‍ 🌟تشخیص پلاک خودرو🌟

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

💥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 element (SE)

-مجموعه کوچک برای بررسی تصویر تحت مطالعه
- برای هر SE، باید origin تعریف کنید
-شکل و اندازه باید با خواص هندسی برای اشیا سازگار باشد

‍ 💢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.

‍ 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()

⭕️دوره جامع دیتاساینتیست
Data Scientist

با تدریس دکتر کاویانی و مهندس اخوان پور

⚠️جشنواره تخفیف های جهاد ⚠️

🧑‍🎓👩‍🎓از روز دانشجو تا شب یلدا 🍉

❌کلیک کن تخفیف بگیر ❌
http://link.jsharif.com/public/cppok

ارائه مدرک قابل ترجمه
➖➖➖➖➖➖➖➖➖
☎️مشاوره وثبت نام
66075626
📲تلگرام و واتساپ
09222477250
➖➖➖➖➖➖➖➖➖
جزئیات دوره آنلاین دانشمند داده ↙️

http://link.jsharif.com/public/1fugq
➖➖➖➖➖➖➖➖➖➖➖➖
🔷با کانال ما در تلگرام همراه باشید🔷

🌐www.SCTAE.net

http://sufra.ir/2018/03/07/%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%88-%DB%8C%DA%A9%D9%85/


پردازش تصویر با پایتون قسمت بیستم و یکم

‍ Graylevel erosion using a disk shaped structuring element. The graphs show a vertical cross-section through a graylevel image.

‍ ✅ تصویر باینری زیر را در نظر بگیرید:

با توجه به مقدار آستانه بیش از حد بالا، برخی از اشیاء که باید جدا شوند، متصل می شوند و ممکن است خطاهای پردازش بعدی (مثلا در شمارش تعداد اشیاء در تصویر) را به دنبال داشته باشد.

کاربرد

‍ 💢2.Dilation
دقیقا عکس فرسایش عمل میکند.
همانطور که گفته شد برای کاهش نویز های سفید، عمل فرسایش انجام میشود. در ادامه عمل انبساط را اعمال میکنیم تا نازکی شی برطرف شود.

‍ 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)
dilation = cv2.dilate(img,kernel,iterations = 1)

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