لبه یابی آنلاین با پایتون
توضیحات ویدئو:
لبه‌یابی معمولا یکی از پایه‌ای ترین مراحل در پردازش تصویر است که به ما امکان می‌دهد لبه‌های موجود در تصاویر را تشخیص داده و استخراج کنیم. روش‌های لبه‌یابی Canny، Sobel و Laplacian، ابزارهایی قدرتمند و مشهور در حوزه بینایی ماشین هستند. در این مقاله، با استفاده از این الگوریتم‌ها، نحوه لبه‌یابی تصاویر در پایتون را به شما آموزش خواهیم داد.
برای شروع، باید اطمینان حاصل کنید که کتابخانه OpenCV را در پایتون نصب کرده‌اید. OpenCV یک کتابخانه قدرتمند برای پردازش تصویر است و مجموعه‌ای از توابع و ابزارهای مرتبط با بینایی ماشین را برای ما فراهم می‌کند. ابتدا، باید تصویر مورد نظر را بارگیری کنید. می‌توانید از یک تصویر ثابت استفاده کنید یا از دوربین برای گرفتن تصاویر استفاده نمایید. سپس، با استفاده از یکی از این الگوریتم‌ها، لبه‌های موجود در تصویر را تشخیص دهید.
مثلا در مورد الگوریتم کنی، این کار با استفاده از تابع cv2.Canny انجام می‌شود. الگوریتم سوبل قابلیت تشخیص لبه در جهات مختلف را دارد. برای استفاده از این الگوریتم، می‌توانید از تابع cv2.Sobel استفاده کنید. الگوریتم Laplacian از کرنلی به نام کرنل لاپلاسین استفاده می‌کند. این الگوریتم، با تابع cv2.Laplacian فراخوانی می‌شود. در مجموع الگوریتم canny قدرت بهتری در تشخیص لبه‌ها دارد و پرکاربردتر است.
کدهای پروژه:
import cv2
cap = cv2.VideoCapture(0)
while(1):
_, frame = cap.read()
laplacian = cv2.Laplacian(frame,cv2.CV_8U)
sobelx = cv2.Sobel(frame, cv2.CV_8U, 1, 0, ksize=5)
sobely = cv2.Sobel(frame, cv2.CV_8U, 0, 1, ksize=5)
canny = cv2.Canny(frame,100,200)
cv2.imshow(‘original’,frame)
cv2.imshow(‘laplacian’,laplacian)
cv2.imshow(‘sobel1’,sobelx)
cv2.imshow(‘sobel2’,sobely)
cv2.imshow(‘canny’,canny)
دیدگاهتان را بنویسید