کتابخانه OpenCV (بینایی ماشین متن باز) یک کتابخانه متن باز شامل بیش از صدها الگوریتم بهینه سازی شده به زبان C و C++ برای تحلیل تصویر و ویدیو است، که از زمان معرفی آن در سال 1999، به میزان زیادی از سوی جامعه محققین و توسعه دهندگان بینایی ماشین به عنوان ابزار توسعه پایه پذیرفته شده است. OpenCV در ابتدا در اینتل به منظور توسعه تحقیقات در زمینه بینایی ماشین و ارتقای کاربردهایی که شدیدا از پردازنده استفاده می کنند، توسعه داده شد.
توضیحات تکمیلی
لایبری OpenCV (بینایی ماشین متن باز) یک کتابخانه متن باز شامل بیش از صدها الگوریتم بهینه سازی شده به زبان C و C++ برای تحلیل تصویر و ویدیو است، که از زمان معرفی آن در سال 1999، به میزان زیادی از سوی جامعه محققین و توسعه دهندگان بینایی ماشین به عنوان ابزار توسعه پایه پذیرفته شده است. OpenCV در ابتدا در اینتل به منظور توسعه تحقیقات در زمینه بینایی ماشین و ارتقای کاربردهایی که شدیدا از پردازنده استفاده می کنند، توسعه داده شد. مزیت اصلی OpenCV، در سرعت اجرای آن به خصوص در کاربردهای بی درنگ و البته متن باز بودن و رایگان بودن آن است. این مجموعه آموزشی، تلاشی است برای آشنایی هر چه بیشتر جامعه محققین بینایی ماشین با این کتابخانه ارزشمند، که به صورت گام به گام و عملی همراه با مجموعه متنوعی از مثال ها، شما را برای توسعه برنامه های کاربردی خود آماده خواهد ساخت.
این دوره به شما فرصت خواهد داد تا با پردازش تصویر و ویدیو آشنا شوید. اما این تنها ابتدای راه است. خبر خوش اینکه OpenCV به پیشرفت و توسعه ادامه خواهد داد. برای اطلاع از خبرهای جدید در مورد این کتابخانه، به مستندات آنلاین OpenCV مراجعه کنید.
مقدمه ای بر بینایی کامپیوتر بینایی کامپیوتر و تفاوت آن با پردازش تصویر و بینایی ماشین تاریخچهی بینایی کامپیوتر کاربردهای بینایی کامپیوتر مباحث و سرفصلهای دوره
مقدمه ای بر تصاویر خواندن، ذخیره کردن و نمایش ویدیو تصاویر خاکستری (Gray Scale) بریدن یک ناحیه از تصویر
مقدمه ای بر فضاهای رنگی فضاهای رنگی – بخش 1 (جداکردن و ادغام کانالهای رنگی) فضاهای رنگی – بخش 2 (تغییر مقادیر هر کانال) فضاهای رنگی – بخش 3 (فضای رنگی HSV)
عملیات پایه روی تصاویر و درک تصاویر Transparent درک کانال آلفا و ترنسپرنتسی (Transparent) عملیات بیتی، ماسک کردن تصویر و ایجاد یک تصویر PNG
حاشیه نویسی تصویر (Image Annotation) رسم اشکال روی تصویر نوشتن متون فارسی و انگلیسی روی تصویر عملیات ریاضی (Arithmetic Operations)
تنظیم روشنایی و تضاد تصویر تنظیم روشنایی و کنتراست(با توابع خطی) تحلیل هیستوگرام تصویر و مشکل روش خطی تنظیم روشنایی و کنتراست تنظیم روشنایی و کنتراست(با تصحیح گاما)
ماژول 2: خواندن و نوشتن ویدئو و ایجاد رابط کاربری گرافیکی
رابط کاربری گرافیکی و کالبک در OpenCV رویداد کلیک ماوس سایر رویدادهای ماوس و رویدادهای صفحه کلید ایجاد یک برنامهی ساده رسم نظیر قلم در paint ایجاد یک برنامه برای annotate کردن اشیاء تصویر استفاده از Trackbar برای دریافت یک مقدار پیوسته از کاربر
خواندن و ذخیره کردن ویدیو و کار با انواع ورودی های ویدیویی نظیر دوربین مداربسته و وبکم استفاده از وبکم خواندن فایل ویدیویی ذخیره کردن یک ویدیو در فایل کار با پروتکل RTSP و دوربینهای مداربسته (CCTV) اسکرین صفحه به عنوان ویدیوی ورودی OpenCV خواندن ویدیو از یوتیوب و کار با گوگلکولب
ماژول 3: پردازش تصاویر باینری
آستانه گذاری کاربردها حد آستانه گذاری یا Thresholding و باینری کردن تصویر روش Otsu برای پیدا کردن خودکار حد آستانه – تئوری پیاده سازی روش Otsu در پایتون آستانهگذاری تطبیقی
عملیات مورفولوژی مفاهیم dilation و erosion گسترش یا انبساط (Dilation) فرسایش (Erosion) عملیات Opening عملیات Closing پیاده سازی عملیات مورفولوژی در پایتون hit-or-miss مثال حذف خطوط افقی با علیات مورفولوژی
تحلیل کانتور (Contour) یافتن contour تخمین contour پوشش محدب (Convex hull) به دست آوردن دایره و مستطیل دربرگیرندهی کانتورها محاسبه مساحت، moment و مرکز کانتور و سورت کردن اشکال الگوریتم Douglas-Peucker و تشخیص اشکال هندسی مثال تشخیص نواحی کلمات مثال شمارش سکه
تشخیص Blob و جمع بندی تصاویر باینری تشخیص blob سایر کاربردهای مورفولوژی
ماژول 4: بهبود تصویر و فیلترگذاری روی تصاویر
فضاهای رنگی و مقدمات خوشه بندی فیلترگذاری روی تصویر با رنگ دستور inrange در opencv برای فیلتر کردن رنگ مثال فیلتر کردن رنگ آبی در ویدیو بررسی سایر فضاهای رنگی مثال تکنیک حذف پرده سبز مثال حذف پرده سبز با روشی دیگر و بررسی روی ویدیو مثال pop-effect خوشه بندی یا clustering پیدا کردن رنگهای غالب با خوشهبندی بهبود نمایش رنگهای غالب
تبدیلات رنگ و هیستوگرام هیستوگرام تصویر پیدا کردن رنگهای غالب با هیستوگرام یکنواختسازی هیستوگرام و بهبود کنتراست تصویر الگوریتم CLAHE: روش پیشرفته یکنواختسازی هیستوگرام مقایسه هیستوگرامها و نرمالکردن هیستوگرام
فیلترگذاری روی تصویر و کانولوشن تصویر به عنوان یک تابع حذف نویز تصویر با میانگین متحرک (moving average) تفاوت کانولوشن و کرولیشن و مات کردن تصویر فیلتر غیر خطی میانه (median) پیاده سازی حذف نویز و مات کردن تصویر در پایتون فیلتر sharpening پیاده سازی فیلتر sharpening در پایتون
گرادیان تصویر و لبهیابی (edge detection) لبه در تصویر چیست؟! مفهوم گرادیان تصویر یک فیلتر لبهیابی (edge detection) پیادهسازی لبه یابی در پایتون فیلتر Sobel فیلتر لاپلاس یا filter Laplacian الگوریتم لبهیابی Canny پیاده سازی لبهیابی Canny تشخیص میزان مات بودن تصویر (فوکوس خودکار)
ماژول 5: پردازش تصویر پیشرفته و عکاسی محاسباتی
تبدیلات هاف (Hough Transforms) کاربردهای تبدیل Hough تئوری تشخیص خط با استفاده از تبدیل هاف پیاده سازی تشخیص خط با استفاده از تبدیل هاف مثال تشخیص عقربه های یک ساعت با تبدیل هاف تئوری تشخیص دایره با استفاده از تبدیل هاف پیادهسازی تشخیص دایره با استفاده از تبدیل هاف
تصویربرداری دامنه دینامیکی بالا مفاهیم و پیاده سازی دامنه داینایکی بالا (HDR)
روش ویرایش تصویر پواسون یا seamless cloning روش seamless cloning
ترمیم تصویر (image inpainting) پیاده سازی image inpainting و مثالهای ترمیم تصویر قدیمی، حذف واترمارک روی تصویر و حذف جوش رفع مشکل نور زیاد در یک ناحیه
ماژول 6: تبدیل های هندسی و ویژگی های تصویر
تبدیل های هندسی تبدیلات هندسی خطی (چرخش، تغییر سایز و کجکردن) تبدیلات افاین (Affine Transformation) جابهجایی و چرخواندن تصاویر با تبدیلات هندسی چرخواندن تصویر با مرکزیتی متفاوت تغییر اندازه تصاویر تبدیل projective محاسبه ماتریس تبدیل Affine با داشتن 3 نقطه هموگرافی و محاسبه ماتریس تبدیل Perspective با 4 نقطه
ویژگی های تصویر پبدا کردن گوشهها به روش Harris پیدا کردن گوشهها با روش Shi-Tomasi نقاط کلیدی مورد علاقه (interest point) و الگوریتم SIFT ادامه الگوریتم SIFT و مفهوم Scale-Space پیاده سازی الگوریتم SIFT الگوریتم ORB تطبیق ویژگیها مثال تشخیص اسکناس با داشتن اسکناس نمونه ایجاد تصاویر پاناروما
ماژول 7: بخشبندی و بازشناسی تصویر
بخشبندی تصویر با استفاده از GrabCut بخشبندی تصویر با استفاده از GrabCut
مقدمهای بر هوشمصنوعی مقدمهای بر یادگیری ماشین یادگیری نظارتشده – طبقهبندی
طبقهبندی تصاویر مثال طبقهبندی ارقام دستنویس فارسی مثالهای طبقهبندی ارقام دستنویس انگلیسی و حروف انگلیسی طبقهبند SVM الگوریتم HOG پیادهسازی HOG در پایتون
تشخیص اشیاء تشخیص عابر پیاده با HOG روش تشخیص اشیاء voila jones به همراه مثال تشخیص چهره و چشمها
تفریق پس زمینه و شناسایی اشیا متحرک تفریق پس زمینه و شناسایی اشیا متحرک
رديابي اشياء(Object Tracking) ردیابی با الگوریتمهای Meanshift و Camshift ردیابی اشیاء در OpenCV ردیابی چند شئای (Multi-object tracking)
طبقهبندی تصویر (Image Classification)
طبقهبندی تصویر (Image Classification) یادگیریعمیق و تفاوت آن با یادگیری ماشین و هوش مصنوعی معرفی چالش Image-net و Caffe model zoo لود کردن مدل قبلاً آموزش داده شده از Caffe لود کردن مدل قبلاً آموزش داده شده از TensorFlow
شناسایی اشیاء (Object Detection) لود کرن مدل تشخیص اشیاء از فریمورک TensorFlow
شناسایی و بازشناسی چهره (Face detection and recognition) شناسایی چهره با YuNet بازشناسی چهره عمیق
تخمین حالت بدن (Human Pose Estimation) مدل OpenPose
بخشبندی تصویر (Image Segmentation) مدل Mask R-CNN برای تشخیص اشیاء و بخشبندی تصویر
بخش پایانی
مینیپروژه Cam-Scanner مینیپروژه اسکن اسناد و تراز کردن خودکار آن