لبه یابی در متلب

فایل های آموزشی رایگان

توضیحات ویدئو

لبه یابی یکی از مراحل مهم در پردازش تصویر است که به دنبال تشخیص لبه‌ها در تصویر است. لبه‌ها نقاطی هستند که تغییر شدت رنگ یا شدت نوری در اطراف آن‌ها قابل تشخیص است. تشخیص لبه‌ها در تصویر به عنوان یک وظیفه مهم در بسیاری از برنامه‌های بینایی ماشین، تشخیص الگو، تشخیص شی و تحلیل تصویر استفاده می‌شود.
 
یکی از روش‌های متداول برای لبه یابی در محیط MATLAB استفاده از دستور `edge` است. این دستور با توجه به الگوریتم‌های مختلف، تصویر ورودی را پردازش کرده و نقاط لبه را تشخیص می‌دهد. این الگوریتم‌ها شامل روش‌های مبتنی بر فیلترهای مشتقات (مانند سوبل و پریویت)، روش‌های مبتنی بر تفاضلات (مانند رابرتس و لاپلاسین) و روش‌های مبتنی بر تطبیق ریاضی (مانند کنی) می‌شوند. دستور `edge` در MATLAB با سینتکس زیر استفاده می‌شود:
BW = edge(I, method)
در این سینتکس، `I` تصویر ورودی است که می‌خواهیم لبه‌های آن را تشخیص دهیم و `method` نوع الگوریتم لبه یابی است که می‌خواهیم استفاده کنیم. در این پروژه، ما به بررسی انواع لبه‌یابی‌های ممکن با کمک دستور edge پرداخته‌ایم.
بدین منظور ابتدا تصویر ورودی خوانده می‌شود و به تصویر خاکستری تبدیل می‌شود (`rgb2gray(I)`). سپس با استفاده از دستور `edge` و الگوریتم‌های مختلف، لبه‌های تصویر تشخیص داده می‌شوند و در متغیرهای `A` تا `F` ذخیره می‌شوند. در ادامه، با استفاده از تابع `subplot` و دستور `imshow`، تصویر اصلی و تصویر حاوی لبه‌های تشخیص داده شده با الگوریتم‌های مختلف را در قالب یک شکل نمایش می‌دهد. همچنین، با استفاده از `title`، عنوان هر زیرنمونه نمایش داده می‌شود.

کدهای پروژه

clc;
close all;
clear all;
 
I = imread(‘C:\Users\Sam\Desktop\8.jpg’);
I = rgb2gray(I);
 
A = edge(I , ‘sobel’);
B = edge(I , ‘prewitt’);
C = edge(I , ‘roberts’);
D = edge(I , ‘log’);
E = edge(I , ‘canny’);
F = edge(I , ‘zerocross’);
% figure;
% subplot(1,2,1);imshow(I), title(‘Original Image’);
% subplot(1,2,2);imshow(F);
 
figure;
subplot(2,4,1);imshow(I), title(‘Original Image’);
subplot(2,4,2);imshow(A), title(‘sobel’);
subplot(2,4,3);imshow(B), title(‘prewitt’);
subplot(2,4,4);imshow(C), title(‘roberts’);
subplot(2,4,5);imshow(D), title(‘log’);
subplot(2,4,6);imshow(E), title(‘canny’);
subplot(2,4,7);imshow(F), title(‘zerocross’);
امیدواریم این پروژه برای شما مفید و کاربردی واقع شده باشد. هدف آکادمی هوش مصنوعی رضوان، به اشتراک ‌گذاری تجربیاتی ارزشمند در زمینه پردازش تصویر و هوش مصنوعی با شما مخاطب ارجمند است. لطفا از سایر آموزش‌های رایگان و دوره‌های آموزشی ما دیدن و ما را در شبکه‌های اجتماعی دنبال فرمایید.

دیدگاهتان را بنویسید