در این مطلب، ویدئو OpenCV Python Canny Edge Detection Algorithm 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: 00:04:56
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:05,259 –> 00:00:07,670
سلام به ورسای در پاریس و
2
00:00:07,670 –> 00:00:11,120
این هجدهمین ویدیو و رزومه باز ما است، بنابراین در
3
00:00:11,120 –> 00:00:13,299
ویدیوی قبلی
4
00:00:13,299 –> 00:00:16,610
با تشخیص لبخند ثابت چهره و رزومه باز آشنا
5
00:00:16,610 –> 00:00:19,070
شدیم، بنابراین این از ویدیوی قبلی است که ما
6
00:00:19,070 –> 00:00:23,539
لبخند آتش را در این
7
00:00:23,539 –> 00:00:27,499
تصویر در این ویدیو شناسایی کرده ایم. آیا می خواهم
8
00:00:27,499 –> 00:00:30,650
در مورد تشخیص لبه های آب نباتی صحبت کنم، بنابراین
9
00:00:30,650 –> 00:00:33,500
راه های مختلفی وجود دارد که می توانید
10
00:00:33,500 –> 00:00:37,790
تشخیص لبه و چاقی را انجام دهید، اما
11
00:00:37,790 –> 00:00:40,610
CV باز نیز یک عملکرد بسیار مفید را ارائه می دهد
12
00:00:40,610 –> 00:00:43,520
که به آن الگوریتم آب نبات می گویند،
13
00:00:43,520 –> 00:00:45,830
بنابراین مخترع الگوریتم آب نبات بود.
14
00:00:45,830 –> 00:00:49,550
John f kin که نه
15
00:00:49,550 –> 00:00:52,730
تنها به دلیل اثربخشی، بلکه به
16
00:00:52,730 –> 00:00:54,500
دلیل سادگی
17
00:00:54,500 –> 00:00:57,880
اجرای آن و برنامه شهر باز بسیار محبوب است،
18
00:00:57,880 –> 00:01:00,050
بنابراین زمانی که می خواهید تشخیص لبه را انجام دهید،
19
00:01:00,050 –> 00:01:04,250
پنج مرحله برای تشخیص آب نبات وجود دارد،
20
00:01:04,250 –> 00:01:06,950
بنابراین ما یک کاهش خوب
21
00:01:06,950 –> 00:01:09,229
تصویر داریم. مرحله اول تشخیص خوب است
22
00:01:09,229 –> 00:01:11,539
، تصویری که گاوسی آن را
23
00:01:11,539 –> 00:01:14,929
فیلتر میکند، مرحله دوم محاسبه
24
00:01:14,929 –> 00:01:18,920
گرادیانها، مرحله سوم، جداسازیهای غیر حداکثری است
25
00:01:18,920 –> 00:01:21,950
، مرحله چهارم،
26
00:01:21,950 –> 00:01:25,280
آستانه دو برابری در همه تشخیصها است. ed ages
27
00:01:25,280 –> 00:01:28,700
و آخرین مورد تجزیه و تحلیل تمام سنین و
28
00:01:28,700 –> 00:01:34,939
ارتباطات آنهاست، بنابراین این پنج مرحله شما
29
00:01:34,939 –> 00:01:38,859
می توانید این پنج مرحله H را انجام دهید و فقط یک
30
00:01:38,859 –> 00:01:45,350
انجام CV به نقطه می تواند بسیار واضح باشد، بنابراین
31
00:01:45,350 –> 00:01:50,450
این تابعی است که ما می
32
00:01:50,450 –> 00:01:53,329
خواهیم استفاده کنیم. برای تشخیص لبه های ما، بنابراین
33
00:01:53,329 –> 00:01:54,859
اکنون بیایید شروع کنیم،
34
00:01:54,859 –> 00:01:57,740
من از این تصویر از ویدیوی قبلی خود استفاده می کنم
35
00:01:57,740 –> 00:02:00,350
و اولین موردی که می خواهم
36
00:02:00,350 –> 00:02:07,850
CV را وارد کنم و اکنون می خواهم
37
00:02:07,850 –> 00:02:11,630
تصویر خود را بخوانم، بنابراین تصویر CB دو نقطه M وزن دارد
38
00:02:11,630 –> 00:02:14,360
و شما نیاز دارید برای شما می توانید از هر تصویری که من دارم استفاده کنید
39
00:02:14,360 –> 00:02:15,739
، فقط من
40
00:02:15,739 –> 00:02:17,780
این تصویر در دسترس بود و من
41
00:02:17,780 –> 00:02:20,270
برای استفاده از آن، بنابراین هر چیزی که می خواهید می توانید
42
00:02:20,270 –> 00:02:26,690
از تصویر استفاده کنید و اکنون ما نیاز داریم،