python_developer

تصویر رنگی

تصویر دیگر

import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('blackandwhite.jpg',0) laplacian64 = cv2.Laplacian(img, cv2.CV_64F) sobelx64 = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5) sobely64 = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5) laplacian = np.uint8(np.absolute(laplacian64)) sobelx = np.uint8(np.absolute(sobelx64)) sobely = np.uint8(np.absolute(sobely64)) plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray') plt.title('Original'), plt.xticks([]), plt.yticks([]) plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray') plt.title('Laplacian'), plt.xticks([]), plt.yticks([]) plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray') plt.title('Sobel X'), plt.xticks([]), plt.yticks([]) plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray') plt.title('Sobel Y'), plt.xticks([]), plt.yticks([]) plt.show() 💢

✅در واقع، هنگام تبدیل داده ها، مشکلی پیش آمده است. شیب ها در مقیاس خاکستری با مقادیر cv2.CV_64F، هنگام تغییر از سیاه به سفید با ارزش های مثبت (شیب مثبت) بیان شده است. در حالی که آنها با مقادیر منفی (شیب منفی) هنگام تغییر از سفید به سیاه نشان داده می شوند. در تبدیل از cv2.CV_64F به cv2.CV_8U، تمام دامنه های منفی به 0 کاهش می یابد، و سپس اطلاعات مربوط به آن لبه ها از بین می روند. هنگامی که برنامه تصویر را نشان می دهد، لبه های سفید تا سیاه نمایش داده نخواهد شد. ✅ برای رفع این مشکل، باید داده ها را در خروجی فیلتر در cv2.CV_64F (به جای cv2.CV_8U) نگه دارید،سپس مقدار قطعی را محاسبه کنید و در نهایت تبدیل به cv2.CV_8U را انجام دهید. 💢💢💢💢💢

import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('dave.jpg',0) laplacian = cv2.Laplacian(img,cv2.CV_64F) sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5) sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5) plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray') plt.title('Original'), plt.xticks([]), plt.yticks([]) plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray') plt.title('Laplacian'), plt.xticks([]), plt.yticks([]) plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray') plt.title('Sobel X'), plt.xticks([]), plt.yticks([]) plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray') plt.title('Sobel Y'), plt.xticks([]), plt.yticks([]) plt.show() 💢💢💢💢💢💢💢💢

‍ اگر ksize = 1 باشد، برای فیلتر کردن، کرنل مورد استفاده قرار می گیرد: 💢💢💢💢

‍ 💢2. Laplacian Derivatives💢 فیلتر لاپلاسین، از رابطه زیر استفاده میکند: جایی که هر مشتق، با استفاده از مشتقات سوبل پیدا می شود. 💢💢💢💢💢💢

import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('blackandwhite.jpg',0) sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5) sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5) plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray') plt.title('Original'), plt.xticks([]), plt.yticks([]) plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray') plt.title('Sobel X'), plt.xticks([]), plt.yticks([]) plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray') plt.title('Sobel Y'), plt.xticks([]), plt.yticks([]) plt.show() 💢💢

✅cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) → dst اگر ksize را -1 قرار دهیم، به آن فیلتر #شار 3x3 گویند که از فیلتر #سوبل 3x3 نتیجه بهتری دارد. 💢💢💢💢💢

‍ تغییرات عمودی: تصویر I، توسط convolving با هسته Gy و سایز فرد، محاسبه میشود. 💢💢💢💢💢

‍ ✅اگر I تصویر ما باشد، دو مشتق را محاسبه می کنیم: تغییرات افقی: تصویر I، توسط convolving با هسته Gx و سایز فرد، محاسبه میشود. 💢💢💢💢

💢1. Sobel and Scharr Derivatives💢 میدانیم تصویر یک سیگنال دو بعدی است. در راستای x,y. اگر بخواهیم لبه را در راستای x یا y بدست آوریم، از این فیلتر استفاده میکنیم. 💢💢💢💢💢