This media is not supported in your browser
VIEW IN TELEGRAM
http://sufra.ir/2018/03/06/%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-%D8%A8%DB%8C%D8%B3%D8%AA%D9%85/
💥Otsu’s Binarization (تقسیم بندی Otsu)
پردازش تصویر با پایتون قسمت بیستم
💥Otsu’s Binarization (تقسیم بندی Otsu)
پردازش تصویر با پایتون قسمت بیستم
python_developer
Photo
💥ادامه:
👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻
💢Structuring Elements(SE)
یک structuring element ، به سادگی یک تصویر باینری (ماسک) است که به ما امکان می دهد
ساختار همسایگی دلخواه را تعریف کنیم.
👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻
💢Structuring Elements(SE)
یک structuring element ، به سادگی یک تصویر باینری (ماسک) است که به ما امکان می دهد
ساختار همسایگی دلخواه را تعریف کنیم.
💢1. Erosion
ایده اصلی فرسایش درست همانند فرسایش خاک است که مرزهای شیء را از بین
می برد .
این کار با قرار گرفتن کرنل بر روی تصویر انجام میگیرد.(2D convolution).
هر پیکسل در تصویر اصلی( یا مقدار 1 دارد یا0)، اگر همه پیکسلهای زیر کرنل 1 بود ، مقدار 1 میگیرد در غیر این صورت فرسوده میشود(مقدار 0 میگیرد).
پس آنچه اتفاق می افتد، تمام پیکسل ها در نزدیکی مرز بسته به اندازه هسته، حذف
می شود.
بنابراین ضخامت یا اندازه شیء کاهش می یابد و یا به سادگی منطقه سفید در تصویر کاهش می یابد. این برای حذف نویز های کوچک سفید (همانطور که در بخش رنگی دیده می شود) ، جدا کردن دو اشیا متصل و غیره مفید است.
ایده اصلی فرسایش درست همانند فرسایش خاک است که مرزهای شیء را از بین
می برد .
این کار با قرار گرفتن کرنل بر روی تصویر انجام میگیرد.(2D convolution).
هر پیکسل در تصویر اصلی( یا مقدار 1 دارد یا0)، اگر همه پیکسلهای زیر کرنل 1 بود ، مقدار 1 میگیرد در غیر این صورت فرسوده میشود(مقدار 0 میگیرد).
پس آنچه اتفاق می افتد، تمام پیکسل ها در نزدیکی مرز بسته به اندازه هسته، حذف
می شود.
بنابراین ضخامت یا اندازه شیء کاهش می یابد و یا به سادگی منطقه سفید در تصویر کاهش می یابد. این برای حذف نویز های کوچک سفید (همانطور که در بخش رنگی دیده می شود) ، جدا کردن دو اشیا متصل و غیره مفید است.
import cv2
import numpy as np
from matplotlib import pyplot as plt
import cv2 as cv
import numpy as np
img = cv.imread('jj.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv.erode(img,kernel,iterations = 1)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(erosion),plt.title('Erosion')
plt.xticks([]), plt.yticks([])
plt.show()
import numpy as np
from matplotlib import pyplot as plt
import cv2 as cv
import numpy as np
img = cv.imread('jj.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv.erode(img,kernel,iterations = 1)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(erosion),plt.title('Erosion')
plt.xticks([]), plt.yticks([])
plt.show()