💢اولین پروژه💢
1) تشخیص و شمردن سکه ها
💢

تصویر اصلی

💢💢💢💢💢💢💢💢💢
ادامه:👇🏻👇🏻👇🏻👇🏻👇🏻
1️⃣پیش پردازش:
✅مرحله اول :
تصویر را به حالت grayscale برده تا توسط Gaussian blur، تصویر مات و نویز ها حذف شود.
✅مرحله دوم:
سپس آستانه گذاری ساده بر روی تصویر پیش پردازش شده اعمال میکنیم.


💢💢💢💢💢

‍ import cv2

def sufra():
img = cv2.imread('coins.jpg')
coins_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.namedWindow('image', cv2.WINDOW_NORMAL)
coins_preprocessed = cv2.GaussianBlur(coins_gray, (5, 5), 0)
_, coins_binary = cv2.threshold(coins_preprocessed, 130, 255, cv2.THRESH_BINARY)
coins_binary = cv2.bitwise_not(coins_binary)

cv2.imshow('image', coins_binary)
cv2.waitKey(0)
cv2.destroyAllWindows()
print ("waitkey")

if name == 'main':
sufra()
💢💢💢💢💢

2️⃣پیدا کردن کانتور ها(contours)
کانتورها ، نقاط دنباله دار، که یک منحنی بسته راتشکیل داده و در بر دارنده تصویر هستند.
💢کانتور ها ابزاری مفیدبرای تشخیص اشیا و ویژگیها، همچنینن تجزیه و تحلیل اشکال، هستند.
✅با استفاده از cv2.findContours ()، مرز یا لبه های هر سکه را پیدا خواهیم کرد.
✅انتخاب پرچم
cv2.RETR_EXTERNAL،
تنها خطوط خارجی را به تابع باز می گرداند. بنابراین جزئيات کوچکتر روی سطح سکه را انتخاب نمی کند.
✅ برای به دست آوردن محدوده کانتورها، ما از cv2.contourArea () استفاده می کنیم.


💢💢

https://docs.opencv.org/3.3.1/d4/d73/tutorial_py_contours_begin.html
🔎جهت مطالعه بیشتر
💢💢💢💢

https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_contours/py_contour_features/py_contour_features.html
🔎جهت مطالعه بیشتر

💢💢💢

‍ import cv2
import numpy as np

img = cv2.imread('coins.jpg')
coins_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

coins_preprocessed = cv2.GaussianBlur(coins_gray, (5, 5), 0)
_, coins_binary = cv2.threshold(coins_preprocessed, 130, 255, cv2.THRESH_BINARY)
coins_binary = cv2.bitwise_not(coins_binary)

_,coins_contours, _ = cv2.findContours(coins_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# make copy of image
coins_and_contours = np.copy(img)

# find contours of large enough area
min_coin_area = 60
large_contours = [cnt for cnt in coins_contours if cv2.contourArea(cnt) > min_coin_area]

# draw contours
cv2.drawContours(coins_and_contours, large_contours, -1, (255,0,0))

# print number of contours

print('number of coins: %d' % len(large_contours))
# create copy of image to draw bounding boxes
bounding_img = np.copy(img)

# for each contour find bounding box and draw rectangle
for contour in large_contours:
x, y, w, h = cv2.boundingRect(contour)
cv2.rectangle(bounding_img, (x, y), (x + w, y + h), (0, 255, 0), 3)
cv2.namedWindow('image', cv2.WINDOW_NORMAL)
cv2.imshow('image', bounding_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
💢💢💢💢💢

⁉️اگر کد منتخب ارر داد کد زیر را امتحان کنید:
import cv2


def sufra():
img = cv2.imread('coins.jpg')
coins_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.namedWindow('image', cv2.WINDOW_NORMAL)
coins_preprocessed = cv2.GaussianBlur(coins_gray, (5, 5), 0)
_, coins_binary = cv2.threshold(coins_preprocessed, 130, 255, cv2.THRESH_BINARY)
coins_binary = cv2.bitwise_not(coins_binary)
cv2.namedWindow('image', cv2.WINDOW_NORMAL)
cv2.imshow('image', coins_binary)
cv2.waitKey(0)
cv2.destroyAllWindows()


if name == 'main':
sufra()

💢دومین پروژه💢
2) تشخیص چهره
تشخیص چهره یکی از داغترین موضوعات بینایی کامپیوتر در چند سال اخیر بوده است.
این تکنولوژی قابل استفاده و همه جا در دسترس است.
✅ در همین ابتدا سه مفهوم زیر را به خاطر بسپارید:
💡1️⃣:مفهموم Face detection: تشخیص چهره واینکه مورد مربوط به چهره یک فرد باشد.
💡2️⃣:مفهومFace recognition: تشخیص یا شناخت چهره یک فرد خاص مثلا علی.
💡3️⃣:مفهوم facial expression recignition:تشخیص حالت چهره ، اینکه یه فردی خوشحاله یا غمگینه و....

💢💢💢💢💢

✅احتمالا در این پروژه ، اول face detectionو سپس face recognition را با استفاده از opencv مورد بحث قرار دهیم.

💢💢💢

💢1. FACE DETECTION💢
1️⃣ پیش زمینه ای از تشخیص چهره:
یکی ازکاربردهای تشخیص چهره، برای باز کردن قفل گوشی با یک نگاه میباشد.
به طور خلاصه Face DetectionوFace Recognition (تشخیص چهره و شناسایی چهره) هنگام باز کردن قفل گوشی به صورت زیر میباشد:
شما به گوشی خود نگاه می کنید و چهره شما را از یک تصویر استخراج می کند (نام مریم برای این روند تشخیص چهره (face detection)است). سپس، چهره فعلی را با آن که قبل از آن در طی تمرین ذخیره شده بود، مقایسه می کند و اگر هر دو آنها مطابقت داشته باشد (نام مریم برای شناسایی چهره (face recognition)است)، قفل را باز می کند.
✅نمونه ی دیگری که توسط نرم افزارهای تشخیص و شناسایی چهره اجام میشود ، خود پردازها میباشند که با شناسایی چهره ی افراد امکان برداشت پول را به آنها میدهند.

💢💢💢

💢2. THEORY OF FACE DETECTION CLASSIFIERS💢
1️⃣2️⃣ تئوری طبقه بندی تشخیص چهره
✅برنامه کامپیوتری که تصمیم می گیرد یک تصویر ، تصویر مثبت (تصویر چهره) یا تصویر منفی (تصویر غیر چهره) باشد، طبقه بندی نامیده می شود.
طبقه بند، برای یادگیری صدها هزار تصویر چهره و غیر چهره آموزش دیده است که چگونه یک تصویر جدید را به درستی طبقه بندی کند.
کتابخانه OpenCV ، ما را با دو پیش آموزش دیده آماده می کند که برای طبقه بندی تشخیص چهره استفاده می شود:

1️⃣Haar Classifier
2️⃣LBP Classifier

💢💢💢💢💢💢💢💢💢

💢2.1 HAAR CLASSIFIER💢
2.1 HAAR CLASSIFIER
طبقه بند HAAR ،یک روش مبتنی بر یادگیری ماشین است، یک الگوریتم ایجاد شده توسط Paul Viola و Michael Jones؛ که
از تصاویر مثبت (با چهره) و تصاویر منفی (بدون چهره) خیلی خیلی زیاد، آموزش دیده است:
🌐https://en.wikipedia.org/wiki/Haar-like_feature.
🌐https://docs.opencv.org/2.4/modules/objdetect/doc/cascade_classification.html

✅این کار با استخراج ویژگی های Haar از هر تصویر شروع می شود که توسط پنجره های زیر نشان داده شده است:

💢💢💢💢💢💢💢💢💢

چند ویژگی Haar مانند