در این مطلب، ویدئو آموزش OpenCV Python برای مبتدیان 19 – گرادیان تصویر و تشخیص لبه با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:14:24
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,079 –> 00:00:02,580
سلام بچه ها به ویدیوی بعدی
2
00:00:02,580 –> 00:00:04,740
آموزش رزومه باز برای مبتدیان با استفاده از
3
00:00:04,740 –> 00:00:07,680
پایتون خوش آمدید در این ویدیو ما در مورد
4
00:00:07,680 –> 00:00:12,059
شیب تصویر در CV باز صحبت خواهیم کرد، بنابراین اول از
5
00:00:12,059 –> 00:00:15,660
همه گرادیان تصویر چیست، بنابراین
6
00:00:15,660 –> 00:00:19,350
گرادیان تصویر یک تغییر جهت
7
00:00:19,350 –> 00:00:23,100
در شدت یا نشانگر است. در
8
00:00:23,100 –> 00:00:26,910
حال حاضر در داخل تصویر، گرادیان
9
00:00:26,910 –> 00:00:29,189
تصویر یکی از اجزای سازنده
10
00:00:29,189 –> 00:00:32,820
اصلی در پردازش تصویر است، به عنوان مثال،
11
00:00:32,820 –> 00:00:35,610
ما از شیب تصویر در داخل تصویر
12
00:00:35,610 –> 00:00:40,260
برای یافتن لبههای داخل تصویر استفاده میکنیم
13
00:00:40,260 –> 00:00:43,350
، اکنون چندین روش گرادیان تصویر
14
00:00:43,350 –> 00:00:47,340
در CV باز وجود دارد.
15
00:00:47,340 –> 00:00:51,289
سه مورد از آنها را می بینیم اول مشتقات لاپلاسی
16
00:00:51,289 –> 00:00:55,260
است، دوم روش Sobel X
17
00:00:55,260 –> 00:00:58,770
و سومی روش Sobel Y خواهد بود
18
00:00:58,770 –> 00:01:02,820
و همه این روش هایی که
19
00:01:02,820 –> 00:01:04,920
ذکر کردم توابع گرادیان مختلف هستند
20
00:01:04,920 –> 00:01:08,189
که از
21
00:01:08,189 –> 00:01:11,369
عملیات ریاضی مختلفی برای تولید
22
00:01:11,369 –> 00:01:14,100
تصویر مورد نیاز استفاده می کنند.
23
00:01:14,100 –> 00:01:16,950
مشتقات لاپلاسی را محاسبه می کند
24
00:01:16,950 –> 00:01:21,450
که به عنوان روش سوبل، عملیات مشترک گاوسی
25
00:01:21,450 –> 00:01:24,960
و تمایز است، اما
26
00:01:24,960 –> 00:01:28,020
با th غرق نشوید و جزییات فقط
27
00:01:28,020 –> 00:01:30,960
باید در نظر داشته باشید که اینها
28
00:01:30,960 –> 00:01:34,740
فقط توابعی هستند که ما برای
29
00:01:34,740 –> 00:01:38,520
یافتن گرادیان های یک تصویر برای
30
00:01:38,520 –> 00:01:40,619
تجزیه و تحلیل تصویر استفاده می کنیم، بنابراین بیایید از اولین روش
31
00:01:40,619 –> 00:01:44,180
که گرادیان لاپلاسی نامیده می شود استفاده
32
00:01:44,180 –> 00:01:47,399
کنیم تا شروع کنیم.
33
00:01:47,399 –> 00:01:49,829
کد و ممکن است از قبل بدانید که
34
00:01:49,829 –> 00:01:52,590
این کد چه کاری انجام می دهد، بنابراین اول از همه،
35
00:01:52,590 –> 00:01:55,909
من فقط این تصویر را با jpg پنج نقطه درهم و برهم
36
00:01:55,909 –> 00:01:59,850
در حالت خاکستری با استفاده از روش I am
37
00:01:59,850 –> 00:02:02,909
read می خوانم و سپس فقط
38
00:02:02,909 –> 00:02:06,570
این تصویر را با استفاده از پنجره matplotlib بارگذاری می
39
00:02:06,570 –> 00:02:09,899
کنم. بیایید ابتدا ببینیم نتیجه چگونه به نظر می رسد،
40
00:02:09,899 –> 00:02:13,209
بنابراین این به نظر می رسد
41
00:02:13,209 –> 00:02:17,520
این فقط یک تصویر معمولی از مسی است و
42
00:02:17,520 –> 00:02:21,459
بیایید ببینیم چگونه می توانیم روش لاپلاسی را
43
00:02:21,459 –> 00:02:24,120
برای یافتن
44
00:02:24,120 –> 00:02:28,989
گرادیان لاپلاسی یک تصویر اعمال کنیم، بنابراین ما می
45
00:02:28,989 –> 00:02:32,620
خواهیم متغیری به نام lap را اعلام کنید
46
00:02:32,620 –> 00:02:37,599
و سپس یک تابع در
47
00:02:37,599 –> 00:02:42,090
داخل کتابخانه cb2 شما وجود دارد که به نام laplacian نامیده می شود
48
00:02:42,090 –> 00:02:46,150
و این روش لاپلاسی
49
00:02:46,150 –> 00:02:49,930
آرگومان کمی می گیرد.
50
00:02:49,930 –> 00:02:52,630
51
00:02:52,630 –> 00:02:56,769
ما قصد داریم از آن استفاده کنیم
52
00:02:56,769 –> 00:03:02,700
که به نام CV به نقطه C V زیرخط
53
00:03:02,700 –> 00:03:08,620
64 F بنابراین CV به نقطه C V زیرخط 64
54
00:03:08,620 –> 00:03:13,420
F فقط یک نوع داده است و ما از یک
55
00:03:13,420 –> 00:03:17,040
شناور 64 بیتی استفاده می کنیم که دلیل آن شیب منفی
56
00:03:17,040 –> 00:03:20,500
ناشی از تبدیل تصویر از
57
00:03:20,500 –> 00:03:23,380
سفید به مشکی، بنابراین فقط باید به خاطر
58
00:03:23,380 –> 00:03:25,870
داشته باشید که این فقط یک نوع داده است
59
00:03:25,870 –> 00:03:30,819
که 64 بیت شناور است و از
60
00:03:30,819 –> 00:03:33,910
اعداد منفی پشتیبانی می کند
61
00:03:33,910 –> 00:03:37,600
که وقتی روش لاپلاسی
62
00:03:37,600 –> 00:03:42,130
روی تصویر ما اجرا می شود، اکنون در خط بعدی
63
00:03:42,130 –> 00:03:43,959
که هستیم با آنها برخورد خواهیم کرد. قرار
64
00:03:43,959 –> 00:03:46,780
است قدر مطلق
65
00:03:46,780 –> 00:03:50,530
تبدیل تصویر لاپلاسی خود
66
00:03:50,530 –> 00:03:53,650
را بگیریم و این مقدار را
67
00:03:53,650 –> 00:03:57,280
به عدد صحیح 8 بیتی بدون علامت که
68
00:03:57,280 –> 00:04:00,489
برای خروجی ما مناسب است، برگردانیم، بنابراین من
69
00:04:00,489 –> 00:04:04,380
فقط lap را می نویسم و سپس با استفاده از متدهای numpy
70
00:04:04,380 –> 00:04:09,790
you int و P dot شما int 8 و
71
00:04:09,790 –> 00:04:13,569
به عنوان یک آرگومان یک نقطه P مطلق را پاس می کنیم
72
00:04:13,569 –> 00:04:18,250
و سپس در داخل
73
00:04:18,250 –> 00:04:20,200
متد مطلق فقط
74
00:04:20,200 –> 00:04:22,810
تصویر خود را پاس می دهیم که
75
00:04:22,810 –> 00:04:25,000
قدر مطلق ما را به ما می دهد.
76
00:04:25,000 –> 00:04:26,860
تبدیل تصویر لاپلاسی
77
00:04:26,860 –> 00:04:30,550
w hich قرار است این را به
78
00:04:30,550 –> 00:04:33,520
عدد صحیح 8 بیتی بدون علامت تبدیل کند، حالا بیایید
79
00:04:33,520 –> 00:04:37,479
نتیجه این گرادیان laplacian را ببینیم، بنابراین من
80
00:04:37,479 –> 00:04:40,569
فقط میخواهم یک عنوان جدید به آرایه عنوان خود اضافه کنم
81
00:04:40,569 –> 00:04:43,120
که به آن laplacian میگویند
82
00:04:43,120 –> 00:04:48,159
و همچنین در لیست تصاویر من هستم.
83
00:04:48,159 –> 00:04:53,169
این متغیر lap را که
84
00:04:53,169 –> 00:04:56,080
حاوی این تصویر است درست بعد از
85
00:04:56,080 –> 00:04:59,500
اعمال گرادیان لاپلاسین در اینجا اضافه می کنیم و
86
00:04:59,500 –> 00:05:03,520
در اینجا محدوده دو خواهد بود و ما
87
00:05:03,520 –> 00:05:06,550
می خواهیم آن را با فرمت یک به دو در
88
00:05:06,550 –> 00:05:11,289
پنجره mat plot lib مشاهده کنیم، بنابراین در اینجا می
89
00:05:11,289 –> 00:05:13,840
توانید نسخه اصلی را ببینید. تصویری که این یکی است
90
00:05:13,840 –> 00:05:18,279
و بعد از اعمال روش گرادیان لاپلاسی
91
00:05:18,279 –> 00:05:21,400
روی این تصویر، می توانید
92
00:05:21,400 –> 00:05:25,930
تمام لبه هایی را که با این روش تشخیص داده می شوند، مشاهده کنید،
93
00:05:25,930 –> 00:05:28,590
زمانی که این روش را روی
94
00:05:28,590 –> 00:05:32,889
این تصویر jpg پنج نقطه ای به هم ریخته اعمال کردیم و یک
95
00:05:32,889 –> 00:05:35,620
گرادیان تصویر همانطور که گفتم
96
00:05:35,620 –> 00:05:37,659
جهت است. تغییر در شدت
97
00:05:37,659 –> 00:05:42,009
یا رنگ در یک تصویر، بنابراین اجازه دهید
98
00:05:42,009 –> 00:05:45,819
این پنجره را ببندیم و یک آرگومان دیگر وجود دارد
99
00:05:45,819 –> 00:05:48,629
که میتوانید در اینجا ارائه کنید که
100
00:05:48,629 –> 00:05:52,419
اندازه هسته است، بنابراین میتوانید بگویید
101
00:05:52,419 –> 00:05:55,990
اندازه K برابر با پنج است، این اندازه هسته
102
00:05:55,990 –> 00:05:57,879
است و من رفتن تی o فقط
103
00:05:57,879 –> 00:06:01,330
یک بار دیگر این برنامه را اجرا کنید و می بینید که
104
00:06:01,330 –> 00:06:04,779
اندازه هسته افزایش یافته است اما نتیجه ما
105
00:06:04,779 –> 00:06:08,440
بدتر شده است، بنابراین اجازه دهید آن را
106
00:06:08,440 –> 00:06:12,129
به سه کاهش دهیم و سپس یک بار دیگر این
107
00:06:12,129 –> 00:06:15,940
برنامه را اجرا کنیم و نتیجه می تواند خوب به نظر برسد
108
00:06:15,940 –> 00:06:19,900
و اگر اعمال کنید اندازه K برابر است با
109
00:06:19,900 –> 00:06:23,259
بیایید نتیجه را ببینیم و می
110
00:06:23,259 –> 00:06:27,460
بینید که نتیجه بهتری می گیرید من فکر می کنم در حال حاضر
111
00:06:27,460 –> 00:06:30,009
من فقط از K اندازه برابر
112
00:06:30,009 –> 00:06:35,399
سه استفاده می کنم و اکنون از دو
113
00:06:35,399 –> 00:06:39,669
روش گرادیان تصویر دیگر که Sobel X
114
00:06:39,669 –> 00:06:41,230
و Sobel
115
00:06:41,230 –> 00:06:45,070
هستند استفاده می کنیم. روش هایی که Sobel
116
00:06:45,070 –> 00:06:48,280
X و Sobel نامیده می شوند، چرا که آنها را نمایش گرادیان سوبل نیز می نامند،
117
00:06:48,280 –> 00:06:51,610
بنابراین اجازه دهید
118
00:06:51,610 –> 00:06:54,790
از آنها استفاده کنیم و سپس در مورد چگونگی
119
00:06:54,790 –> 00:06:58,180
مفید بودن آنها بحث خواهیم کرد، بنابراین اول از همه
120
00:06:58,180 –> 00:07:01,810
متغیری به نام Sobel X را اعلام
121
00:07:01,810 –> 00:07:06,790
می کنم و سپس من در حال استفاده ا