پردازش تصویر با پایتون Python
23
پردازش تصویر با پایتون   

azsoftir.com
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276azsoftir.com

09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276

تصاویر، جهان را تعریف می کنند و هر تصویر داستان خاص خود را دارد یا حاوی اطلاعات بسیار مهمی است که می تواند از بسیاری جهات مفید باشد. این اطلاعات را می توان با کمک تکنیکی به نام پردازش تصویر به دست آورد. پردازش تصویر با پایتون یکی از رایجترین حوزه هایی است که برنامه نویسان پایتون می توانند وارد آن شوند.

این بخش اصلی بینایی کامپیوتری است که در بسیاری از حوزه های دنیای واقعی مانند رباتیک، ماشین‌های خودران و تشخیص اشیا نقش مهمی دارد. پردازش تصویر در پایتون به ما امکان می دهد هزاران تصویر را در یک زمان تغییر دهیم و دستکاری کنیم و بینش مفیدی را از آنها استخراج کنیم. تقریباً در هر زمینه ای طیف گسترده ای از کاربرد ها را دارد.

پایتون یکی از زبان های برنامه نویسی پرکاربرد برای این منظور است. کتابخانه ها و ابزارهای شگفت انگیز آن در دستیابی به پردازش تصویر بسیار کارآمد هستند. در این مقاله الگوریتم‌ها، تکنیک‌ها و ابزارهای کلاسیک برای پردازش تصویر و دریافت خروجی مورد نظر را مورد بررسی قرار می دهیم. قبل از شروع، در صورتی که با برنامه نویسی پایتون آشنایی ندارید، پیشنهاد می کنیم تا دوره آموزش برنامه نویسی پایتون را مشاهده کنید.
پردازش تصویر با پایتون چیست؟

همانطور که از نامش مشخص است، پردازش تصویر به معنای پردازش تصویر می باشد. ممکن است شامل تکنیک های مختلفی باشد که برای رسیدن به هدف می توانیم از آنها استفاده کنیم. خروجی نهایی می تواند به صورت تصویر یا ویژگی مربوط به آن تصویر باشد. این فرایند می تواند برای تجزیه و تحلیل بیشتر و تصمیم گیری استفاده شود.

آموزش پردازش تصویر با پایتون
تصویر چیست؟

یک تصویر را می توان به عنوان یک تابع دو بعدی F(x,y) نشان داد که در آن x و y مختصات فضایی هستند. دامنه F در یک مقدار خاص x,y به عنوان شدت تصویر در آن نقطه شناخته می شود. اگر x، y و مقدار دامنه محدود باشد، آن را تصویر دیجیتال می نامیم. آرایه ای از پیکسل ها است که در ستون ها و ردیف ها مرتب شده اند. پیکسل ها عناصر یک تصویر هستند که حاوی اطلاعاتی درباره شدت و رنگ هستند. یک تصویر همچنین می تواند به صورت سه بعدی نمایش داده شود که در آن x، y و z به مختصات فضایی تبدیل می شوند. پیکسل ها در قالب یک ماتریس مرتب شده اند. این به عنوان یک تصویر RGB شناخته می شود.

انواع مختلفی از تصاویر وجود دارد:

تصویر RGB: شامل سه لایه تصویر دو بعدی است که این لایه ها، همان کانال های قرمز، سبز و آبی هستند.

تصویر در مقیاس خاکستری: این تصاویر دارای سایه های سیاه و سفید هستند و فقط یک کانال دارند.
الگوریتم های کلاسیک پردازش تصویر
1. پردازش تصویر مورفولوژیکی

پردازش تصویر مورفولوژیکی (Morphological Image Processing) سعی در حذف نواقص از تصاویر باینری دارد، زیرا مناطق باینری تولید شده توسط آستانه ساده می توانند توسط نویز تحریف شوند. همچنین به صاف کردن تصویر با استفاده از عملیات باز و بسته کردن کمک می کند. عملیات مورفولوژیکی را می توان به تصاویر خاکستری مرتبط کرد.

azsoftir.com
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276azsoftir.com

09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276

این پروسه شامل عملیات غیر خطی مربوط به ساختار ویژگی های یک تصویر است. این تکنیک یک تصویر را با استفاده از الگوی کوچک به نام عنصر ساختاری که در مکان‌های مختلف ممکن در تصویر قرار می‌گیرد و با پیکسل‌های همسایگی مربوطه مقایسه می‌شود، تجزیه و تحلیل می‌کند. یک عنصر ساختاری یک ماتریس کوچک با مقادیر 0 و 1 است.

بهتر است دو عملیات اساسی پردازش تصویر مورفولوژیکی، Dilation و Erosion را ببینیم:

    عملیات Dilation: پیکسل ها را به مرزهای جسم در یک تصویر اضافه می کند.
    عملیات Erosion: پیکسل ها را از مرزهای شی حذف می کند.

تعداد پیکسل های حذف شده یا اضافه شده به تصویر اصلی به اندازه عنصر ساختار بستگی دارد.

در این مرحله ممکن است فکر کنید “عنصر ساختاری چیست؟” بگذار توضیح بدهم:

عنصر ساختاری ماتریسی است که فقط از 0 و 1 تشکیل شده است که می تواند هر شکل و اندازه دلخواه داشته باشد. در تمام مکان‌های ممکن در تصویر قرار گرفته و با همسایگی پیکسل‌های مربوطه مقایسه می‌شود.
2. پردازش تصویر گاوسی (Gaussian)

تاری گاوسی، که به هموارسازی گاوسی نیز معروف است، نتیجه تار کردن یک تصویر توسط یک تابع گاوسی است. برای کاهش نویز تصویر و کاهش جزئیات استفاده می شود. جلوه بصری این تکنیک محو کردن شبیه به تماشای یک تصویر از طریق صفحه نمایش شفاف است. گاهی اوقات در بینایی کامپیوتر برای بهبود تصویر در مقیاس های مختلف یا به عنوان یک تکنیک تقویت داده در یادگیری عمیق استفاده می شود.

تابع گاوسی مانند مثال زیر است:

تابع گاوسی

در عمل، بهترین کار این است که با تقسیم فرآیند به دو پاس، از خاصیت تفکیک پذیر گاوسی استفاده کنیم. در اولین پاس، از یک هسته یک بعدی برای محو کردن تصویر فقط در جهت افقی یا عمودی استفاده می شود. در پاس دوم از همان هسته یک بعدی برای محو کردن جهت باقی مانده استفاده می شود. اثر حاصل مانند درهم پیچیدن با یک هسته دو بعدی در یک پاس است. بیایید یک مثال ببینیم تا بفهمیم فیلترهای گاوسی با یک تصویر چه می کنند.
3. تبدیل فوریه در پردازش تصویر

تبدیل فوریه یک تصویر را به اجزای سینوس و کسینوس تجزیه می کند. این برنامه چندین برنامه مانند بازسازی تصویر، فشرده سازی تصویر یا فیلتر کردن تصویر دارد. از آنجایی که ما در مورد تصاویر صحبت می کنیم، تبدیل فوریه گسسته را در نظر خواهیم گرفت. بیایید یک سینوسی را در نظر بگیریم، از سه چیز تشکیل شده است:

    بزرگی – مربوط به کنتراست
    فرکانس فضایی – مربوط به روشنایی
    فاز – مربوط به اطلاعات رنگ

تصویر در حوزه فرکانس به صورت زیر است:

تصویر در حوزه فرکانس
4. Edge Detection در پردازش تصویر

تشخیص لبه، یک تکنیک پردازش تصویر برای یافتن مرزهای اشیاء درون تصویر است. با تشخیص ناپیوستگی در روشنایی کار می کند. این فرایند می تواند در استخراج اطلاعات مفید از تصویر بسیار مفید باشد زیرا بیشتر اطلاعات شکل در لبه ها محصور شده است. روش‌های کلاسیک تشخیص لبه با تشخیص ناپیوستگی در روشنایی کار می‌کنند.

در صورت تشخیص نویز در تصویر در حالی که تغییرات سطوح خاکستری را تشخیص می دهد، می تواند به سرعت واکنش نشان دهد. لبه ها به عنوان ماکزیمم محلی گرادیان تعریف می شوند. رایج ترین الگوریتم تشخیص لبه، الگوریتم تشخیص لبه سوبل است. اپراتور تشخیص سوبل از هسته های کانولوشنال 3*3 تشکیل شده است. یک هسته ساده Gx و یک هسته 90 درجه چرخش Gy. اندازه گیری های جداگانه با اعمال هر دو هسته به طور جداگانه روی تصویر انجام می شود.
5. پردازش تصویر موجک

ما یک تبدیل فوریه را دیدیم اما فقط به فرکانس محدود می شود. موجک ها هم زمان و هم فرکانس را در نظر می گیرند. این تبدیل برای سیگنال های غیر ثابت مناسب است. می دانیم که لبه ها یکی از بخش های مهم تصویر هستند، در حالی که با اعمال فیلترهای سنتی متوجه شده ایم که نویز حذف می شود اما تصویر تار می شود. تبدیل موجک به گونه ای طراحی شده است که وضوح فرکانس خوبی برای اجزای فرکانس پایین بدست آوریم. در زیر مثال تبدیل موجک دو بعدی آمده است:
پردازش تصویر با پایتون توسط شبکه های عصبی

azsoftir.com
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276azsoftir.com

09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276

شبکه های عصبی شبکه های چند لایه ای هستند که از نورون ها یا گره ها تشکیل شده اند. این نورون ها واحدهای پردازشی اصلی شبکه عصبی هستند. آنها طوری طراحی شده اند که مانند مغز انسان عمل کنند. آنها داده ها را دریافت می کنند، خود را آموزش می دهند تا الگوهای موجود در داده ها را تشخیص دهند و سپس خروجی را پیش بینی کنند. یک شبکه عصبی پایه دارای سه لایه است:

پردازش تصویر با پایتون چیست

    لایه ورودی
    لایه پنهان
    لایه خروجی

پردازش تصویر با پایتون یکی از کاربرد های پایتون است که بسیاری از فعالیت های حرفه ای در دنیای امروزی وابسته به این تکنولوژی می باشد. لایه های ورودی، ورودی را دریافت می کنند، لایه خروجی خروجی را پیش بینی می کند و لایه های پنهان بیشتر محاسبات را انجام می دهند. تعداد لایه های پنهان را می توان با توجه به نیازها تغییر داد. حداقل باید یک لایه پنهان در یک شبکه عصبی وجود داشته باشد.

اساس کار  پردازش تصویر با پایتون چگونه است؟ (بر اساس شبکه عصبی) :

    بیایید یک تصویر را در نظر بگیریم، هر پیکسل به عنوان ورودی به هر نورون لایه اول تغذیه می شود، نورون های یک لایه از طریق کانال ها به نورون های لایه بعدی متصل می شوند.
    به هر یک از این کانال ها یک مقدار عددی به نام وزن اختصاص داده می شود.
    ورودی ها در وزن های مربوطه ضرب می شوند و این مجموع وزنی سپس به عنوان ورودی به لایه های پنهان داده می شود.
    خروجی از لایه های پنهان از طریق یک تابع فعال سازی منتقل می شود که تعیین می کند آیا نورون خاص فعال می شود یا خیر.
    نورون های فعال شده، داده ها را به لایه های پنهان بعدی منتقل می کنند. به این ترتیب داده ها از طریق شبکه منتشر می شوند که به آن انتشار به جلو می گویند.
    در لایه خروجی، نورونی با بالاترین مقدار، خروجی را پیش بینی می کند. این خروجی ها مقادیر احتمال هستند.
    خروجی پیش بینی شده با خروجی واقعی مقایسه می شود تا خطا بدست آید. سپس این اطلاعات از طریق شبکه بازگردانده می شود، این فرآیند به عنوان Backpropagation شناخته می شود.
    بر اساس این اطلاعات، وزن ها تنظیم می شوند. این چرخه انتشار به جلو و عقب چندین بار روی چندین ورودی انجام می شود تا زمانی که شبکه در اکثر موارد خروجی را به درستی پیش بینی کند.
    این به فرآیند آموزش شبکه عصبی پایان می دهد. زمان صرف شده برای آموزش شبکه عصبی ممکن است در برخی موارد زیاد شود.
    در تصویر زیر ai مجموعه ورودی‌ها، wi وزن‌ها، z خروجی و g هر تابع فعال‌سازی است.

در اینجا چند دستورالعمل برای آماده سازی داده ها برای پردازش تصویر آورده شده است.

    در پردازش تصویر با پایتون، داده های بیشتری باید به مدل داده شود تا نتایج بهتری حاصل آید.
    مجموعه داده های تصویر باید از کیفیت بالایی برخوردار باشند تا اطلاعات واضح تری به دست آورید، اما برای پردازش آنها ممکن است به شبکه های عصبی عمیق تری نیاز داشته باشید.
    در بسیاری از موارد تصاویر RGB قبل از تغذیه به شبکه عصبی به مقیاس خاکستری تبدیل می شوند.

ابزار های پردازش تصویر در پایتون

مقاله پردازش تصویر با پایتون
1. OpenCV

مخفف عبارت Open Source Computer Vision Library است. این کتابخانه شامل بیش از 2000 الگوریتم بهینه شده است که برای بینایی کامپیوتر و یادگیری ماشین مفید است. روش های مختلفی برای استفاده از opencv در پردازش تصویر وجود دارد که در زیر به چند مورد اشاره می شود:

    تبدیل تصاویر از یک فضای رنگی به فضای دیگر مانند بین BGR و HSV، BGR و خاکستری و غیره.
    انجام آستانه گذاری روی تصاویر، مانند آستانه گذاری ساده، آستانه گذاری تطبیقی و غیره.
    صاف کردن تصاویر، مانند اعمال فیلترهای سفارشی بر روی تصاویر و محو کردن تصاویر.
    انجام عملیات ریخت شناسی روی تصاویر.
    ساخت اهرام تصویری
    استخراج پیش زمینه از تصاویر با استفاده از الگوریتم GrabCut.
    تقسیم بندی تصویر با استفاده از الگوریتم حوضه آبخیز

2. Scikit-Image

Scikit-Image یک کتابخانه منبع باز است که برای پیش پردازش تصویر استفاده می شود. از یادگیری ماشین با توابع داخلی استفاده می کند و می تواند عملیات پیچیده ای را روی تصاویر تنها با چند عملکرد انجام دهد. با آرایه‌های numpy کار می‌کند و حتی برای کسانی که تازه وارد پایتون شده‌اند، یک کتابخانه نسبتاً ساده است. برخی از عملیاتی هایی که می توان با استفاده از تصویر scikit انجام داد عبارتند از:

    برای پیاده سازی عملیات آستانه گذاری از متد try_all_threshold() روی تصویر استفاده کنید. از هفت الگوریتم آستانه جهانی استفاده خواهد کرد.
    برای پیاده سازی تشخیص لبه از متد sobel() در ماژول فیلترها استفاده کنید. این روش به یک تصویر 2 بعدی در مقیاس خاکستری به عنوان ورودی نیاز دارد، بنابراین باید تصویر را به مقیاس خاکستری تبدیل کنیم.
    برای پیاده سازی هموارسازی گاوسی از روش ()gaussian در ماژول فیلترها استفاده کنید.
    برای اعمال یکسان سازی هیستوگرام، از ماژول نوردهی، برای اعمال یکسان سازی هیستوگرام معمولی بر روی تصویر اصلی، از روش ()qualize_hist و برای اعمال یکسان سازی تطبیقی، از روش ()qualize_adapthist استفاده کنید.
    برای چرخاندن تصویر از تابع rotate() در زیر ماژول تبدیل استفاده کنید.
    برای تغییر مقیاس تصویر از تابع rescale() از ماژول تبدیل استفاده کنید.
    برای اعمال عملیات مورفولوژیکی از تابع binary_erosion() و binary_dilation() در زیر ماژول مورفولوژی استفاده کنید.

3.PIL/pillow کتابخانه پردازش تصویر

PIL مخفف Python Image Library و Pillow چنگال PIL توسط Alex Clark و Contributors است. این یکی از کتابخانه های قدرتمند است. این کتابخانه پردازش تصویر طیف گسترده ای از فرمت های تصویر مانند PPM، JPEG، TIFF، GIF، PNG و BMP پشتیبانی می کند.

این فریم ورک می تواند به شما کمک کند چندین عملیات را روی تصاویر انجام دهید، مانند چرخش، تغییر اندازه، برش، مقیاس خاکستری و غیره. اجازه دهید برخی از این عملیات ها را مرور کنیم. برای انجام عملیات دستکاری ماژولی در این کتابخانه وجود دارد به نام Image.

azsoftir.com
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276azsoftir.com

09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276

    برای بارگذاری یک تصویر از متد open() استفاده کنید.
    برای نمایش تصویر از متد show() استفاده کنید.
    برای شناخت فرمت فایل از ویژگی format استفاده کنید
    برای دانستن اندازه تصویر از ویژگی اندازه استفاده کنید
    برای اطلاع از فرمت پیکسلی از ویژگی mode استفاده کنید.
    برای ذخیره فایل تصویر پس از پردازش دلخواه، از روش save() استفاده کنید. Pillow فایل تصویر را با فرمت png ذخیره می کند.
    برای تغییر اندازه تصویر از متد resize() استفاده کنید که دو آرگومان به عنوان عرض و ارتفاع می گیرد.
    برای برش تصویر، از متد crop() استفاده کنید که یک آرگومان را به‌عنوان تاپل جعبه‌ای می‌گیرد که موقعیت و اندازه منطقه برش‌خورده را مشخص می‌کند.
    برای چرخاندن تصویر از متد rotate() استفاده کنید که یک آرگومان را به عنوان عدد صحیح یا عدد شناور نشان دهنده درجه چرخش می گیرد.

4. کتابخانه پردازش تصویر NumPy

با استفاده از این کتابخانه می‌توانید تکنیک‌های ساده تصویر مانند ورق زدن تصاویر، استخراج ویژگی‌ها و تجزیه و تحلیل آنها را نیز انجام دهید. تصاویر را می توان با آرایه های چند بعدی numpy نشان داد و بنابراین نوع آنها NdArrays است. یک تصویر رنگی یک آرایه بی رنگ با 3 بعد است. با برش آرایه چند بعدی می توان کانال های RGB را از هم جدا کرد.

1999 توسط گری برادسکی در اینتل آغاز شد و اولین بار در سال 2000 منتشر شد. وادیم پیزارفسکی به گری برادسکی پیوست تا بتواند تیم OpenCV نرم افزار روسی اینتل را مدیریت کند. در سال 2005، OpenCV در Stanley، وسیله نقلیه که در سال 2005 DARPA Grand Challenge برنده شد، مورد استفاده قرار گرفت. بعدها توسعه فعال خود را تحت حمایت ویلو گاراژ ادامه داد، با گری برادسکی و وادیم پیزاروفسکی رهبری این پروژه. در حال حاضر، OpenCV از بسیاری از الگوریتم های مرتبط با Computer Vision و Machine Learning پشتیبانی می کند و روز به روز گسترش می یابد.

در حال حاضر OpenCV از طیف گسترده ای از زبان های برنامه نویسی مانند C ++، Python، Java و غیره پشتیبانی می کند و در سیستم عامل های مختلف از جمله ویندوز، لینوکس، OS X، اندروید، iOS و غیره پشتیبانی می کند. همچنین رابط های مبتنی بر CUDA و OpenCL نیز برای توسعه بالا سرعت عمل GPU. OpenCV-Python API پایتون OpenCV است. این بهترین ویژگی های OpenCV C ++ API و زبان پایتون را ترکیب می کند.

پایتون یک زبان برنامه نویسی عمومی است که توسط گیدو ون روسوم ساخته شده است که در کوتاه مدت بسیار محبوب به نظر می رسد عمدتا به دلیل سادگی و خواندن کد آن است. این برنامهنویس را قادر میسازد ایدههای خود را در خطوط کمتر از کد بدون نیاز به خوانایی به نمایش بگذارد.

در مقایسه با زبان های دیگر مانند C / C ++، پایتون کندتر است. اما یکی دیگر از ویژگی های مهم Python این است که می توان آن را به راحتی با C / C ++ گسترش داد. این ویژگی به ما کمک می کند تا کدهای محاسباتی فشرده را در C / C ++ بنویسیم و یک بسته بندی پایتون برای آن ایجاد کنیم تا بتوانیم از این پلاگین ها به عنوان ماژول های پایتون استفاده کنیم. این به ما دو مزیت میدهد: اول، کد ما همانند کد اصلی C / C ++ (از آنجا که C ++ C ++ واقعی در پس زمینه کار می کند) و دوم، کد بسیار ساده ای در Python است. این چگونه OpenCV-Python کار می کند، این یک بسته بندی پایتون در حین اجرای C ++ اصلی است.
امیدواریم که حالتون عالی باشه.

اگه دنبال پروژه تشخیص و شناسایی چهره هستی، خوب جایی اومدی…

در ادامه با ویژگی‌های پروژه‌ای آشنا میشین که امیدواریم ازش لذت ببرین و فوق العاده براتون مفید باشه.

این پروژه با زبان پایتون (Python) و کتابخونه OpenCV نوشته شده که به راحتی میتونین تصاویر چهره مدنظر خودتون رو بهش بدین تا اون‌ها رو یاد بگیره و در زمینه‌های مختلف مثل تشخیص هویت از روی چهره، سیستم حضور غیاب با چهره، مقالات علمی-پژوهشی، پروژه پایان‌نامه کارشناسی، پروژه درسی و … ازش استفاده کنین.

نمونه خروجی پروژه:

از مزیت‌های استفاده از زبان پایتون میشه به درک سریع، یادگیری راحت، امکانات زیاد و قابلیت صنعتی سازی اون نام برد. این پروژه از دو بخش “آموزش (train)” و “تست (test)” ساخته شده که پشت سر هم قرار گرفتن. فقط کافیه تصاویر چهره رو به تعداد کلاس‌های مدنظر خودتون (به تعداد افراد)، در پوشه مربوطه قرار بدین و سپس کد رو اجرا کنین. تصاویر یکی یکی خونده میشن و مرحله تشخیص مکان صورت (چهره) و یادگیری انجام میشه.

پروژه تشخیص و شناسایی چهره با OpenCV و پایتون

بعد از اتمام این مرحله، یک مدل (model) از فرآیندهای یادگیری برای شما ذخیره میشه که اگه دوباره خواستین اجرا کنین، لازم نباشه مراحل یادگیری مجددا تکرار بشه.

بعد از این مرحله کدهای تست کردن مدل آموزش دیده اجرا میشن. این پروژه برای دو حالت ۱- تشخیص روی تصاویر (Image) و ۲- تشخیص روی ویدیو یا وبکم (WebcamVideo) آماده شده که شما بسته به نیازتون میتونین یکی رو تهیه کنین.

پروژه تشخیص و شناسایی چهره با OpenCV و پایتون

azsoftir.com
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276azsoftir.com

09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276

در حالت اول برای تست فقط کافیه اسم تصویر مدنظر خودتون رو در متغیر ‘image’ وارد کنین، تا هم موقعیت چهره تشخیص داده بشه و هم کلاس مربوط به این چهره (طبق تصاویری که آموزش دادین) شناسایی بشه. در حالت دوم پروژه، یعنی تشخیص روی ویدیو یا وبکم، فقط کافیه اسم ویدیو موردنظر رو در قسمت مربوطه قرار بدین و یا برای استفاده از وبکم، عدد صفر (یا یک) را به جای اسم ویدیو وارد کنین، تا اینکه پردازش روی تصاویر دریافتی از وبکم انجام شود. خروجی پردازش نیز به صورت خودکار در یک ویدیو جداگانه برای شما ذخیره می‌شود.

طبق ویدیوی خروجی پروژه، ما از این پروژه برای تشخیص و شناسایی چهره دو بازیگر (ساعد سهیلی و جواد عزتی) استفاده کرده‌ایم.

دیتاست پروژه تشخیص و شناسایی چهره با OpenCV و پایتون
ویژگی ها:

azsoftir.com
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276azsoftir.com

09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276

    – شامل دو مرحله آموزش (train) و تست (test)
    – قابلیت تشخیص و شناسایی چندین چهره در یک تصویر
    – استفاده راحت برای تصاویر موردنظر خود
    – تغییر راحت لیبل ها (labels)
    – مناسب برای پروژه های دانشجویی و درسی
    – استفاده از زبان پایتون (Python)
    – به همراه فایل نصب آفلاین OpenCV و راهنما
    – سطح پروژه: مقدماتی و متوسط

نکته‌‌ها:

    – مراحل نصب ماژول‌های مورد نیاز در فایل PDF توضیح داده شده است.
    – همچنین ماژول‌های مورد نیاز برای نصب آفلاین، به صورت جداگانه هم در فایل دریافتی وجود دارد و نحوه نصب آفلاین ماژول‌ها نیز گفته شده است.
    – سرعت پردازش ویدیو به قدرت پردازش سیستم شما دارد، اما در مجموع می‌توان گفت سرعت تشخیص سریع می‌باشد.
    – برای عملکرد مطلوب، چهره‌ها بایستی تا جای ممکن در زاویه مستقیم قرار داشته باشند.
    – بدیهی است که ویدیوی خروجی، به صورت بدون صدا می‌باشد و در صورت نیاز باید صدا را جداگانه به ویدیو متصل کنید.

در صورت استقبال از این پروژه، نسخه‌های پیشرفته‌تر (با استفاده از یادگیری عمیق) نیز برای شما کاربران عزیز قرار خواهد گرفت.

امیدواریم از دانلود این پروژه لذت ببرین و مورد
انجام پروژه پردازش تصویر با پایتون

با سلام. ما یک تیم متخصص از افراد در زمینه دیتاساینس و بینایی ماشین هستم و بیشتر از 4 سال است به صورت حرفه ای و مداوم در حال انجام پروژه های گوناگون با زبان پایتون هستیم. پروژه هایی شامل Object Detection – شناسایی اشیا، طبقه بندی تصاویر ، بازطراحی معماری یولو YOLO و بهبود معماری شبکه های کانولوشن. در این مدت تلاش کردیم به صورت حرفه ای پروژه ها را انجام داده و در زمان مقرر با کیفیت خواسته شده تحویل دهیم.
بهبود عملکرد شبکه عصبی کانولوشن با استفاده از روش PSO
پروژه، پروژه پردازش تصویر

شبکه عصبی کانولوشنال (CNN) یکی از پرکاربردترین تکنیک های یادگیری عمیق است. روش های مختلفی از مدل ها برای یادگیری در شبکه های CNN پیشنهاد و بهبود یافته است. هنگام کار با CNN، تعیین هاپیرپارامترهای بهینه ضروری است. اگر تعداد …

بهبود عملکرد شبکه عصبی کانولوشن با استفاده از روش PSO ادامه مطلب »
آبان ۱۱ ۱۴۰۱
بهبود عملکرد معماری CondenseNet با روش یادگیری خودناظر
پروژه، پروژه پردازش تصویر

هدف از انجام این پروژه پیاده سازی و بهبود روش CondenseNet است که در مقاله معرفی شده است. به همین منظور در ابتدا اصل مقاله پیاده سازی شد و سپس روش جدیدی برای بهبود عملکرد آن ارایه شد. این پروژه …

ساخت برنامه شناسایی چهره در پایتون
آموزش، آموزش تصویری و گام به گام، پردازش تصویر، کاربرد در صنعت، یادگیری ماشین

در این پست ، من به شما نشان می دهم که چگونه با استفاده از پایتون برنامه شناسایی چهره خود را بسازید. ساخت برنامه ای که چهره ها را شناسایی و تشخیص دهد یک پروژه بسیار جالب و سرگرم کننده برای شروع با بینایی کامپیوتر است.
تلفیق پایتون و OpenCV، علاوه بر توانمندی های گسترده و چشم گیر خود، از یادگیری آسان و مناسبی برای فراگیری افرادی که در ابتدای مسیر پردازش تصویر و کدنویسی هستند نیز برخوردار است. آموزش این فرادرس، به صورت گام به گام با معرفی، نصب و بارگذاری تصاویر به شکل کاملا سریع و آسان آغاز شده و سپس با اعمال عملیات اصلی متداول روی تصاویر، اعمال عملیات ریاضی و تبدیلات هندسی ادامه پیدا کرده و فیلترهای کاربردی مختلف و نحوه پیاده سازی آن ها روی تصویر بیان خواهد شد. همچنین استفاده از پرکاربردترین روش ها برای تشخیص لبه، تبدیلات مورفلوژیک، هیستوگرام و اشاره چند روش تطبیق الگو که از مهم ترین بخش ها و اهداف هر برنامه پردازش تصویر است، به خوبی و آسانی تشریح خواهد شد.
آموزش مقدماتی پردازش تصویر با اپن سی وی OpenCV در پایتون Python
تعداد دانشجو
۳,۰۴۲ نفر
مدت زمان
۳ ساعت و ۱۰ دقیقه
هزینه عادی آموزش
۱۸۹,۰۰۰ تومان
در طرح تخفیف
۷۵,۶۰۰ تومان
۰۲:۰۹:۵۲:۰۷
محتوای این آموزش
(توضیحات)
تضمین کیفیت
✅
(توضیحات)
۱۸ بازخورد (مشاهده نظرات)
محمدجواد زمانی قلعه

محمدجواد زمانی قلعه

کارشناس ارشد مهندسی الکترواپتیک

مهندس محمد جوادزمانی قلعه، دارای مدرک کارشناسی ارشد مهندسی الکترواپتیک از دانشگاه صنعتی مالک اشتر هستند. زمینه اصلی فعالیت ایشان انجام پژوهش‌ها و پروژه‌های حوزه طراحی سامانه‌های اپتیکی و پردازش تصویر است. در حال حاضر مدیرعامل یک شرکت فناور در زمینه پردازش تصاویر پزشکی هستند.
توضیحات تکمیلی

امروزه پردازش تصویر، بخش مهمی از اغلب سیستم های هوشمند را تشکیل می دهد. کاربردهای متنوعی که پردازش تصویر در زمینه های مختلفی نظیر: فنی، صنعتی، شهری، پزشکی و علمی دارد، آن را به یک موضوع بسیار مهم در میان زمینه های مختلف تجاری و پژوهشی تبدیل کرده است. اما یکی از مشکلات توسعه دهندگان نرم افزارهای بصری انجام محاسبات مختلف روی تصاویر است.

azsoftir.com
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276azsoftir.com

09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276

به دلیل حجم بالای اطلاعات، پردازش آن ها نیاز به برنامه نویسی بهینه دارد و همچنین پردازش تصاویر در صورتی می تواند بیشترین کاربرد و مزیت را برای ما ایجاد کرده و آینده شغلی و تحیقاتی ما را متحول سازد که هم مبتنی بر یکی از زبان های برنامه نویسی پایه باشد و هم بتوان از یک کتابخانه بهینه برای پیاده سازی آن نیز استفاده کرد.

azsoftir.com
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276az
softir@gmail.com
azsoftir.com
09367292276azsoftir.com

09367292276



:: موضوعات مرتبط: پروژه پردازش پایتون , ,
:: بازدید از این مطلب : 99