python_developer

مراحل پایه در پردازش تصویر: 1) پیش پردازش 2) بخش بندی 3) توصیف و نمایش 4)تشخیص و تفسیر

💥Adaptive Thresholding 💥آستانه گذاری تطبیقی http://sufra.ir/2018/01/29/%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D8%A8%D8%A7-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%D9%82%D8%B3%D9%85%D8%AA-%D9%86%D9%88%D8%B2%D8%AF%D9%87%D9%85/

http://sufra.ir/2018/01/29/%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D8%A8%D8%A7-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%D9%82%D8%B3%D9%85%D8%AA-%D9%87%D8%AC%D8%AF%D9%87%D9%85/ پردازش تصویر با پایتون قسمت ۱۸

http://sufra.ir/2018/01/29/%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D8%A8%D8%A7-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%D9%82%D8%B3%D9%85%D8%AA-%D9%87%D9%81%D8%AF%D9%87%D9%85/ پردازش تصویر با پایتون قسمت ۱۷

http://sufra.ir/2018/01/29/%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D8%A8%D8%A7-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%D9%82%D8%B3%D9%85%D8%AA-%D8%B4%D8%A7%D9%86%D8%B2%D8%AF%D9%87%D9%85/ پردازش تصویر با پایتون قسمت ۱۶

http://sufra.ir/2018/01/28/%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D8%A8%D8%A7-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%D9%82%D8%B3%D9%85%D8%AA-%DA%86%D9%87%D8%A7%D8%B1%D8%AF%D9%87%D9%85-2/ پردازش تصویر با پایتون قسمت ۱۵

💥آستانه گذاری ساده http://sufra.ir/2018/01/27/%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D8%A8%D8%A7-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%D9%82%D8%B3%D9%85%D8%AA-%DA%86%D9%87%D8%A7%D8%B1%D8%AF%D9%87%D9%85/

💥بخش بندی 💥آستانه گداری تصویر چیست؟ 💥Simple Thresholding http://sufra.ir/2018/01/26/%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D8%A8%D8%A7-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%D9%82%D8%B3%D9%85%D8%AA-%D8%B3%DB%8C%D8%B2%D8%AF%D9%87%D9%85/

💥تصویر Grayscale و تک کاناله http://sufra.ir/2018/01/24/%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D8%A8%D8%A7-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D8%AE%D8%A7%DA%A9%D8%B3%D8%AA%D8%B1%DB%8C/

http://sufra.ir/2018/01/22/%d8%aa%d8%ba%db%8c%db%8c%d8%b1-%d9%81%d8%b6%d8%a7%d9%87%d8%a7%db%8c-%d8%b1%d9%86%da%af/ تغییر فضاهای رنگ- opencv ۳ شیء آبی و سبز و قرمز را از تصویر استخراج می کنیم،

بدیهی است زمانی که D0 = 10، لبه سیب روشن و واضحتر است

import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('sib.jpg',0) f = np.fft.fft2(img) fshift = np.fft.fftshift(f) s1 = np.log(np.abs(fshift)) def highPassFilter(image,d): f = np.fft.fft2(image) fshift = np.fft.fftshift(f) def make_transform_matrix(d): transfor_matrix = np.zeros(image.shape) center_point = tuple(map(lambda x:(x-1)/2,s1.shape)) for i in range(transfor_matrix.shape[0]): for j in range(transfor_matrix.shape[1]): def cal_distance(pa,pb): from math import sqrt dis = sqrt((pa[0]-pb[0])**2+(pa[1]-pb[1])**2) return dis dis = cal_distance(center_point,(i,j)) if dis <= d: transfor_matrix[i,j]=0 else: transfor_matrix[i,j]=1 return transfor_matrix d_matrix = make_transform_matrix(d) new_img = np.abs(np.fft.ifft2(np.fft.ifftshift(fshift*d_matrix))) return new_img img_d1 = highPassFilter(img,10) img_d2 = highPassFilter(img,30) img_d3 = highPassFilter(img,50) plt.subplot(131) plt.axis("off") plt.imshow(img_d1,cmap="gray") plt.title('D_1 10') plt.subplot(132) plt.axis("off") plt.title('D_2 30') plt.imshow(img_d2,cmap="gray") plt.subplot(133) plt.axis("off") plt.title("D_3 50") plt.imshow(img_d3,cmap="gray") plt.show()

فیلتر بالا گذر حوزه فرکانس

فیلتر بالا گذر فیلتر بالا گذر بسیار شبیه فیلتر پایین گذر است، به جز اینکه امواج عبور از آن دقیقا مخالف هستند::