⌨️ Hide secret message in Image using Python




#Code

🆔 @Python4all_pro

دوره جامع تخصصی فرانت اند اینجاست 💪

از صفر تا متخصص یو آی یو ایکس و فرانت اند با شماییم


✴️ برای یک طراح سایت خوب در تمام دنیا جا هست.

◀️ اگر می‌خوای این مهارت رو به صورت حرفه‌ای یاد بگیری این دوره مناسبته

‼️ اولین اولترا دوره طراحی و توسعه وبسایت با پشتیبانی اختصاصی رو از دست ندید

♨️ این دوره پیش نیاز ندارد
👇👇👇👇
https://zaya.io/z4nra

📌 ثبت نام دوره

نمونه کار اولیه طراحی رابط کاربری دانشجوهای دوره فرانت اند در کمتر از سه روز 🌺❤️

طراحی اپ موزیک

شما هم می تونید طراح سایت بشید

لینک ثبت نام دوره جامع فرانت اند
👇👇👇👇👇

https://zaya.io/z4nra

#Python 3 : 400 exercises and solutions for beginners

#pdf

🆔 @Python4all_pro

Python List Methods https://morioh.com/a/bb810d8dd98c/python-list-methods-a-comprehensive-guide


#Python

🆔 @Python4all_pro

30 Python Projects for Beginners to Get Started Coding (with Source Code)

https://morioh.com/a/778c1bdf55fa/30-python-projects-for-beginners-to-get-started-coding

#python #programming #pythonprogramming


#پروژه
🆔 @Python4all_pro

تجزیه و تحلیل داده ها با پایتون

فایلهای تمرین



#علم_داده #کتابخانه
#NumPy #pandas #python

✔️ کانال آموزش پایتون برای همه

🆔 @Python4all_pro

تجزیه و تحلیل داده ها با پایتون


با این آموزش یاد بگیرید که چگونه از پایتون، #NumPy و #pandas برای تجزیه و تحلیل مجموعه داده های بزرگ و کوچک استفاده کنید




#علم_داده #کتابخانه

✔️ کانال آموزش پایتون برای همه

🆔 @Python4all_pro

Learn #Python with Examples



این کتاب و دوتا کتابی که لینکش رو در ادامه میفرستم مخصوص افرادیه که حوصله دیدن فیلم آموزشی و خوندن کتابهای پیچیده ی پایتون رو ندارند

📘https://t.me/Python4all_pro/131

📘https://t.me/Python4all_pro/115

#pdf

🆔 @Python4all_pro

آموزش سانسور کردن و بازگرداندن سانسور یک قسمت از عکس با پایتون

سانسور کردن (محو کردن) و بازگرداندن سانسور یک قسمت از عکس، یکی از تکنیک‌های کاربردی در پردازش تصویر است که می‌تواند در بسیاری از پروژه‌ها مفید باشد. در این آموزش، با استفاده از کتابخانه‌ی محبوب OpenCV یاد می‌گیریم که چگونه این کار را انجام دهیم.

نصب کتابخانه‌های مورد نیاز

ابتدا باید کتابخانه‌ی OpenCV را نصب کنید. اگر هنوز نصب نکرده‌اید، با اجرای دستور زیر در محیط ترمینال یا CMD می‌توانید این کار را انجام دهید:

pip install opencv-python

کد نمونه برای سانسور کردن یک قسمت از عکس

در این مثال، یک قسمت از عکس را محو (blur) می‌کنیم:

import cv2

# بارگذاری تصویر
image = cv2.imread('input_image.jpg')

# تعیین ناحیه‌ای که می‌خواهیم سانسور کنیم (x, y, عرض، ارتفاع)
x, y, w, h = 100, 100, 200, 200
roi = image[y:y+h, x:x+w]

# محو کردن ناحیه
blurred_roi = cv2.GaussianBlur(roi, (23, 23), 30)

# جایگزین کردن ناحیه محو شده در تصویر اصلی
image[y:y+h, x:x+w] = blurred_roi

# ذخیره تصویر خروجی
cv2.imwrite('censored_image.jpg', image)

# نمایش تصویر
cv2.imshow('Censored Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

🔍 توضیحات:
- بارگذاری تصویر: تصویر مورد نظر را با cv2.imread بارگذاری می‌کنیم.
- تعیین ناحیه: ناحیه‌ای که می‌خواهیم سانسور کنیم را با مختصات (x, y) و اندازه (عرض، ارتفاع) مشخص می‌کنیم.
- محو کردن ناحیه: از فیلتر Gaussian Blur برای محو کردن ناحیه استفاده می‌کنیم.
- ذخیره و نمایش تصویر: تصویر محو شده را ذخیره و نمایش می‌دهیم.

کد نمونه برای بازگرداندن ناحیه اصلی

در این مثال، ناحیه سانسور شده را با ناحیه اصلی جایگزین می‌کنیم:

import cv2
import numpy as np

# بارگذاری تصویر اصلی و تصویر سانسور شده
original_image = cv2.imread('input_image.jpg')
censored_image = cv2.imread('censored_image.jpg')

# تعیین ناحیه‌ای که سانسور شده (x, y, عرض، ارتفاع)
x, y, w, h = 100, 100, 200, 200

# بازگرداندن ناحیه اصلی
censored_image[y:y+h, x:x+w] = original_image[y:y+h, x:x+w]

# ذخیره تصویر خروجی
cv2.imwrite('restored_image.jpg', censored_image)

# نمایش تصویر
cv2.imshow('Restored Image', censored_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

🔍 توضیحات:
- بارگذاری تصاویر: تصویر اصلی و تصویر سانسور شده را بارگذاری می‌کنیم.
- بازگرداندن ناحیه اصلی: ناحیه محو شده را با ناحیه اصلی از تصویر اصلی جایگزین می‌کنیم.
- ذخیره و نمایش تصویر: تصویر بازگردانده شده را ذخیره و نمایش می‌دهیم.



#Python #OpenCV

#کتابخانه

✔️ کانال آموزش پایتون برای همه

🆔 @Python4all_pro

Search anything using Python



#Code

🆔 @Python4all_pro

gTTS (Google Text-to-Speech) - Python library and command line tool (CLI) for interacting with the Google Translate text-to-speech API.

You can use it to write spoken text to an MP3 file, an object-like file (bytestring) for further audio processing, or directly to standard output.

Peculiarities:
- A customizable tokenizer that allows you to voice text of any length while maintaining correct intonation, abbreviations, decimals and much more.
- Ability to configure text pre-processing to correct pronunciation

Installation:

pip install gTTS

Example usage on the command line:

gtts-cli 'hello' --output hello.mp3

Or in a Python module:

from gtts import gTTS
tts = gTTS('hello')
tts.save('hello.mp3')

🖥 GitHub
🟡 Docks



#library
#python

🆔 @Python4all_pro

استفاده از پردازش چند هسته‌ای CPU در پایتون

پایتون به کمک کتابخانه‌های مختلفی امکان بهره‌برداری از پردازنده‌های چند هسته‌ای را فراهم می‌کند. این قابلیت به خصوص برای اجرای همزمان وظایف در برنامه‌های بزرگ و پیچیده بسیار مفید است. در این آموزش، از کوچک‌ترین برنامه‌ها تا بزرگ‌ترین و پیچیده‌ترین برنامه‌ها، روش‌هایی برای استفاده از پردازش چند هسته‌ای را معرفی می‌کنیم.

مثال ساده: پردازش همزمان وظایف ساده

برای شروع، یک برنامه ساده با استفاده از کتابخانه‌ی multiprocessing ایجاد می‌کنیم که چندین وظیفه را همزمان اجرا کند.

کد:

import multiprocessing
import time

def worker(num):
    """یک وظیفه ساده که عدد ورودی را چاپ می‌کند و برای ۲ ثانیه متوقف می‌شود."""
    print(f'Worker: {num}')
    time.sleep(2)

if __name__ == '__main__':
    processes = []
    for i in range(5):
        p = multiprocessing.Process(target=worker, args=(i,))
        processes.append(p)
        p.start()

    for p in processes:
        p.join()

توضیحات:
1. ایمپورت کتابخانه‌ی multiprocessing و time:
این کتابخانه‌ها برای ایجاد و مدیریت فرآیندها و توقف زمان استفاده می‌شوند.

2. تعریف تابع worker:
این تابع یک عدد را به عنوان ورودی می‌گیرد و آن را چاپ می‌کند، سپس برای ۲ ثانیه متوقف می‌شایجاد و شروع فرآیندهاآیندها:
با استفاده از multiprocessing.Process، پنج فرآیند ایجاد می‌کنیم و آنها را با استفاده از start() آغاز می‌کنمنتظر ماندن برای اتمام فرآیندهاآیندها**:
با استفاده از join()، مطمئن می‌شویم که تمامی فرآیندها قبل از پایان یافتن برنامه اصلی به اتمام رسیده‌اند.

مثال پیشرفته: استفاده از Pool برای مدیریت وظایف

برای مدیریت بهتر تعداد زیادی از وظایف، می‌توان از کلاس Pool استفاده کرد. این روش به شما امکان می‌دهد که تعداد ثابتی از فرآیندها را ایجاد کرده و وظایف را بیکد:ید.

کد:

import multiprocessing
import time

def worker(num):
    """یک وظیفه ساده که عدد ورودی را چاپ می‌کند و برای ۲ ثانیه متوقف می‌شود."""
    print(f'Worker: {num}')
    time.sleep(2)

if __name__ == '__main__':
    with multiprocessing.Pool(processes=4) as pool:
        pool.map(worker, range(10))

توضیحات:
1. ایمپورت کتابخانه‌ی multiprocessing و time:
این کتابخانه‌ها برای ایجاد و مدیریت فرآیندها و توقف زمان اتعریف تابع worker*تعریف تابع worker**:
این تابع یک عدد را به عنوان ورودی می‌گیرد و آن را چاپ می‌کند، سپس برااستفاده از Pool **استفاده از Pool**:
با استفاده از multiprocessing.Pool، یک استخر از ۴ فرآیند ایجاد می‌کنیم و از متد map برای اجرای تابع worker برای هر عدد از ۰ تا ۹ استفاده می‌کنیم.

مثال پیشرفته‌تر: استفاده از concurrent.futures برای مدیریت وظایف

کتابخانه‌ی concurrent.futures یکی دیگر از ابزارهای پایتون برای مدیریت پردازش‌های همزمان است. این کتابخانه برای ساده‌تر کردن استفاده کد: طراحی شده است.

کد:

from concurrent.futures import ProcessPoolExecutor
import time

def worker(num):
    """یک وظیفه ساده که عدد ورودی را چاپ می‌کند و برای ۲ ثانیه متوقف می‌شود."""
    print(f'Worker: {num}')
    time.sleep(2)

if __name__ == '__main__':
    with ProcessPoolExecutor(max_workers=4) as executor:
        executor.map(worker, range(10))

توضیحات:
1. ایمپورت کتابخانه‌ی concurrent.futures و time:
این کتابخانه‌ها برای ایجاد و مدیریت فرتعریف تابع worker‌شوند.

2. تعریف تابع worker:
این تابع یک عدد را به عنوان ورودی می‌گیرد و آن را چاپ می‌کند، سپساستفاده از ProcessPoolExecutorاستفاده از ProcessPoolExecutor**:
با استفاده از ProcessPoolExecutor، یک استخر از ۴ فرآیند ایجاد می‌کنیم و از متد map برای اجرای تابع worker برای هر عدد از ۰ تا ۹ استفاده می‌کنیم.

استفاده از پردازش چند هسته‌ای در پایتون می‌تواند به بهبود کارایی برنامه‌ها کمک کند. با استفاده از کتابخانه‌هایی مانند multiprocessing و concurrent.futures، می‌توان وظایف مختلف را به طور همزمان اجرا کرد و از توان پردازشی سیستم به بهترین نحو استفاده کرد.

✔️ کانال آموزش پایتون برای همه

🆔 @Python4all_pro