آموزش پردازش تصویر OpenCV با برد رزبری پای – صاف کردن تصاویر

در بخش‌ قبلی آموزش پردازش تصویر با نرم افزار OpenCV به آستانه یابی یا thresholding تصاویر پرداخیتم. در این بخش و یازدهمین قسمت از آموزش، به صاف کردن تصاویر در نرم افزار OpenCV می‌پردازیم.صاف کردن یا Smoothing به این معنی است که تصویری که وضوح خوبی ندارد یا دارای برش های تیز هستند را با فیلتر گذاری به نمایش بهتر آنها کمک کنیم. در ادامه آموزش پردازش تصویر OpenCV رزبری پای با دیجی اسپارک، مرجع تخصصی رزبری پای به زبان فارسی همراه باشید.

اهداف پردازش تصویر

در این مبحث از آموزش OpenCV با استفاده از فیلترگذاری های مختلف تصویرمان را تا نویز تصویر را گرفته و تصویری را تا حدودی نرم و صاف میکنیم و با فیلتر های مختلف دیگر نیز در این بخش آشنا خواهیم شد. این مبحث بدلیل بهبود بخشی تصاویر برای پردازش آنها بحث مهمی میباشد.

فیلتر تصویر ۲D Convolution

تصاویر میتوانند با عبور فیلتر های متفاوتی خواص جدیدی پیدا کنند به عنوان مثال فیلتر های low-pass filters (LPF) که برای حذف نویز و مات کردن تصویر به کار میرود ویا  فیلتر های high-pass filters (HPF) که برای یافتن گوشه های تصویر به کار میرود، میتوان اشاره کرد. اپن سی وی در این زمینه برای ما تابع cv.filter2D() را ارائه میدهد که کارکرد آن به این صورت است که متوسط گیری روی تمام پیکسل های تصویر و اطراف آن انجام داده و پیکسل جدید را جایگزین می‌کند. تابع به شکل زیر در کد استفاده می‌شود:

dst = cv.filter2D( src, ddepth, kernel)

آرگومان‌ها به این صورت خواهند بود:

به عنوان مثال یک متوسط گیری روی ماتریس ۵ در ۵ پیکسلی اعمال میکنیم و نتیجه این خواهد شد که از ۲۵ پیکسل اطراف خود میانگین گرفته و این میانگیرن را روی پیکسل مرکزی اعمال میکند، این عمل روی تمامی پیکسل های تصویر اعمال خواهد شد. برای فهم این تابع به این کد دقت کنید:

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

img = cv.imread('opencv_logo.png')
kernel = np.ones((5,5),np.float32)/25
dst = cv.filter2D(img,-1,kernel)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(dst),plt.title('Averaging')
plt.xticks([]), plt.yticks([])
plt.show()

هموار سازی تصویر

برای هموار سازی یا صاف کردن تصاویر روش های مختلفی وجود دارد که در همگی آنها نویز و لبه های تصاویر تار خواهند شد و به اصطلاح تصویر ما صاف خواهد شد. همچنین روشهایی نیز وجود دارد که لبه های ما تار نشوند که به آنها اشاره خواهیم کرد. در ادامه با ما همراه باشید تا ۴ تکنیک اصلی این کار را به شما آموزش دهیم.

۱- متوسط گیری (Averaging)

این نوع فیلتر همانند بخش اول که توضیح داده شد عمل میکند یعنی با توجه به تعداد n*n پیکسل های اطراف متوسط گیری کرده و جایگزین پیکسل مرکزی میکند. دو تابع در این بخش معرفی میگردند که عبارتند از:

۱- dst = cv.blur( src, ksize)

آرگومان ها به این صورت خواهند بود:

۲- dst = cv.boxFilter( src, ddepth, ksizer)

هر دو این توابع به یک صورت عمل خواهند کرد برای درک بهتر استفاده به این مثال دقت کنید:

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

img = cv.imread('opencv-logo-white.png')
blur = cv.blur(img,(5,5))

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

۲- تارکردن گاوسی (Gaussian Blurring)

در این روش بجای هسته ماتریسی از هسته گاوسی (نمایی) استفاده میکنیم. برای اینکار ما از تابع dst = cv.GaussianBlur( src, ksize, sigmaX) استفاده میکنیم که آرگومان های آن عبارتند از:

طول و عرض هسته گاوسی باید مثبت و فرد باشد همچنین در صورت مشخص نشدن sigmaX (مقدار ۰)، این مقدار از روی سایز هسته مشخص خواهد شد. این روش روی نویز بسیار کارآمد میباشد. به این مثال دقت کنید:

blur = cv.GaussianBlur(img,(5,5),0)

۳- تارکردن متوسط (Median Blurring)

در این روش مقدار متوسطی تحت یک هسته گرفته میشود و مقدار پیکسل مرکزی جایگزین میشود. این روش در بهبود نویز های به اصطلاح نمک و فلفلی بسیار موثر است. تابع مورد استفاده dst = cv.medianBlur( src, ksize) میباشد که آرگومان ها یه این صورت هستند:

به این مثال دقت کنید:

median = cv.medianBlur(img,5)

۴- فیلتر دو طرفه (Bilateral Filtering)

این روش در حذف نویز بسیار کارآمد است و لبه ها را تیز نگه میدارد ولی مشکل آن این است که کند تر از روش های پیشین میباشد. فیلتر گاوسی لبه ها را در نظر نمیگرفت در صورتی در پردازش تصویر لبه های تصویر برای ما اهمیت دارند و نمیخواهیم که با فیلتر تار شوند.

dst = cv.bilateralFilter( src, d, sigmaColor, sigmaSpace)

به این مثال دقت کنید:

blur = cv.bilateralFilter(img,9,75,75)

همانطور که میبینید بافت تصویر از بین رفته ولی همچنان لبه ها حفظ شده اند. در این آموزش نحوه کار با فیلتر های مات کردن را آموزختیم؛ در آموزش بعدی به تغییرات مورفولوژیکی میپردازیم.

چنانچه در مراحل راه اندازی و انجام این پروژه با مشکل مواجه شدید، بدون هیچ نگرانی در انتهای همین پست، به صورت ثبت نظر سوالتان را مطرح کنید. من در سریع‌ترین زمان ممکن پاسخ رفع مشکل شما را خواهم داد. همچنین اگر ایرادی در کدها و یا مراحل اجرایی وجود دارند می‌توانید از همین طریق اطلاع رسانی کنید.

در پایان نظرات و پیشنهادات خود را با ما درمیان بگذارید و با اشتراک گذاری این آموزش در شبکه های اجتماعی , از وبسایت دیجی اسپارک حمایت کنید.