معرفی 3 ماژول پایتون برای پردازش تصاویر – قسمت دهم 

موسسه پایا پروژه به عنوان متصدی انجام پروژه های پردازش تصویر با پایتون وظیفه ی خود می داند که در راستای آموزش نرم افزار پایتون گام های موثری را بردارد. با توجه به اینکه یک دوره آموزشی متلب مستلزم تمرین و تلاش بسیار است. اما این موسسه تلاش می کند سهم کوچکی در جهت یادگیری شما داشته باشد.

در این آموزش به معرفی توابع و ماژول هایی می پردازیم که می توانید با استفاده از آنها، پردازش تصاویر در پایتون را انجام دهید و همچنین فیلترگذاری های مختلفی را در انواع تصاویر با یکدیگر بررسی می کنیم.

۱ـ فیلتر گذاری میانه

در فیلتر میانه، میانه تمامی پیکسل‌های تصویر درون محدوده کرنل محاسبه می‌گردد. مقدار مرکزی سپس با مقدار محاسبه‌شده میانه، جایگزین می‌شود. مات کردن میانه در مکان‌هایی که دارای نویز هستیم؛ می‌تواند مورد استفاده قرار می‌گیرد.

برای اعمال مات کردن میانه، شما می‌توانید از متد medianBlur() از OpenCV استفاده کنید.

مثال زیر را در نظر بگیرید:

import cv2

import numpy as np

from matplotlib import pyplot as plt

matplotlib inline%

=img 

cv2.imread(“ImageProcessingSample.jpg”)

blur_image = cv2.medianBlur(img,5)

حال تصویر را نمایش می‌دهیم:

,plt.imshow(cv2.cvtColor(blur_image

((cv2.COLOR_BGR2RGB

() plt.show

نتیجه مانند زیر خواهد بود:

۲ـ تشخیص لبه‌ها

شما به‌منظور تشخیص لبه‌ها در تصویر از طریق پردازش تصویر و پایتون (Python) می‌توانید از متد Canny() از cv2 استفاده کنید که آشکارساز لبه Canny را پیاده‌سازی می‌کند. آشکارساز لبه Canny همچنین به‌عنوان آشکارساز بهینه نیز شناخته می‌شود.

سینتکس Canny() مانند زیر است:

cv2.Canny(image, minVal, maxVal)

در اینجا minVal و maxVal مقادیر کمینه و بیشینه، مقادیر شدت روشنایی خاکستری متناظر است.

کد زیر را در نظر بگیرید:

import cv2

from matplotlib import pyplot as plt

matplotlib inline %

=img 

cv2.imread(“ImageProcessingSample.jpg”)

edge_img = cv2.Canny(img,100,200)

,plt.imshow(cv2.cvtColor(edge_img

((cv2.COLOR_BGR2RGB

()Plt.show

خروجی همانند زیر خواهد بود:

۳ـ تبدیل تصویر به خاکستری (سیاه‌وسفید)

راحت‌ترین راه تبدیل عکس به خاکستری در پردازش تصویر با پایتون توسط OpenCV  استفاده از روش زیر است:

=img0

cv2.imread(“ImageProcessingSample.jpg”,0)

۳ـ۱ استفاده از ماژول BGR2Gray برای تبدیل تصویر به خاکستری

متد دیگر استفاده از BGR2Gray است.

برای تبدیل تصویر رنگی به تصویر خاکستری، از مشخصه BGR2GRAY از ماژول cv2 استفاده می‌کنیم. این امر در مثال زیر نشان داده‌شده است.

ماژول cv2 را وارد کنید.

import cv2

from matplotlib import pyplot as plt

matplotlib inline%

تصویر را بخوانید:

=img 

cv2.imread(“ImageProcessingSample.jpg”,1)

از متد cvtColor() از ماژول cv2 پایتون استفاده می‌کنیم که تصویر اصلی و مشخصه COLOR_BGR2GRAY را به‌عنوان آرگومان دریافت می‌کند. و نهایتاً تصویر نتیجه را در یک متغیر ذخیره می‌کنیم.

gray_img =cv2.cvtColor(img,

(cv2.COLOR_BGR2GRAY

تصویر اصلی و سیاه‌وسفید را نمایش می‌دهیم:

,plt.imshow(cv2.cvtColor(gray_img

((cv2.COLOR_BGR2RGB

()plt.show

خروجی مانند زیر خواهد بود:

۴ـ جمع بندی

در این آموزش به معرفی توابع مختلفی برای پردازش تصاویر و فیلترگذاری پرداختیم و یاد گرفتیم که با استفاده از ماژول های مختلف، می توانیم رنگ بندی تصاویر را نیز تغییر دهیم. در قسمت بعدی به معرفی کتابخونه هایی می پردازیم که با استفاده از اون ها، می تونیم یک ناحیه مشخصی از عکس رو برش بدیم و خروجی بگیریم