در این مطلب، ویدئو 25 – خواندن تصاویر، تقسیم کانال ها، تغییر اندازه با استفاده از openCV در پایتون 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: 00:20:10
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,060 –> 00:00:02,790
سلام بچه ها شما در حال تماشای
2
00:00:02,790 –> 00:00:04,680
آموزش های پایتون در کانال من Python برای
3
00:00:04,680 –> 00:00:08,849
میکروسکوپیست ها در یوتیوب در آموزش امروز هستید
4
00:00:08,849 –> 00:00:11,790
بیایید در مورد CV باز صحبت کنیم
5
00:00:11,790 –> 00:00:13,620
این یک ویدیو مقدماتی برای رزومه باز است
6
00:00:13,620 –> 00:00:15,990
و همانطور که در یکی از ویدیوهای قبلی من ذکر کردم
7
00:00:15,990 –> 00:00:19,170
Open CV کتابخانه
8
00:00:19,170 –> 00:00:21,600
ای است که برای بینایی کامپیوتری
9
00:00:21,600 –> 00:00:24,269
نوع برنامهها، میتواند تصاویر باشد،
10
00:00:24,269 –> 00:00:26,670
میتواند ویدیو باشد و بهویژه
11
00:00:26,670 –> 00:00:31,019
ویدیوهای بیدرنگ که اکنون باز شده است CV برای
12
00:00:31,019 –> 00:00:33,300
بسیاری از انواع برنامهها استفاده میشود، به
13
00:00:33,300 –> 00:00:36,210
عنوان مثال تشخیص چهره تشخیص چهره
14
00:00:36,210 –> 00:00:39,059
، ردیابی حرکت،
15
00:00:39,059 –> 00:00:40,710
تشخیص کاراکترهای نوری و بسیاری
16
00:00:40,710 –> 00:00:43,559
دیگر که اکنون در حال استفاده هستند. هنوز برای
17
00:00:43,559 –> 00:00:46,079
برنامههای پردازش تصویر میکروسکوپی مفید است،
18
00:00:46,079 –> 00:00:49,200
زیرا فرض کنید تعداد زیادی
19
00:00:49,200 –> 00:00:51,149
سلول از هسته دارید که میخواهید به
20
00:00:51,149 –> 00:00:53,250
طور خودکار آنها را شناسایی کنید، اگر
21
00:00:53,250 –> 00:00:55,079
22
00:00:55,079 –> 00:00:58,079
23
00:00:58,079 –> 00:01:00,449
سری زمانی دارید که میدانید سلولها در کجا
24
00:01:00,449 –> 00:01:02,609
تکامل مییابند.
25
00:01:02,609 –> 00:01:05,760
به عنوان مثال، جایی که سلول ها در حال تقسیم هستند، این می تواند
26
00:01:05,760 –> 00:01:07,580
بسیار نزدیک به تجزیه و تحلیل ویدیوی زمان واقعی باشد،
27
00:01:07,580 –> 00:01:11,790
بنابراین در این آموزش من من قصد دارم
28
00:01:11,790 –> 00:01:15,600
در مورد پنج عملیات اولیه پیش پردازش
29
00:01:15,600 –> 00:01:19,020
در پردازش تصویر با استفاده از
30
00:01:19,020 –> 00:01:21,450
CV باز صحبت کنم، یکی تقسیم و
31
00:01:21,450 –> 00:01:22,740
ادغام کانالها اگر
32
00:01:22,740 –> 00:01:24,930
تصاویر چند کانالی مانند تصاویر قرمز سبز و
33
00:01:24,930 –> 00:01:30,180
آبی داشته باشیم که مقیاسبندی یا تغییر اندازه میدهند، اگر
34
00:01:30,180 –> 00:01:32,240
میخواهید آنها را مقیاسبندی این تصاویر
35
00:01:32,240 –> 00:01:35,369
نامیدیم. یا صاف کردن اگر می خواهید
36
00:01:35,369 –> 00:01:40,070
آن را فراخوانی کنید و تشخیص لبه و در نهایت
37
00:01:40,070 –> 00:01:42,630
بهبود تصاویر با استفاده از
38
00:01:42,630 –> 00:01:45,540
تساوی هیستوگرام همه اینها
39
00:01:45,540 –> 00:01:47,250
عملیات بسیار مفیدی هستند اگر می خواهید به
40
00:01:47,250 –> 00:01:50,430
عنوان مثال تقسیم بندی تصویر را انجام دهید خوب است،
41
00:01:50,430 –> 00:01:54,689
بنابراین اجازه دهید به IDE عنکبوتی خود
42
00:01:54,689 –> 00:01:57,680
که بخشی از توزیع آناکوندا است برویم و
43
00:01:57,680 –> 00:01:59,520
ابتدا از همه چیز من باید در واقع
44
00:01:59,520 –> 00:02:01,530
به OpenCV اشاره می کردم، فکر می کنم این
45
00:02:01,530 –> 00:02:03,000
اولین ویدیویی است که در مورد OpenCV صحبت می کنیم،
46
00:02:03,000 –> 00:02:07,079
اگر می خواهید OpenCV را نصب کنید،
47
00:02:07,079 –> 00:02:10,288
اگر قبلاً آن را ندارید، این جایی است
48
00:02:10,288 –> 00:02:12,360
که بزرگترین مشکل مربوط به OpenCV است، زمانی
49
00:02:12,360 –> 00:02:13,560
که آن را وارد کنید. هم بزنید
50
00:02:13,560 –> 00:02:16,959
، استفاده از آن بسیار آسان است OpenCV در آن وجود
51
00:02:16,959 –> 00:02:20,739
دارد که می دانید آن را در پایتون نیز ببینید، بنابراین برای
52
00:02:20,739 –> 00:02:24,459
Python در خط فرمان خود می توانید
53
00:02:24,459 –> 00:02:30,790
نصب pip را انجام دهید و OpenCV را نصب کنید.
54
00:02:30,790 –> 00:02:34,480
این یک CV باز کمی دشوار است – Python این
55
00:02:34,480 –> 00:02:37,060
در واقع حداقل کار می کند حداقل به این صورت است که من
56
00:02:37,060 –> 00:02:40,569
آن را در اینجا روی سیستم خود نصب کردم بنابراین
57
00:02:40,569 –> 00:02:44,590
OpenCV نصب pip است – python خوب برای وارد کردن
58
00:02:44,590 –> 00:02:45,970
آن، ما قصد داریم آن را با استفاده از
59
00:02:45,970 –> 00:02:51,819
import c v2 وارد کنیم.
60
00:02:51,819 –> 00:02:57,250
برای باز کردن یک تصویر، رزومه باز را در رزومه باز وارد کنید، فرض کنید
61
00:02:57,250 –> 00:03:03,730
می خواهیم یک رزومه باز کنیم – نقطه M
62
00:03:03,730 –> 00:03:06,040
خواندن دوباره این M خواندن تقریباً
63
00:03:06,040 –> 00:03:08,680
در اکثر بسته ها رایج است همانطور که
64
00:03:08,680 –> 00:03:11,919
احتمالاً می توانید تصور کنید و قالب
65
00:03:11,919 –> 00:03:14,620
تقریباً مشابه است. همان C v2 dot MB من می
66
00:03:14,620 –> 00:03:19,540
خواهم تصویری به نام RGB Y dot
67
00:03:19,540 –> 00:03:21,760
jpg وارد کنم، خوب
68
00:03:21,760 –> 00:03:25,090
پس این است که ما می بینیم
69
00:03:25,090 –> 00:03:29,560
که تصویر را در یک دقیقه می بینیم، بنابراین RG b y dot jpg
70
00:03:29,560 –> 00:03:34,120
و بیایید جلوتر برویم و اول چاپ i am
71
00:03:34,120 –> 00:03:37,060
g dot شکل باشه، من فقط میخواهم
72
00:03:37,060 –> 00:03:39,849
شکل را چاپ کنم و ببینیم چیست،
73
00:03:39,849 –> 00:03:44,109
یک تصویر 586 در 415 و سه کانال است، بنابراین
74
00:03:44,109 –> 00:03:47,650
میتوانید فوراً ببینید که این یک
75
00:03:47,650 –> 00:03:51,189
تصویر رنگی است، اکنون میتوانید تصاویر را
76
00:03:51,189 –> 00:03:53,739
به صورت خاکستری یا رنگی بخوانید. در واقع می گوییم
77
00:03:53,739 –> 00:03:59,349
0 درست در کنار آن حالا بیایید این
78
00:03:59,349 –> 00:04:04,509
586 را در 4:15 اجرا کنیم، بنابراین این به این معنی است که 0 اساساً
79
00:04:04,509 –> 00:04:07,750
به این معنی است که ما در حال خواندن هستیم g تصویر ما را به عنوان یک
80
00:04:07,750 –> 00:04:13,569
تصویر سطح خاکستری اگر من 1 قرار دهم باید 586
81
00:04:13,569 –> 00:04:16,180
415 باشد و سه این بدان معناست که ما
82
00:04:16,180 –> 00:04:18,339
آن را به عنوان یک تصویر رنگی می خوانیم، بیایید ببینیم چه
83
00:04:18,339 –> 00:04:22,240
اتفاقی می افتد اگر من دو را بگذارم و بگوید 586 در 4:15
84
00:04:22,240 –> 00:04:24,190
به اساسا چیزی نیست جز این
85
00:04:24,190 –> 00:04:26,800
تصویر بومی بدون ایجاد هیچ تغییری
86
00:04:26,800 –> 00:04:29,440
از جمله کانال آلفا من هرگز
87
00:04:29,440 –> 00:04:33,370
سعی نکردهام در آن انجام دهم، بنابراین نمیخواهم
88
00:04:33,370 –> 00:04:35,590
در این ویدیو آزمایش کنم، اما
89
00:04:35,590 –> 00:04:37,750
اگر میخواهید کانال آلفا را نیز
90
00:04:37,750 –> 00:04:41,110
وارد کنید، اشکالی ندارد، بنابراین اکنون
91
00:04:41,110 –> 00:04:45,930
رنگ خود را وارد میکنیم. تصویر پس بیایید در
92
00:04:45,930 –> 00:04:48,909
واقع به این تصویر نگاهی بیندازیم،
93
00:04:48,909 –> 00:04:51,780
بنابراین من این تصویر را باز میکنم و
94
00:04:51,780 –> 00:04:55,449
اجازه میدهم خوب باشم تا بتوانیم دقیقاً آنچه را
95
00:04:55,449 –> 00:05:00,159
که به دنبال آن میگردیم، خوب ببینیم، بنابراین آن
96
00:05:00,159 –> 00:05:02,319
تصویر در صفحه متفاوت من بارگذاری میشود،
97
00:05:02,319 –> 00:05:04,330
پس اجازه دهید بروم جلو و آن را بکشید
98
00:05:04,330 –> 00:05:06,280
تا چیزی جز آبی در بالا سمت چپ نباشد
99
00:05:06,280 –> 00:05:08,560
زرد اینجا در بالا سمت راست سبز و
100
00:05:08,560 –> 00:05:13,000
قرمز، بیایید اکنون به جلو برویم و
101
00:05:13,000 –> 00:05:16,590
نحوه استخراج یا نحوه نگاه کردن به مقادیر تک تک
102
00:05:16,590 –> 00:05:19,449
پیکسل ها را بررسی کنیم، خوب است، بنابراین
103
00:05:19,449 –> 00:05:21,310
دوباره به مقادیر تک پیکسل نگاه کنیم. این
104
00:05:21,310 –> 00:05:26,979
چیزی نیست جز یک آرایه بیحرکت، بنابراین
105
00:05:26,979 –> 00:05:29,740
تصویر wh en شما آن را به cb2 وارد می کنید
106
00:05:29,740 –> 00:05:32,139
چیزی نیست جز یک آرایه بی رنگ، بنابراین برای نگاه کردن به
107
00:05:32,139 –> 00:05:34,569
مقادیر پیکسل تنها کاری که باید انجام دهید این است که
108
00:05:34,569 –> 00:05:38,740
فرض کنیم بیایید به بالا سمت چپ نگاه کنیم، بنابراین تنها کاری که
109
00:05:38,740 –> 00:05:41,830
باید انجام دهید این است که فقط تایپ کنید Okay this is image من است
110
00:05:41,830 –> 00:05:43,659
و من فقط می خواهم به صفر کاما صفر نگاه کنید
111
00:05:43,659 –> 00:05:46,659
خوب پس این چیست این
112
00:05:46,659 –> 00:05:50,319
پیکسل بالای سمت چپ من است بنابراین پیکسل بالا سمت چپ
113
00:05:50,319 –> 00:05:53,710
38 3 و 0 خوب است
114
00:05:53,710 –> 00:05:56,560
بنابراین معمولاً وقتی به وقتی
115
00:05:56,560 –> 00:06:00,099
نگاه می کنید به این تصویر نگاه می کنید که این یک تصویر 8 بیتی است
116
00:06:00,099 –> 00:06:04,449
بنابراین مقادیر از 0 تا 255 اکنون
117
00:06:04,449 –> 00:06:08,849
می گوید این 38 و 0 است، بنابراین
118
00:06:08,849 –> 00:06:11,379
قرارداد معمول ما این است که این یک تصویر RGB است،
119
00:06:11,379 –> 00:06:14,080
تصویر رنگی راست قرمز سبز و
120
00:06:14,080 –> 00:06:17,770
آبی، بنابراین قرمز 38 سبز است 3 و آبی
121
00:06:17,770 –> 00:06:19,870
0 است، یعنی در بالا سمت چپ باید
122
00:06:19,870 –> 00:06:22,330
قرمز داشته باشید اما من آبی را در بالا سمت چپ
123
00:06:22,330 –> 00:06:27,009
در OpenCV دارم وقتی تصاویر رنگی را به
124
00:06:27,009 –> 00:06:29,889
طور پیش فرض می خوانید قرارداد RGB نیست،
125
00:06:29,889 –> 00:06:34,930
B G یا آبی سبز و قرمز است و لطفاً
126
00:06:34,930 –> 00:06:36,580
این را به خاطر بسپارید در غیر این صورت
127
00:06:36,580 –> 00:06:40,510
می توانید محاسبات خود را به هم بزنید.
128
00:06:40,510 –> 00:06:44,770
تصویر با استفاده از matplotlib لوله
129
00:06:44,770 –> 00:06:47,170
زیادی و سپس هنگامی که شما فقط چیزی را
130
00:06:47,170 –> 00:06:49,360
تبدیل نمی کنید باز می کنید
131
00:06:49,360 –> 00:06:51,070
تمام رنگها بسیار عجیب به نظر میرسند، بنابراین
132
00:06:51,070 –> 00:06:53,530
میتوانید آن تمرین را خودتان انجام دهید، فقط
133
00:06:53,530 –> 00:06:57,520
برای اینکه یک بار دیگر به شما نشان دهم، حالا
134
00:06:57,520 –> 00:07:01,630
به تصویر بالا سمت راست خود میرویم یا تصویر آن 586
135
00:07:01,630 –> 00:07:07,480
در 4:15 است، بنابراین اگر من فقط 0 و 400 را انجام دهم، باید این کار
136
00:07:07,480 –> 00:07:14,230
را انجام دهید. بالا سمت راست را به من بدهید و خوب
137
00:07:14,230 –> 00:07:16,990
بیایید هر چهار گوشه را انجام دهیم و
138
00:07:16,990 –> 00:07:21,600
دیگری 580 شود، این پایین خواهد بود
139
00:07:25,740 –> 00:07:31,290
و در نهایت بیایید پایین سمت راست را انجام دهیم
140
00:07:31,290 –> 00:07:33,790
و می توانید حدس بزنید که
141
00:07:33,790 –> 00:07:38,860
مختصات 580 در 400 چقدر خواهد بود، صد
142
00:07:38,860 –> 00:07:40,480
چیزی است اما این به اندازه کافی نزدیک
143
00:07:40,480 –> 00:07:45,970
باید تصویر را باز کنم و
144
00:07:45,970 –> 00:07:49,450
حالا شما به این تصویر بالا سمت چپ نگاه کنید 38 است من
145
00:07:49,450 –> 00:07:52,180
آبی هستم و اگر به سمت راست بالا نگاه کنید به
146
00:07:52,180 –> 00:07:54,790
نظر می رسد اصلا آبی نیست اما
147
00:07:54,790 –> 00:07:57,160
سبز به اضافه قرمز است که چیزی نیست. اما
148
00:07:57,160 –> 00:08:00,460
زرد پایین سمت چپ نه آبی است نه قرمز و
149
00:08:00,460 –> 00:08:03,370
سبز است b:g دوباره تمام نکته ای
150
00:08:03,370 –> 00:08:05,650
که من سعی می کنم در اینجا بیان کنم این است که
151
00:08:05,650 –> 00:08:08,020
تصاویر وقتی آن را در CV باز می خوانید
152
00:08:08,020 –> 00:08:12,070
BG است RGB خوب نیست، بنابراین امیدوارم که ما دریافت کرده باشیم.
153
00:08:12,070 –> 00:08:13,720
نکته و اتفاقاً اجازه دهید من جلوتر بروم و
154
00:08:13,720 –> 00:08:16,120
سمت چپ را زوم کنم تا بتوانید
155
00:08:16,120 –> 00:08:18,430
به راحتی بدون من این را ببینید بزرگنمایی و
156
00:08:18,430 –> 00:08:24,130
دیجیتالی، پس وقتی تصویر را داشتیم،
157
00:08:24,130 –> 00:08:26,080
اجازه دهید ادامه دهم و این را حذف کنم و حالا
158
00:08:26,080 –> 00:08:28,780
بیایید ببینیم چگونه تقسیم کنیم، یک تصویر RGB داریم
159
00:08:28,780 –> 00:08:30,790
حالا چگونه می توانیم کانال ها را به خوبی تقسیم کنیم
160
00:08:30,790 –> 00:08:33,520
زیرا این یک آرایه داور است که
161
00:08:33,520 –> 00:08:35,049
می دانیم چگونه این کار را درست انجام دهیم. منظورم این است که آبی
162
00:08:35,049 –> 00:08:37,870
معادل چیزی نیست جز تصویر من و سپس
163
00:08:37,870 –> 00:08:41,440
میخواهم از تمام پیکسلهایم از X همه
164
00:08:41,440 –> 00:08:45,370
پیکسلهایم از Y استفاده کنم، اما در Z خوب است در فضای رنگی
165
00:08:45,370 –> 00:08:47,980
فقط 0 میخواهم این چیزی نیست جز
166
00:08:47,980 –> 00:08:52,000
همه پیکسلهای آبی آبی من، بنابراین اگر
167
00:08:52,000 –> 00:08:54,279
واقعاً
168
00:08:54,279 –> 00:08:55,899
من در واقع به این فکر می کنم که آیا
169
00:08:55,899 –> 00:08:58,060
باید در مورد نحوه نمایش تصاویر
170
00:08:58,060 –> 00:09:01,390
با استفاده از cb2 صحبت کنم، بیایید ادامه دهیم و این کار را تا کنون انجام داده ایم تا
171
00:09:01,390 –> 00:09:03,850
کنون از
172
00:09:03,850 –> 00:09:08,830
ماژول matplotlib pie برای نگاهی به تصاویر
173
00:09:08,830 –> 00:09:10,899
برای مشاهده هیستوگرام ها و
174
00:09:10,899 –> 00:09:14,500
همه چیز استفاده کرده ایم. اجازه دهید به من معرفی کنم که به
175
00:09:14,500 –> 00:09:19,899
معنای دیدن v2 dot I M نشان می دهد که چگونه می
176
00:09:19,899 –> 00:09:22,089
توانید در واقع تصاویر را تجسم کنید.
177
00:09:22,089 –> 00:09:24,520
178
00:09:24,520 –> 00:09:28,540
179
00:09:28,540 –> 00:09:29,320
180
00:09:29,320 –> 00:09:32,860
181
00:09:32,860 –> 00:09:34,149
طرح پای است شما می توانید
182
00:09:34,149 –> 00:09:36,820
ترتیب شما می دانید همه چیز
183
00:09:36,820 –> 00:09:39,010
را به روشی خاص انجام دهید تا بتوانید خیلی
184
00:09:39,010 –> 00:09:42,220
حرفه ای به نظر می رسد، فرض کنید، اما با CV تا
185
00:09:42,220 –> 00:09:44,700
نقطه M نشان می دهد که از هر چیزی که
186
00:09:44,700 –> 00:09:48,910
نمایشگر عکس پیش فرض بومی شما در ویندوز است استفاده می کند، در
187
00:09:48,910 –> 00:09:50,470
واقع من نمی دانم در ویندوز
188
00:09:50,470 –> 00:09:52,540
10 چیست، می دانم که آنها ما نوعی
189
00:09:52,540 –> 00:09:55,180
نمای عکس یا روی هر پنجره داریم، بنابراین خواهیم
190
00:09:55,180 –> 00:09:58,240
دید، بنابراین از نمایشگر عکس بومی ویندوز استفاده میکند، بسیار
191
00:09:58,240 –> 00:10:00,490
خوب، اکنون یک چیزی که باید
192
00:10:00,490 –> 00:10:03,040
در هنگام مشاهده v2 dot M
193
00:10:03,040 –> 00:10:04,779
show که من در مورد آن صحبت میکنم مراقب باشید. در مورد در یک
194
00:10:04,779 –> 00:10:08,470
تصویر آبی دوم، بیایید بگوییم آبی ما
195
00:10:08,470 –> 00:10:10,120
این تصویر آبی نیست، این فقط پیکسل های آبی است،
196
00:10:10,120 –> 00:10:13,450
خوب است، بنابراین پیکسل های آبی ما
197
00:10:13,450 –> 00:10:16,150
چیزی جز آبی نیستند، اگر من ادامه دهم و
198
00:10:16,150 –> 00:10:20,170
این را اجرا کنم، قطع می شود، دلیل آن این است که
199
00:10:20,170 –> 00:10:23,620
هر زمان که CV دارید به M نشان دهید بروید.
200
00:10:23,620 –