python_developer

‍ import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('normal_avazak_ir-sport47.jpg',0) img2 = img.copy() template = cv2.imread('messi_face.jpg',0) w,h = template.shape[::-1] # All the 6 methods for comparison in a list methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR','cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED'] for meth in methods: img = img2.copy() method = eval(meth) # Apply template Matching res = cv2.matchTemplate(img,template,method) min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) # If the method is TM_SQDIFF or TM_SQDIFF_NORMED, take minimum if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]: top_left = min_loc else: top_left = max_loc bottom_right = (top_left[0] + w, top_left[1] + h) cv2.rectangle(img,top_left, bottom_right, 255, 2) plt.subplot(121),plt.imshow(res,cmap = 'gray') plt.title('Matching Result'), plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(img,cmap = 'gray') plt.title('Detected Point'), plt.xticks([]), plt.yticks([]) plt.suptitle(meth) plt.show()

تصویر الگو

تصویر بزرگتر

💢Template Matching💢 تطبیق الگو: پیدا کردن اشیا در تصویر با استفاده از توابع cv2.matchTemplate(), cv2.minMaxLoc() 〰〰〰〰〰〰 ✅تطبیق الگو، یک روش برای جستجوی و پیدا کردن محل تصویر یک الگو ، در تصویر بزرگتر است. که opencv با استفاده از تابع cv2.matchTemplate() این کار را انجام میدهد. 💢💢

‍ import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('messi5.jpg',0) edges = cv2.Canny(img,100,200) plt.subplot(121),plt.imshow(img,cmap = 'gray') plt.title('Original Image'), plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(edges,cmap = 'gray') plt.title('Edge Image'), plt.xticks([]), plt.yticks([]) plt.show() 💢💢💢💢💢💢

✅در این تصویر A,C لبه محسوب میشوند. 💢💢💢

‍ 5. Hysteresis Thresholding این مرحله تصمیم می گیرد که کدام لبه ها واقعا لبه ها هستند و کدام نیستند. برای این منظور، ما نیاز به دو مقدار آستانه، minVal و maxVal داریم. ✅هر لبه با گرادیان شدت بیش از maxVal مطمئنا لبه میباشد. وآنهاییکه زیر minVal هستند ، مطمئنا غیر لبه هستند، بنابراین دور انداخته میشوند. آنهاییکه بین این دو آستانه می افتند، بر اساس اتصال آنها به لبه ها یا غیر لبه ها طبقه بندی می شوند. اگر آنها به پیکسل های "sure-edge" متصل شوند، آنها به عنوان بخشی از لبه ها در نظر گرفته می شوند. در غیر این صورت، آنها نیز دور انداخته می شوند. تصویر زیر را ببینید: 💢💢💢💢💢💢

4.Non-maximum Suppression پس از اندازه گیری و جهت شیب، یک اسکن کامل از تصویر برای حذف هر پیکسل ناخواسته که ممکن است لبه را تشکیل ندهد انجام می شود.

💢Canny Edge Detection💢

💢Canny Edge Detection💢 1) مفهموم تشخیص لبه ی Canny 2) اپن سی وی ، تابع cv2.Canny() را به کار میگیرد. 〰〰〰〰〰〰〰〰〰〰 تشخیص لبه Canny، جزء محبوترین الگوریتم های تشخیص لبه است. ✅ این الگوریتم در چند مرحله انجام میشود. 1) کاهش نویز از آنجایی که تشخیص لبه حساس به نویز، در تصویر است، اولین گام این است که نویز را در تصویر با یک فیلتر گاوسی 5x5 حذف کنیم. قبلا این موضوع را، بررسی کردیم. 2) پیدا کردن شدت گرادیانت تصویر بعد از صاف شدن تصویر، توسط فیلتر سوبل ،در هر دو جهت افقی و عمودی مشتق گرفته و فیلتر میشود. از این دو تصویر، ما می توانیم گرادیانت(شیب) لبه و جهت هر پیکسل را به صورت زیر پیدا کنیم:

💢Canny Edge Detection💢 الگوریتم لبه یاب Canny 💢💢💢💢

import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('CLK.PNG',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() 💢💢💢