1)💥#نوشتن_ذخیره_تصویر
2)#imwrite
2)💥#فشرده_سازی
3)💥#تصاویر_رستری
4)💥#تصاویر_برداری



🌐http://sufra.ir/2017/12/31/%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%aa%d9%85/

1)💥#تابع_تبدیلcvtColor
2)💥چرا_در OpenCV فضای رنگ BGR است؟
3)💥#CV_8U
🌐http://sufra.ir/2018/01/01/%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%b4%d8%aa%d9%85/

1)💥تفاوت تصاویر دیجیتال و آنالوگ
2)💥تصویر چیست؟

3)💥تصویر دیجیتال
4)💥پیکسل(pixel)
5)💥درموردCCD
6)💥در موردADC


🌐http://sufra.ir/2017/12/23/%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-%D9%88-%D8%A2%D9%86%D8%A7%D9%84%D9%88%DA%AF/

1)💥نمایش تصویرRGB با Matplotlib
2)💥یک تصویر را با OpenCV می خوانیم وبا matplotlibنمایش میدهیم.
3)💥فقط از opencv برای خواندن و نمایش تصویر استفادهمیکنیم.
4)💥فقط از matplotlib برای خواندن و نمایش تصویر استفاده میکنیم
5)💥اپن سی وی تصاویر RGB را به عنوان آرایه های چند بعدی Numpy معرفی می کند … اما به ترتیب معکوس! به این معنی که تصاویر در واقع در BGR به جای RGB نشان داده شده است!
در ادامه:👇🏻👇🏻👇🏻👇🏻👇🏻
🌐http://sufra.ir/2018/01/12/%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%87%d9%85/

💫عملیات اساسی و پایه بر روی تصاویر
1)💥دسترسی به مقادیر پیکسل و تغییر آنها
2)💥دسترسی به مشخصات تصویر
3)💥تنظیم قسمت مورد نظر در تصویر ((ROI)Region of Interes)


Image ROI

گاهی اوقات، باید با یک منطقه خاص از تصاویر بازی کنید..
برای تشخیص چشم در تصاویر، اول تشخیص چهره در سراسر تصویر انجام می شود و هنگامی که چهره به دست آمد، ما تنها یک منطقه چهره را انتخاب می کنیم و به دنبال آن چشم ها را در داخل آن را جستجو می کنیم.این دقت را بهبود (چون چشمان همیشه روی چهره ها هستند) و عملکرد (به دلیل اینکه ما برای یک منطقه کوچک جستجو می کنیم) را افزایش میدهد.

4)💥تقسیم و ادغام تصاویر
5)💥 ساخت مرز و حاشیه برای تصاویر
6) 💥 تبدیل هندسی تصاویر
7) 💥 نوشتن یک متن، رسم چند ضلعی، دایره ، مستطیل و یک خط
در ادامه:👇🏻👇🏻👇🏻👇🏻👇🏻
🌐http://sufra.ir/2018/01/13/%D8%B9%D9%85%D9%84%DB%8C%D8%A7%D8%AA-%D8%A7%D8%B3%D8%A7%D8%B3%DB%8C-%D9%88-%D9%BE%D8%A7%DB%8C%D9%87-%D8%A8%D8%B1-%D8%B1%D9%88%DB%8C-%D8%AA%D8%B5%D8%A7%D9%88%DB%8C%D8%B1/

💢2D Convolution ( Image Filtering )
✅فیلتر کردن تصاویر در حوزه فرکانس و مکان
💠برای روشن شدن این تفاوت در دو حوزه از عملگر کانولوشن استفاده میشود.

◀️ماسک یا هسته برای تار شدن، تیز کردن، منبت کردن، تشخیص لبه و غیره استفاده می شود. این کار با انجام یک کانولوشن بین یک هسته و یک تصویر انجام می شود.

◀️همانند سیگنالهای یک بعدی، تصاویر نیز می توانند با فیلترهای پایین گذر (LPF)، فیلترهای بالاگذر(HPF) و غیره فیلتر شوند. یک LPF در از بین بردن نویز و یا تار شدن تصویر کمک میکند. فیلتر HPF در پیدا کردن لبه ها در یک تصویرکمک می کند .OpenCV تابع، cv2.filter2D () را برای کونولوشن یک هسته با یک تصویر فراهم می کند.
◀️به عنوان مثال، یک فیلتر نرمال برای حذف نویز که پایین گذر هست ، هم در حوزه فرکانس و هم در حوزه مکان انجام میشود.
◀️کانولوشن در حوزه مکان همین نام را دارد ولی در حوزه فرکانس به ضرب تبدیل میشود.
تاری تصویر که توسط convolving تصویر با یک هسته فیلتر پایین گذر به دست می آید. برای حذف نویز مناسب است،
برای یافتن هسته مورد نظر و کاربرد آن به سایت زیر مراجعه کنید:
https://en.wikipedia.org/wiki/Kernel_(image_processing)
اپن سی وی عمدتا چهار نوع تکنیک های مات کردن را فراهم می کند:

1) Averaging
فیلتر نرمال یا میانگین توسط دو تابع cv2.blur() یا cv2.boxFilter() که بررسی میشود . 👇👇👇
import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('kh.jpg')

blur = cv2.blur(img,(5,5))

plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

Averaging

2. Gaussian Filtering

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('kh.jpg')
GaussianBlur = cv2.GaussianBlur(img,(5,5),0)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(GaussianBlur),plt.title('GaussianBlur')
plt.xticks([]), plt.yticks([])
plt.show()

3. Median Filtering
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('kh.jpg')
median = cv2.medianBlur(img,5)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(median),plt.title('median')
plt.xticks([]), plt.yticks([])
plt.show()

4. Bilateral Filtering
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('kh.jpg')
bilateralFilter = cv2.bilateralFilter(img,9,75,75)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(bilateralFilter),plt.title('bilateralFilter')
plt.xticks([]), plt.yticks([])
plt.show()

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('kh.jpg')
kernel_sharpening = np.array([[0,-1,0],
[-1, 5,-1],
[0,-1,0]])
sharpen = cv2.filter2D(img, -1, kernel_sharpening)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(sharpen),plt.title('Sharpen')
plt.xticks([]), plt.yticks([])
plt.show()

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('kh.jpg')
kernel_blur = np.array([[0.0625,0.125,0.0625],
[0.125, 0.25,0.125],
[0.0625,0.125,0.0625]])
blur = cv2.filter2D(img, -1, kernel_blur)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur ),plt.title('blur ')
plt.xticks([]), plt.yticks([])
plt.show()

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('kh.jpg')
bottom_sobel = np.array([[-1,-2,-1],
[0, 0,0],
[1,2,1]])
sobel = cv2.filter2D(img, -1, bottom_sobel)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(sobel ),plt.title('bottom sobel ')
plt.xticks([]), plt.yticks([])
plt.show()