💥Intensity Transformation
Intensity transformation functions (negative, log,
gamma),
intensity and bit-place slicing, contrast
stretching
Histograms: equalization, matching, local processing


🔶تبدیلات بر روی شدت روشنایی (تبدیلات مکانی)شامل موارد زیر میباشد:
1) تعدیل هیستوگرام یا
Histogram Equalization
2) تفریق (subtraction )

و ....
🔶 فیلترهای مکانی: فیلتر هایی که اندازه تغییرات تصویر را مانند بالاگذر (تغییرات زیاد) یا پایین گذر (تغییرات کم) و ... حذف میکنند.
🔸🔸 پایین گذر(مات و نرم کردن): تغییرات زیاد را حذف و تغییرات کم را رد میکند
خطی
1) فیلتر میانگین: مقدار پیکسل های همسایه جایگزین پیکسل مرکزی میشود.(کانولوشن).
2)گوسی .
غیرخطی:
1)میانه
و ...
🔸🔸 بالا گذر(تیز و لبه دار کردن)
تغییرا ت کم را حذف و تغییرات زیاد را رد میکند.
1) لاپلاسین
2) سوبل
3)و ....

2️⃣ در حوزه فرکانس، تصویر را با استفاده از تبدیل فوریه به حوزه فرکانس میبریم.
تبدیل فوریه دو بعدی، ابتدا روی تمام سطرها انجام میشود و دوبار ه روی تمام ستونهای خروجی مرحله قبلی انجام میشود.
با تبدیل فوریه هر سیگنالی را میشودبا بینهایت موج سینوسی و کسینوسی دقیقا شبیه سازی کرد .
در واقع یک ماتریسی هم اندازه با تصویر بدست می آوریم که نواحی نزدیک به مرکز ماتریس فر کانسهای پایین و نواحی دو ر از مرکز فرکانسهای بالا هستند . اگر فرکانسهای بالا یا دور از مرکز را 0 کنیم، تصویری خالی از نویز داریم . اگر فر کانس پایین را 0 کنیم در واقع تصویر لبه دار داریم .
🔺 اینجا ما دیگر اطلاعات مکانی نداریم، یعنی نمیتوانیم بگوییم کجا به کجای تصویر مربوط است. ولی یک سری اطلاعات ارزشمند بدست می آوریم.
حوزه فرکانس، تفاوت پیکسلهای کنار همدیگر را به صورت نموداری در نظر میگیرد و توسط یک سری موجهای سینوسی و کسینوسی شبیه سازی میکند.
و همین امر باعث میشود نویز های مانند پریودیک که در حوزه مکان قابل حذف نیستند حذف شوند. یعنی در حوزه فرکانس به صورت نقاطی سفید دیده میشوند که با 0 یا سیاه کردن آن نقاط، ازبین میروند.
💢نکته💢
🗝این دو حوزه قابل تبدیل به یکدیگر هستند.
🗝برخی فیلتر ها در هر دو حوزه قابل اعمال هستند.

💢Morphological Transformations
✅عملیات مورفولوژی
اهداف:
یادگیری عملیات مختلف مورفولوژی مانند: Erosion, Dilation, Opening , Closing و ...
کار با توابعی همچون :cv2.erode(), cv2.dilate(), cv2.morphologyEx() و ... .

🚀 وبینار بزرگ «توسعه همه جانبه یک متخصص علم داده (Data Scientist)»

💻 به مناسبت روز دانشجـــــو و برگزاری به صورت آنلاین
⌚️ 16 آذر 1400 | سه‌شنبه | 19:00 الی 21:00


❓چطور میتوانم دانشمند داده (دیتا ساینتیست) شوم؟
❓چه چیزهایی باید یاد بگیریم و چه چیزهایی یاد نگیریم؟
❓چشم انداز شغلی یا تحصیلی علوم داده چگونه است؟
❓چطور به صورت حرفه‌ای وارد بازار کار Data Science شویم؟

🔗 ثبت‌نام رایگان از طریق:
👉 http://ctdrs.ir/cr10212

‍ 💢عملگرهای مورفولوژی(ساختاری):
عملیات ساده بر رو ی تصاویر باینری که یک مرحله قبل از پردازش نهایی صورت میگیرد.

💠در واقع تصاویر باینری ممکن است شامل نقایص زیادی باشد.
به طور خاص، مناطق دوتایی تولید شده توسط آستانه ساده با نویز و بافت تحریف می شوند.

💥هدف: ارتقای تصویر با تغییر و تصحیح اجزای داخلی تصویر میباشد.
در پردازش تصوير، مورفولوژي ، هدف حذف اين نواقص را با توجه به فرم و ساختار تصوير دنبال مي کند.

💥این تکنیک ها را می توان به تصاویر خاکستری گسترش داد.
💠مورفولوژی دو ورودی میگیرد:
1) تصویر اصلی
2) هسته ، ماهیت عملیات را مشخص میکند.

‍ در پردازش تصویر، مورفولوژی، مجموعه ای از عملیات غیر خطی ، مربوط به شکل یا مورفولوژی ویژگی های
(قسمتهایی که مد نظر ما است)
یک تصویر است.
دو عملگر پایه مورفولوژی عبارتند از: فرسایش(کاهش،انقباض) وگسترش( افزایش).
سپس فرم های دیگر مثل باز کردن، بستن و ... بکار گرفته میشوند.
میخواهیم تمام این عملگر ها را بر روی تصویر زیر اعمال کنیم:

💥در بعضی ترجمه ها، مورفولوژی ، ریخت شناسی یا شکل شناسی ترجمه شده است.
💥یک جورایی موفولوژی مانند فیلتر های مکانی عمل میکند.

‍ 💥همسایگی پیکسل
همانطور که میدانیم، دو مدل برای همسایگی پیکسل تعریف میشود:

‍ 💢مثالی از Erosion
تغییر پیکسل پس زمینه به شی(پیش زمینه)، اگر پیکسل پس زمینه به عنوان
یک 4-neighbor باشد.

‍ 💢مثالی از Dilation
تغییر پیکسل پس زمینه به شی(پیش زمینه)، اگر پیکسل آبجکت به عنوان
یک 4-neighbor باشد.

‍ 🌟تشخیص گربه🌟

‍ 🌟تشخیص چهره🌟