غیر خطی بودن را اعمال می کنید، اما
1086
00:57:11,620 –> 00:57:13,300
اصل این است که آنها هستند. دقیقاً به همین صورت،
1087
00:57:13,300 –> 00:57:15,030
به جز اینکه به جای طراحی فیلتر خودمان،
1088
00:57:15,030 –> 00:57:17,740
همانطور که در اینجا انجام دادیم، یک فیلتر اصلی ساخته ایم،
1089
00:57:17,740 –> 00:57:19,810
شما مقادیر را با استفاده از
1090
00:57:19,810 –> 00:57:21,850
یادگیری ماشینی یاد گرفتید و اگر وقت داشته باشیم،
1091
00:57:21,850 –> 00:57:23,830
واقعاً شما را به انجام این
1092
00:57:23,830 –> 00:57:27,040
کار بسیار ساده ترغیب می کنم. y شبکه عصبی یک لایه
1093
00:57:27,040 –> 00:57:31,720
اما آره ایده اصلی
1094
00:57:31,720 –> 00:57:37,030
دقیقاً یکسان است، مورد دیگری که می
1095
00:57:37,030 –> 00:57:38,620
خواهم به آن اشاره کنم این است که در همه این
1096
00:57:38,620 –> 00:57:40,930
هسته های اصلی مجموع همه
1097
00:57:40,930 –> 00:57:44,260
مقادیر را برابر با یک قرار داده ایم و
1098
00:57:44,260 –> 00:57:46,030
دلیل آن است. به این دلیل است که
1099
00:57:46,030 –> 00:57:47,530
روشنایی کلی تصویر تحت تأثیر فیلتر کردن ما قرار نمی گیرد،
1100
00:57:47,530 –> 00:57:49,480
زیرا در غیر این صورت اگر
1101
00:57:49,480 –> 00:57:50,920
برای مثال اگر مجموع آنها کمتر از یک باشد
1102
00:57:50,920 –> 00:57:52,480
و فیلترهای مکرر انجام دهید،
1103
00:57:52,480 –> 00:57:54,430
ممکن است تصویر شما به نوعی کمرنگ
1104
00:57:54,430 –> 00:57:58,420
شود، بنابراین این فقط یک مشکل است. کار معمولی
1105
00:57:58,420 –> 00:58:01,290
این است که
1106
00:58:02,630 –> 00:58:05,430
همه چیز را درست انجام دهیم، بنابراین از یک تصویر پیکسلی استفاده می کنیم،
1107
00:58:05,430 –> 00:58:07,800
زیرا من فکر می کنم دیدن پیکسل ها
1108
00:58:07,800 –> 00:58:11,040
در واقع باعث می شود بهتر بفهمید چه
1109
00:58:11,040 –> 00:58:13,050
اتفاقی در حال رخ دادن است، بنابراین ما
1110
00:58:13,050 –> 00:58:16,770
تصویر دوربین را که همراه با
1111
00:58:16,770 –> 00:58:20,790
تصویر دوم است می گیریم و ما
1112
00:58:20,790 –> 00:58:22,770
فقط با نمونه برداری از هر دهم پیکسل از آن نمونه برداری می
1113
00:58:22,770 –> 00:58:25,020
کنم، این روش خوبی برای پایین آوردن نمونه نیست، همانطور
1114
00:58:25,020 –> 00:58:27,260
که در دفترچه یادداشت شما آمده است،
1115
00:58:27,260 –> 00:58:29,700
اگر
1116
00:58:29,700 –> 00:58:33,270
می خواهید نمونه برداری واقعی از یک تصویر انجام دهید، باید از یک مقیاس تبدیل تصویر SK استفاده کنید، اما
1117
00:58:33,270 –> 00:58:35,160
برای ما یک عکس دریافت می کنید. زیبا Jaggi تصویر wh
1118
00:58:35,160 –> 00:58:39,480
ich دقیقا همان چیزی است که اشتباه است، خوب است و ما
1119
00:58:39,480 –> 00:58:41,220
نیز به این کار خواهیم رفت، زیرا
1120
00:58:41,220 –> 00:58:42,359
تصاویر زیادی را در
1121
00:58:42,359 –> 00:58:43,740
کنار هم نشان خواهیم داد، ما فقط از
1122
00:58:43,740 –> 00:58:46,650
این استفاده
1123
00:58:46,650 –> 00:58:49,170
خواهیم کرد. هیچ جادویی انجام
1124
00:58:49,170 –> 00:58:52,790
نمیدهید، فقط تصاویر را در کنار یکدیگر قرار میدهیم،
1125
00:58:53,150 –> 00:58:58,349
خب، بیایید آن هسته پست را روی
1126
00:58:58,349 –> 00:58:59,820
تصویر پیکسلی اجرا کنیم و دوباره ببینیم که چگونه به
1127
00:58:59,820 –> 00:59:03,630
نظر میرسد، بنابراین همانطور که
1128
00:59:03,630 –> 00:59:08,030
میبینید چیزی شبیه به این نرمافزار دریافت میکنید و
1129
00:59:08,030 –> 00:59:10,290
این دقیقاً همان چیزی است که ما انتظار داریم، بنابراین اکنون
1130
00:59:10,290 –> 00:59:12,540
ما در مورد فیلترهای ضروری صحبت خواهم
1131
00:59:12,540 –> 00:59:14,190
کرد، رایج ترین فیلترهایی که
1132
00:59:14,190 –> 00:59:16,830
بارها و بارها می بینید
1133
00:59:16,830 –> 00:59:18,390
و اولین مورد فیلتر گاوسی است
1134
00:59:18,390 –> 00:59:19,830
که قبلاً در مورد آن صحبت کردم به صورت
1135
00:59:19,830 –> 00:59:21,750
تک بعدی، شما می توانید همان کار را
1136
00:59:21,750 –> 00:59:26,760
در دو انجام دهید. ابعاد با استفاده از تصویر سوکت بنابراین
1137
00:59:26,760 –> 00:59:29,849
در نهایت پس از همه اینها به
1138
00:59:29,849 –> 00:59:31,710
فیلترهای پورت بُعد روانی می رسیم و این
1139
00:59:31,710 –> 00:59:34,490
شامل چند فیلتر از پیش ساخته شده برای شماست
1140
00:59:34,490 –> 00:59:38,180
و اکنون قصد داریم
1141
00:59:38,180 –> 00:59:40,530
میانگین مربع روشن را با فیلترهای
1142
00:59:40,530 –> 00:59:44,240
گاوسی مربع روشن مقایسه کنیم.
1143
00:59:47,599 –> 00:59:54,819
نظر من بود من نمی خوانم،
1144
00:59:54,819 –> 00:59:56,089
بله،
1145
00:59:56,089 –> 00:59:59,779
کاملاً فراموش کنید که این مانند
1146
00:59:59,779 –> 01:00:06,680
تاریخ باستان است، بنابراین اینجا خیلی واضح نیست،
1147
01:00:06,680 –> 01:00:09,319
اما می توانید ببینید که این یک سطح
1148
01:00:09,319 –> 01:00:12,529
شیبدار صاف تر از فیلتر متوسط است که ما به تص
1149
01:00:12,529 –> 01:00:14,749
یر پیکسلی و تف
1150
01:00:14,749 –> 01:00:17,059
وت بین دو فیلتر نگاه می کن
1151
01:00:17,059 –> 01:00:18,529
م و نشان دهید که
1152
01:00:18,529 –> 01:00:21,619
با صاف کردن فیلتر گاوسی نتیجه بسیار بهتری می گیرید
1153
01:00:21,619 –> 01:00:24,920
در اولین بازرسی فیلتر گاوسی چگونه است،
1154
01:00:24,920 –> 01:00:26,989
واقعاً تفاوت زیادی نمی بینید،
1155
01:00:26,989 –> 01:00:28,400
اما کاری که می خواهیم انجام دهیم این است
1156
01:00:28,400 –> 01:00:33,460
که فیلتر بسیار بزرگ تری
1157
01:00:33,460 –> 01:00:39,859
انجام می دهیم، یعنی فیلتر کردن اندازه. 60 یا
1158
01:00:39,859 –> 01:00:42,279
یک فیلتر گاوسی با اندازه معادل
1159
01:00:42,279 –> 01:00:45,410
و نتایج را روی آن تصویر اصلی ببینید
1160
01:00:45,410 –> 01:00:48,200
و بنابراین می توانید ببینید که
1161
01:00:48,200 –> 01:00:50,029
فیلتر متوسط حتی اگر من بر
1162
01:00:50,029 –> 01:00:53,029
ی یک محله محلی کوچک واقعاً خوب عمل می
1163
01:00:53,029 –> 01:00:54,619
ردم، همه این مصنوعات را به شما می دهد که می توانید به نو
1164
01:00:54,619 –> 01:00:57,469
ی ببینید. بند تکراری
1165
01:00:57,469 –> 01:01:00,849
دوربین در اینجا به نوعی پخش می شود
1166
01:01:00,849 –> 01:01:03,259
در حالی که فیلتر گاوسی واقعاً
1167
01:01:03,259 –> 01:01:05,299
شبیه یک نسخه تار از تصویر اصلی به
1168
01:01:05,299 –> 01:01:07,609
نظر می رسد.
1169
01:01:07,609 –> 01:01:10,279
1170
01:01:10,279 –> 01:01:11,599
معمولاً آنجا نیست من میروم شما میخواهید
1171
01:01:11,599 –> 01:01:14,180
کاری مانند فیلتر گاوسی انجام دهید و
1172
01:01:14,180 –> 01:01:15,529
فکر میکنم این برای بیشتر پردازش سیگنال صدق میکند،
1173
01:01:15,529 –> 01:01:17,950
1174
01:01:21,000 –> 01:01:26,440
بنابراین میخواهم کمی صحبت کنم
1175
01:01:26,440 –> 01:01:28,480
فیلتر گاوسی در دو بعد
1176
01:01:28,480 –> 01:01:30,849
بسیار شبیه به فیلتر گاوسی است.
1177
01:01:30,849 –> 01:01:34,210
بعد و همانطور که در اینجا می بینید
1178
01:01:34,210 –> 01:01:35,950
در واقع فقط
1179
01:01:35,950 –> 01:01:41,829
ضرب دو بعد با هم است و بنابراین من به شکل
1180
01:01:41,829 –> 01:01:45,640
ظاهری آن نگاه می کنم بنابراین برای
1181
01:01:45,640 –> 01:01:48,250
نگاه کردن به یک هسته می توانید
1182
01:01:48,250 –> 01:01:50,710
هسته را خودتان بسازید یا می توانید یک
1183
01:01:50,710 –> 01:01:54,069
پیکسل روشن را فیلتر کنید. و سپس
1184
01:01:54,069 –> 01:01:58,650
خروجی آن شکل هسته شماست، بنابراین
1185
01:01:58,650 –> 01:02:00,790
این کاری است که من اینجا انجام دادهام، شما میتوانید
1186
01:02:00,790 –> 01:02:05,380
برآمدگی صاف را ببینید، من فقط
1187
01:02:05,380 –> 01:02:08,920
یک تمرین کوچک به شما میدهم و یک دقیقه به شما فرصت میدهم
1188
01:02:08,920 –> 01:02:17,020
که نمایه خطی را ترسیم کنید
1189
01:02:17,020 –> 01:02:23,650
. این خط روشنایی
1190
01:02:23,650 –> 01:02:25,750
در امتداد این خط کرنل
1191
01:02:25,750 –> 01:02:30,790
بسیار خوب است، بنابراین این فقط تکرار این واقعیت است
1192
01:02:30,790 –> 01:02:34,180
که تصاویر ما فقط ناقص هستند،
1193
01:02:34,180 –> 01:02:35,430
بنابراین فقط یک معمای نمایه سازی سمت راست داور
1194
01:02:35,430 –> 01:02:38,500
است، بنابراین هسته فقط یک
1195
01:02:38,500 –> 01:02:41,230
پرتو داور است که من می خواهم بگیرم. هر ر ow
1196
01:02:41,230 –> 01:02:47,700
و 22: و فقط رسم کنید که یک خط داشته باشد
1197
01:02:47,700 –> 01:02:49,750
و می توانید ببینید که چه چیزی به
1198
01:02:49,750 –> 01:02:52,690
منحنی زنگی شکل خوبی رسیده اید که انجام داده اید.
1199
01:02:52,690 –> 01:02:54,609
1200
01:02:54,609 –> 01:02:59,170
1201
01:02:59,170 –> 01:03:01,170
1202
01:03:01,170 –> 01:03:05,970
برآمدگی بعدی بل در تصویر
1203
01:03:05,970 –> 01:03:11,680
بسیار خوب است، بنابراین کار بعدی که
1204
01:03:11,680 –> 01:03:14,650
میخواهیم انجام دهیم، صاف کردن
1205
01:03:14,650 –> 01:03:16,270
فیلترهای دوبعدی مختلف در دو بعدی است و آنها کمی
1206
01:03:16,270 –> 01:03:17,890
پیچیدهتر هستند، زیرا من باید
1207
01:03:17,890 –> 01:03:19,660
تفاوت را در یک محور و تفاوت را
1208
01:03:19,660 –> 01:03:23,619
در محور دیگر انجام دهم. محور، بنابراین من این
1209
01:03:23,619 –> 01:03:26,280
هسته عمودی را ترسیم می کنم که فقط یک
1210
01:03:26,280 –> 01:03:29,710
تفاوت است که میانگین
1211
01:03:29,710 –> 01:03:32,500
سه پیکسل بالا و
1212
01:03:32,500 –> 01:03:33,880
میانگین سه پیکسل زیر را می گیرد و
1213
01:03:33,880 –> 01:03:37,119
تفاوت را می گیرد، بنابراین می خواهم برای تصویر پیکسلی به آن نگاه کنم
1214
01:03:37,119 –> 01:03:42,030
و شما دریافت کنید این
1215
01:03:42,030 –> 01:03:46,900
تصویر که در اینجا شما یک
1216
01:03:46,900 –> 01:03:51,160
تغییر منفی از Bright’s به تاریک دارید در حالی که شما در
1217
01:03:51,160 –> 01:03:53,470
حال پایین آمدن تصویر هستید و سپس در اینجا
1218
01:03:53,470 –> 01:03:55,210
شما یک تغییر مثبت از تاریکی به
1219
01:03:55,210 –> 01:03:56,980
روشن در آسمان دارید، من فقط می خواهم نشان
1220
01:03:56,980 –> 01:04:09,460
دهم در واقع مطمئن هستم که شاد است و wh
1221
01:04:09,460 –> 01:04:12,359
عمودی شیب بالا
1222
01:04:15,320 –> 01:04:18,830
y این کار را به صورت پیکسلی انجام ندادم، آیا من
1223
01:04:18,830 –> 01:04:22,330
فقط ایدههای پیکسلی را انجام میدهم
1224
01:04:25,330 –> 01:04:30,840
– پسر، فکر میکنم به این دلیل
1225
01:04:34,850 –> 01:04:38,060
است که مقادیر منفی در مقابل
1226
01:04:38,060 –> 01:04:40,620
مقادیر مثبت هستند، فقط در اینجا چیزی است که اتفاق میافتد،
1227
01:04:40,620 –> 01:04:43,830
این یک مبارزه است، بنابراین گرادیان
1228
01:04:43,830 –> 01:04:47,930
دارای مقادیری است که بین 0 و 1 نیست، بلکه بین
1229
01:04:47,930 –> 01:04:51,570
منهای 1 است. و 1 و من مطمئن هستم که همه
1230
01:04:51,570 –> 01:04:53,160
سعی می کنند همه تصاویر
1231
01:04:53,160 –> 01:04:54,360
را در یک فضا عادی کنند، به همین دلیل است که
1232
01:04:54,360 –> 01:04:57,090
من همان بدی را دریافت نمی کنم بلکه فقط
1233
01:04:57,090 –> 01:04:58,890
نشان می دهم که اینجا در تصویر اصلی از تاریکی به روشنی
1234
01:04:58,890 –> 01:05:02,130
می رود و این
1235
01:05:02,130 –> 01:05:06,930
چیزی است که فیلتر به
1236
01:05:06,930 –> 01:05:09,510
نفع زمان تشخیص داده میشود، من فقط میخواهم
1237
01:05:09,510 –> 01:05:11,610
سریعاً این تمرین را برای شما انجام دهم، بنابراین ایدهای دارید
1238
01:05:11,610 –> 01:05:14,220
که چگونه میتوانم یک هسته افقی از هسته عمودی دریافت کنم،
1239
01:05:14,220 –> 01:05:17,940
بله، شما فقط باید
1240
01:05:17,940 –> 01:05:20,130
ماتریس را جابهجا کنید، بنابراین من
1241
01:05:20,130 –> 01:05:22,940
آن را هسته عمودی نامیدم
1242
01:05:26,990 –> 01:05:30,160
و سپس میتوانم اوه خوب انجام دهم،
1243
01:05:45,460 –> 01:05:47,490
1244
01:06:01,420 –> 01:06:04,040
بنابراین این دقیقاً همان
1245
01:06:04,040 –> 01:06:05,240
اصل است، اما اکنون میتوانید ببینید که
1246
01:06:05,240 –> 01:06:06,620
1247
01:06:06,620 –> 01:06:09,970
به جای لبههای عمودی، لبههای افقی تصویر را دریافت میکنید،
1248
01:06:12,760 –> 01:06:21,350
بله، نقطه بهروزرسانی خوب است،
1249
01:06:21,350 –> 01:06:26,710
من حتی نمیخواهم به آنجا بروم. آره باشه و
1250
01:06:26,710 –> 01:06:29,480
معمولاً چیزی که شما میخواهید فقط یک گرادیان کلی است
1251
01:06:29,480 –> 01:06:32,120
و ما میتوانیم این کار را با این کار انجام دهیم، زیرا
1252
01:06:32,120 –> 01:06:34,670
اینها فقط پرتوهای ناقص هستند، شما فقط میتوانید
1253
01:06:34,670 –> 01:06:36,500
از عملیات بردار روی آنها استفاده کنید، بنابراین
1254
01:06:36,500 –> 01:06:41,740
من میتوانم شیب برابر NP dot scrt
1255
01:06:41,740 –> 01:06:45,140
شیب افقی مربع به اضافه
1256
01:06:45,140 –> 01:06:50,420
عمودی عالی را انجام دهیم. عمودی عالی
1257
01:06:50,420 –> 01:06:54,370
که کاملاً
1258
01:06:56,840 –> 01:06:59,840
خوب است
1259
01:07:06,660 –> 01:07:08,800
و بنابراین اکنون یک
1260
01:07:08,800 –> 01:07:12,190
گرادیان خوب در اطراف کل شکل دریافت می
1261
01:07:12,190 –> 01:07:15,520
کنید، بنابراین فیلتر اصلی لبه شما،
1262
01:07:15,520 –> 01:07:17,770
فیلتری به نام فیلتر لبه Sobel وجود دارد و
1263
01:07:17,770 –> 01:07:22,329
این احتمالاً رایج ترین فیلتر لبه است
1264
01:07:22,329 –> 01:07:25,780
و به نوعی یک نسخه کودک است.
1265
01:07:25,780 –> 01:07:27,640
از فیلتر گاوسی
1266
01:07:27,640 –> 01:07:28,869
که قبلا نشان دادم، به جای
1267
01:07:28,869 –> 01:07:32,349
استفاده از یک فیلتر لبه ساده،
1268
01:07:32,349 –> 01:07:33,790
میخواهید کمی میانگینگیری کنید، بنابراین اگر
1269
01:07:33,790 –> 01:07:37,510
روی مستندات مربوط به این موارد کلیک کنید،
1270
01:07:37,510 –> 01:07:42,690
میتوانید ببینید که هسته چیست،
1271
01:07:42,690 –> 01:07:47,349
آن لبه را با رنگ سفید به سمت جلو میبرد.
1272
01:07:47,349 –> 01:07:49,630
موقعیت پیکسل مرکزی اما همچنین به
1273
01:07:49,630 –> 01:07:51,940
دنبال ادامه لبه بالا و
1274
01:07:51,940 –> 01:07:53,800
پایین است که مقدار مشخصی است
1275
01:07:53,800 –> 01:07:55,839
اما با وزن کمی کمتر از یک
1276
01:07:55,839 –> 01:07:59,500
به جای دو کاملاً درست است.
1277
01:07:59,500 –> 01:08:02,740
آیا این منطقی به نظر می رسد بنابراین
1278
01:08:02,740 –> 01:08:06,369
کلش V عمودی سطح لبه متأسفانه
1279
01:08:06,369 –> 01:08:10,980
برعکس آن است و
1280
01:08:10,980 –> 01:08:13,810
نقطه سوبل را به تنهایی بدون
1281
01:08:13,810 –> 01:08:16,450
لبه V فیلتر می کند دقیقاً همان کاری را انجام می دهد که من در اینجا انجام دادم،
1282
01:08:16,450 –> 01:08:20,020
یعنی گرفتن
1283
01:08:20,020 –> 01:08:22,479
جذر مجموع مقادیر مربع ها و فقط
1284
01:08:22,479 –> 01:08:24,488
یک گرادیان معمولی به شما می دهیم تا بتوانید ببینید که
1285
01:08:24,488 –> 01:08:26,649
لبه بسیار صاف تری نسبت به آنچه
1286
01:08:26,649 –> 01:08:32,380
قبلا دیدیم دریافت می کنید و اگر من این کار را با تصویر پیکسلی انجام دهم،
1287
01:08:32,380 –> 01:08:35,560
دوباره آن گرادیان را دریافت می
1288
01:08:35,560 –> 01:08:44,410
کنید و دوباره می توانید این کار را انجام دهید، می توانید
1289
01:08:44,410 –> 01:08:45,759
این عملیات فیلتر را زنجیره ای کنید.
1290
01:08:45,759 –> 01:08:46,988
با هم، بنابراین من میتوانم یک
1291
01:08:46,988 –> 01:08:48,790
فیلتر گاوسی و سپس فیلتر سوبل انجام دهم و
1292
01:08:48,790 –> 01:08:54,250
سپس یک گرادیان صافتر دریافت کنم، آنها میتوانند
1293
01:08:54,250 –> 01:08:55,630
ببینند که اگر کمی هموارسازی بیش از حد انجام دهید،
1294
01:08:55,630 –> 01:09:00,189
خط چاقتری برای
1295
01:09:00,189 –> 01:09:01,569
چیزی دریافت میکنید، بنابراین این است که برای
1296
01:09:01,569 –> 01:09:03,609
صاف کردن هزینه میپردازید، اما فقط چیزی
1297
01:09:03,609 –> 01:09:05,649
است که باید در مورد آن بدانید که آنها می توانند ببینند که برخی از
1298
01:09:05,649 –> 01:09:09,539
لبه های امتداد پایه ها بسیار تمیزتر هستند،
1299
01:09:09,779 –> 01:09:13,809
بنابراین من این تمرین را
1300
01:09:13,809 –> 01:09:15,880
برای استراحت می گذارم، بچه ها آزاد هستید که به آن
1301
01:09:15,880 –> 01:09:18,250
نگاه کنید، این یک لایه است و
1302
01:09:18,250 –> 01:09:19,719
شبکه می شوید اما از آنجایی که ما آر
1303
01:09:19,719 –> 01:09:21,908
من فقط می خواهم به سرعت چند فیلتر پیچیده تر را به شما نشان دهم
1304
01:09:21,908 –> 01:09:23,229
که
1305
01:09:23,229 –> 01:09:27,698
در روانگردان موجود است و
1306
01:09:27,698 –> 01:09:31,059
اولین فیلتر میانی است، بنابراین
1307
01:09:31,059 –> 01:09:34,448
دیدیم که فیلتر اصلی تصویر را محو می کند
1308
01:09:34,448 –> 01:09:36,609
اما همچنین حاوی مصنوعات زیادی است و
1309
01:09:36,609 –> 01:09:40,059
ما دیدیم که فیلتر گاوسی میتواند
1310
01:09:40,059 –> 01:09:44,319
لبههای شما را محو کند و همچنین آنها را
1311
01:09:44,319 –> 01:09:46,988
صافتر کند، اما آنها را محوتر میکند،
1312
01:09:46,988 –> 01:09:49,899
بنابراین فیلتر میانه ردپای شما را میگیرد
1313
01:09:49,899 –> 01:09:52,679
و حالا این
1314
01:09:52,679 –> 01:09:56,949
ضرب خطی و جمع را اعمال نمیکند و
1315
01:09:56,949 –> 01:09:58,659
فقط میانه همه را میگیرد. از آن
1316
01:09:58,659 –> 01:10:00,429
ارزشها و این چیزی است که در وسط به دست
1317
01:10:00,429 –> 01:10:03,579
میآورید و این خاصیت
1318
01:10:03,579 –> 01:10:06,190
حفظ لبههای شما را دارد، من
1319
01:10:06,190 –> 01:10:07,389
از منطق آن عبور نمیکنم، اما اگر از
1320
01:10:07,389 –> 01:10:10,449
طریق آن کار کنید، به سرعت
1321
01:10:10,449 –> 01:10:13,119
از یک مقدار به مقدار دیگر میرود و برای همیشه
1322
01:10:13,119 –> 01:10:15,820
یک مقدار میانی انتخاب میکنیم و
1323
01:10:15,820 –> 01:10:18,219
بنابراین آن جلوه تار را به دست میآوریم، پس بیایید نشان
1324
01:10:18,219 –> 01:10:20,679
دهیم که چگونه به نظر میرسد تا بتوانید برای
1325
01:10:20,679 –> 01:10:23,020
تصویر پیکسلشده ببینید، کمی صافتر میشوید،
1326
01:10:23,020 –> 01:10:25,510
اما لبههای شکل را حفظ میکند
1327
01:10:25,510 –> 01:10:30,849
و این به این دلیل است که وقتی
1328
01:10:30,849 –> 01:10:33,909
به این پیکسل می رسد و فقط یک
1329
01:10:33,909 –> 01:10:35,469
وصله روشن و وصله تیره برای انتخاب دارد
1330
01:10:35,469 –> 01:10:36,730
و مقدار میانه باید از
1331
01:10:36,730 –> 01:10:38,079
هر کدام از این وصله ها باشد، بنابراین قرار نیست
1332
01:10:38,079 –> 01:10:40,260
یک مقدار متوسط یک مقدار مت
1333
01:10:40,260 –> 01:10:42,429
سط نسبت به مقدار سطح خاکستری که شما
1334
01:10:42,429 –> 01:10:45,300
انتخاب کنید انتخا
1335
01:10:48,520 –>