آموزش مقدماتی پردازش تصویر در پایتون

برنامه نویسی، هوش مصنوعی

پردازش تصویر یکی از حوزه‌های جذاب و کاربردی در دنیای برنامه‌نویسی است که به شما امکان می‌دهد تصاویر را تحلیل، دستکاری و بهبود دهید. در این مقاله، قصد داریم با استفاده از زبان برنامه‌نویسی پایتون و کتابخانه‌های قدرتمندی مانند OpenCV و NumPy ، مفاهیم پایه‌ای پردازش تصویر را به صورت عملی و پروژه‌محور آموزش دهیم.

 

سرفصل‌ها

  1. معرفی کتابخانه‌ها و نصب آن‌ها
  2. خواندن و نمایش تصویر
  3. تبدیل تصویر به سیاه و سفید (Grayscale)
  4. اعمال فیلترها و تغییر اندازه تصویر
  5. تشخیص لبه‌ها با الگوریتم Canny
  6. پروژه عملی: شمارش اشیاء در تصویر

1. معرفی کتابخانه‌ها و نصب آن‌ها

کتابخانه OpenCV

OpenCV (Open Source Computer Vision Library) یکی از معروف‌ترین کتابخانه‌ها برای پردازش تصویر و بینایی ماشین است. این کتابخانه شامل توابعی برای خواندن، نوشتن، تغییر و تحلیل تصاویر است.

 

کتابخانه NumPy

NumPy یک کتابخانه قدرتمند برای کار با آرایه‌های چندبعدی است. در پردازش تصویر، تصاویر به صورت آرایه‌های عددی ذخیره می‌شوند و NumPy ابزارهایی برای دستکاری این آرایه‌ها فراهم می‌کند.

 

نصب کتابخانه‌ها

برای شروع، باید کتابخانه‌های مورد نیاز را نصب کنید. این کار را می‌توانید با دستورات زیر انجام دهید:

				
					pip install opencv-python
pip install numpy

2. خواندن و نمایش تصویر

اولین قدم در پردازش تصویر، خواندن تصویر از فایل و نمایش آن است. برای این کار از تابع ()cv2.imread برای خواندن تصویر و ()cv2.imshow برای نمایش آن استفاده می‌کنیم.

 

کد نمونه:

				
					import cv2

# خواندن تصویر
image = cv2.imread('image.jpg')

# نمایش تصویر
cv2.imshow('Original Image', image)

# منتظر ماندن تا کلیدی فشار داده شود
cv2.waitKey(0)

# بستن تمام پنجره‌ها
cv2.destroyAllWindows()

توضیحات:

  • cv2.imread('image.jpg'): تصویر را از فایل می‌خواند.
  • cv2.imshow('Original Image', image): تصویر را در یک پنجره نمایش می‌دهد.
  • cv2.waitKey(0): برنامه را منتظر می‌کند تا کاربر کلیدی فشار دهد.
  • ()cv2.destroyAllWindows: تمام پنجره‌های باز را می‌بندد.

3. تبدیل تصویر به سیاه و سفید (Grayscale)

تصاویر سیاه و سفید (Grayscale) برای بسیاری از عملیات پردازش تصویر مفید هستند، زیرا محاسبات روی آن‌ها ساده‌تر است.

 

کد نمونه:

				
					import cv2

# خواندن تصویر
image = cv2.imread('image.jpg')

# تبدیل تصویر به سیاه و سفید
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# نمایش تصویر سیاه و سفید
cv2.imshow('Grayscale Image', gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

توضیحات:

  • cv2.cvtColor(image, cv2.COLOR_BGR2GRAY): تصویر رنگی را به سیاه و سفید تبدیل می‌کند.

4. اعمال فیلترها و تغییر اندازه تصویر

تغییر اندازه تصویر

برای تغییر اندازه تصویر، از تابع cv2.resize() استفاده می‌کنیم.

 

کد نمونه:

				
					import cv2

# خواندن تصویر
image = cv2.imread('image.jpg')

# تغییر اندازه تصویر
resized_image = cv2.resize(image, (300, 300))

# نمایش تصویر تغییر اندازه‌یافته
cv2.imshow('Resized Image', resized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

اعمال فیلتر Blur

فیلتر Blur برای محو کردن تصویر استفاده می‌شود و معمولاً برای کاهش نویز تصویر کاربرد دارد.

 

کد نمونه:

				
					import cv2

# خواندن تصویر
image = cv2.imread('image.jpg')

# اعمال فیلتر Blur
blurred_image = cv2.GaussianBlur(image, (15, 15), 0)

# نمایش تصویر محو‌شده
cv2.imshow('Blurred Image', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

5. تشخیص لبه‌ها با الگوریتم Canny

تشخیص لبه‌ها یکی از مهم‌ترین مراحل در بسیاری از پروژه‌های بینایی ماشین است. الگوریتم Canny یکی از معروف‌ترین روش‌ها برای تشخیص لبه‌ها است.

 

کد نمونه:

				
					import cv2

# خواندن تصویر
image = cv2.imread('image.jpg')

# تبدیل تصویر به سیاه و سفید
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# تشخیص لبه‌ها با الگوریتم Canny
edges = cv2.Canny(gray_image, 100, 200)

# نمایش تصویر با لبه‌های تشخیص‌داده‌شده
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

توضیحات:

  • cv2.Canny(gray_image, 100, 200): الگوریتم Canny را برای تشخیص لبه‌ها اعمال می‌کند. مقادیر 100 و 200 حداقل و حداکثر آستانه‌ها هستند.

6. پروژه عملی: شمارش اشیاء در تصویر

در این پروژه، قصد داریم تعداد اشیاء موجود در یک تصویر را شمارش کنیم. برای این کار از مفاهیمی مانند تبدیل تصویر به سیاه و سفید، تشخیص لبه‌ها و پیدا کردن کانتورها (Contours) استفاده می‌کنیم.

 

کد نمونه:

				
					import cv2

# خواندن تصویر
image = cv2.imread('objects.jpg')

# تبدیل تصویر به سیاه و سفید
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# اعمال فیلتر Blur برای کاهش نویز
blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 0)

# تشخیص لبه‌ها با الگوریتم Canny
edges = cv2.Canny(blurred_image, 50, 150)

# پیدا کردن کانتورها
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# رسم کانتورها روی تصویر اصلی
cv2.drawContours(image, contours, -1, (0, 255, 0), 2)

# نمایش تعداد اشیاء
print(f"Number of objects: {len(contours)}")

# نمایش تصویر با کانتورها
cv2.imshow('Objects', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

توضیحات:

  • ()cv2.findContours: کانتورها (خطوط بسته‌ای که اشیاء را احاطه می‌کنند) را پیدا می‌کند.
  • ()cv2.drawContours: کانتورها را روی تصویر اصلی رسم می‌کند.
  • len(contours): تعداد اشیاء (کانتورها) را نشان می‌دهد.

نتیجه‌گیری

در این مقاله، با مفاهیم پایه‌ای پردازش تصویر در پایتون آشنا شدیم و چندین پروژه عملی را انجام دادیم. از خواندن و نمایش تصویر گرفته تا تبدیل تصویر به سیاه و سفید، اعمال فیلترها، تشخیص لبه‌ها و شمارش اشیاء، همه این موارد را با استفاده از کتابخانه‌های OpenCV و NumPy پیاده‌سازی کردیم.

برچسب ها:

دیدگاهتان را بنویسید