در این مطلب، ویدئو تشخیص گوشه پایتون OpenCV با CornerHarris 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: 00:06:34
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:05,320 –> 00:00:08,480
سلام یوتیوبرها من پاریسی هستم این
2
00:00:08,480 –> 00:00:12,500
بیست و سومین ویدیوی ما در دید باز کامپیوتری است، بنابراین در
3
00:00:12,500 –> 00:00:13,910
ویدیوی قبلی ما
4
00:00:13,910 –> 00:00:15,860
یک مثال ساده از استخراج پیش زمینه
5
00:00:15,860 –> 00:00:19,160
با استفاده از الگوریتم crabcat ایجاد کرده ایم، بنابراین
6
00:00:19,160 –> 00:00:21,500
این از ویدیوی قبلی است که در
7
00:00:21,500 –> 00:00:23,030
این ویدیو قرار است نشان دهم. شما که
8
00:00:23,030 –> 00:00:24,980
چگونه می توانید تشخیص Cardinal را با استفاده از
9
00:00:24,980 –> 00:00:29,330
الگوریتم گوشه هریس انجام دهید، بنابراین به آن تشخیص ویژگی نیز می گویند،
10
00:00:29,330 –> 00:00:31,550
اکنون در
11
00:00:31,550 –> 00:00:34,370
تشخیص آینده می توانیم گوشه ها
12
00:00:34,370 –> 00:00:38,859
یا نمودارهایی مانند این را شناسایی کنیم، بنابراین ابتدا اجازه دهید
13
00:00:38,859 –> 00:00:44,329
CV را وارد کنم – همچنین باید numpy را
14
00:00:44,329 –> 00:00:50,989
به عنوان MP وارد کنم همچنین شما باید یک تصویر بالا
15
00:00:50,989 –> 00:00:53,480
داشته باشید من قبلاً یک تصویر را کپی کرده ام بنابراین یک
16
00:00:53,480 –> 00:01:00,260
نقطه PNG تخته پنیر است و اکنون اجازه دهید
17
00:01:00,260 –> 00:01:04,519
ابتدا تصویر خود را بارگذاری کنیم cv 2 نقطه
18
00:01:04,519 –> 00:01:08,180
M خوانده شده و نام تصویر ما board dot
19
00:01:08,180 –> 00:01:13,310
PNG است و در تابلو می توانید ببینید که
20
00:01:13,310 –> 00:01:16,700
اینها آیا گوشهها
21
00:01:16,700 –> 00:01:19,159
اینگونه هستند و اینها گوشهها هستند، به عنوان مثال برای
22
00:01:19,159 –> 00:01:25,039
این، اینها گوشهها هستند و بنابراین
23
00:01:25,039 –> 00:01:28,340
PNG نقطه صفحه و اکنون باید آن را
24
00:01:28,340 –> 00:01:32,570
به رنگ خاکستری CV به
25
00:01:32,570 –> 00:01:41,409
رنگ CVT تبدیل کنیم و برای
26
00:01:41,950 –> 00:01:54,729
تبدیل I خود باید آن را تبدیل کنیم. تصویر MG به رنگ CB 2 نقطه
27
00:01:54,729 –> 00:02:01,369
BG دو رنگ خاکستری ما پس از تست اکنون
28
00:02:01,369 –> 00:02:04,310
باید این را به float 32 so gray
29
00:02:04,310 –> 00:02:10,479
و Pete ما float 32 تصویر خاکستری ما را تبدیل کنیم بسیار
30
00:02:10,479 –> 00:02:15,019
خوب حالا ما می خواهیم الگوریتم های گوشه hurries خود را ایجاد کنیم
31
00:02:15,019 –> 00:02:17,130
32
00:02:17,130 –> 00:02:22,500
بنابراین cv2 پزشکی قانونی عجله می کند
33
00:02:22,500 –> 00:02:29,550
و ما می خواهیم خاکستری خود را بنویسیم
34
00:02:29,550 –> 00:02:31,550
بنابراین پارامترها را می طلبیم،
35
00:02:31,550 –> 00:02:36,420
اولی گوشه آن است، اولی تصویر ما است
36
00:02:36,420 –> 00:02:38,600
، ما می خواهیم موتور خاکستری خود را اینجا اضافه کنیم
37
00:02:38,600 –> 00:02:43,170
، دومی اندازه بلوک است و
38
00:02:43,170 –> 00:02:46,320
می توانیم بگوییم که این اندازه است
39
00:02:46,320 –> 00:02:48,150
پنجره ای که برای جهت اصلی در نظر گرفته شده
40
00:02:48,150 –> 00:02:50,100
است و ما می خواهیم برای این دو عدد ارائه
41
00:02:50,100 –> 00:02:55,230
دهیم، سومین پارامتر این
42
00:02:55,230 –> 00:02:58,620
است که پارامتر سوم اندازه K است،
43
00:02:58,620 –> 00:03:01,500
بنابراین پارامتری برای مشتق از
44
00:03:01,50