💢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🌟

‍ 🌟تشخیص بارکد🌟