💢2D Convolution ( Image Filtering )
✅همانند سیگنالهای تک بعدی، تصاویر(سگنالهای دو بعدی) را هم میتوان با استفاده از فیلترهای پایین گذر(LPF)، بالا گذر (HPF)و ... فیلتر کرد.
⬅️ یک LPF در برطرف کردن نویز یا تارشدن تصویر کمک می کند.
⬅️ یک HPF در پیدا کردن لبه ها در یک تصویر کمک می کند.
⬅️ کتابخانه OpenCV با استفاده از تابع cv2.filter2D()، پیچش یک هسته با یک تصویر را فراهم میکند.
✅همانند سیگنالهای تک بعدی، تصاویر(سگنالهای دو بعدی) را هم میتوان با استفاده از فیلترهای پایین گذر(LPF)، بالا گذر (HPF)و ... فیلتر کرد.
⬅️ یک LPF در برطرف کردن نویز یا تارشدن تصویر کمک می کند.
⬅️ یک HPF در پیدا کردن لبه ها در یک تصویر کمک می کند.
⬅️ کتابخانه OpenCV با استفاده از تابع cv2.filter2D()، پیچش یک هسته با یک تصویر را فراهم میکند.
فروش پکیج اموزش پایتون با تخفیف ویژه پیغام دهید. کانال اموزش پایتون @Real_developer
python_developer
import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('face.png') kernel = np.ones((5,5),np.float32)/25 dst = cv2.filter2D(img,-1,kernel) plt.subplot(121),plt.imshow(img),plt.title('Original') plt.xticks([]), plt.yticks([])…
👆👆👆👆👆
فیلتر متوسط گیری یا حد وسط
فیلتر متوسط گیری یا حد وسط
python_developer
💢2D Convolution ( Image Filtering ) ✅همانند سیگنالهای تک بعدی، تصاویر(سگنالهای دو بعدی) را هم میتوان با استفاده از فیلترهای پایین گذر(LPF)، بالا گذر (HPF)و ... فیلتر کرد. ⬅️ یک LPF در برطرف کردن نویز یا تارشدن تصویر کمک می کند. ⬅️ یک HPF در پیدا کردن…
✅ خوب حالا میخواهیم ببینیم کار کانولوشن یا پیمایش در OpenCv چی هست و برای چی استفاده میشود .
🤔کونولوشن همراه است با ایجاد یک ماتریس به عنوان کرنل یا هسته یا ماسک یا فیلتر ، و پیمایش یا گام برداشتن بر روی تک تک عناصر تصویر ورودی . برای هر گام عناصر مربوطه در هر دو ماتریس را ضرب میکنیم سپس آنها را جمع کرده تا یک عنصر جدید بدست آوریم. این کار آنقدر میشود تا این ماتریس کوچک به عنوان ماسک ، تمام عناصر موجود در ماتریس ورودی یا تصویر را مرور کند. عناصرموجود درماتریس جدید حاصل کانولوشن است.
🤔کونولوشن همراه است با ایجاد یک ماتریس به عنوان کرنل یا هسته یا ماسک یا فیلتر ، و پیمایش یا گام برداشتن بر روی تک تک عناصر تصویر ورودی . برای هر گام عناصر مربوطه در هر دو ماتریس را ضرب میکنیم سپس آنها را جمع کرده تا یک عنصر جدید بدست آوریم. این کار آنقدر میشود تا این ماتریس کوچک به عنوان ماسک ، تمام عناصر موجود در ماتریس ورودی یا تصویر را مرور کند. عناصرموجود درماتریس جدید حاصل کانولوشن است.
input(img)*mask=output
input(img)*mask=output
http://machinelearninguru.com/computer_vision/basics/convolution/image_convolution_1.html
input(img)*mask=output
http://machinelearninguru.com/computer_vision/basics/convolution/image_convolution_1.html
🌐http://setosa.io/ev/image-kernels/
💢در این ادرس با وارد کردن عکس دلخواه انواع فیلتر ها را بر روی آن اعمال و مشاهد کنید.
💢در این ادرس با وارد کردن عکس دلخواه انواع فیلتر ها را بر روی آن اعمال و مشاهد کنید.
Explained Visually
Image Kernels explained visually
This media is not supported in your browser
VIEW IN TELEGRAM
💢قبل از کد نویسی این قسمت، فیلتر بالاگذر و پایین گذر را ه بررسی میکنیم :
👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻
👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻
برای ادامه بحث به گیف زیر خوب توجه کنید. ⚡️ کاربرد تبدیل فوریه که یک سیگنال را از حوزه زمان به حوزه فرکانس تبدیل میکند.⚡️
بعد از توضیح تبدیل سیگنال تک بعدی ، به تبدیل حوزه فرکانسی سیگنال دوبعدی (تصویر) از حوزه مکانی با استفاده از تبدیل فوریه میپرازیم. فیلتر بالاگذر و پایین گذر راه را هم در ادامه بررسی میکنی
بعد از توضیح تبدیل سیگنال تک بعدی ، به تبدیل حوزه فرکانسی سیگنال دوبعدی (تصویر) از حوزه مکانی با استفاده از تبدیل فوریه میپرازیم. فیلتر بالاگذر و پایین گذر راه را هم در ادامه بررسی میکنی