Konturen eines nicht-binären Bildes finden

Lass uns weiter daran arbeiten, wie man ein Bild vorbereitet, um seine Konturen zu finden und daraus Informationen zu gewinnen.

Wir bearbeiten ein Bild mit zwei lilafarbenen Würfeln, geladen als image_dice, und bestimmen, welche Zahl auf jedem Würfel geworfen wurde.

Purple dice

In diesem Fall ist das Bild noch nicht in Graustufen oder binär. Das bedeutet, wir müssen vor der Konturensuche einige Schritte der Bildvorverarbeitung durchführen. Zuerst wandeln wir das Bild in ein 2D-Graustufenbild um und wenden anschließend Thresholding an. Zum Schluss werden die Konturen zusammen mit dem Originalbild angezeigt.

Die Module color, measure und filters sind bereits importiert, sodass du die Funktionen zur Konturensuche und zum Thresholding verwenden kannst.

Außerdem importieren wir das io-Modul, um image_dice aus dem lokalen Speicher mit imread zu laden. Hier findest du mehr dazu.

Diese Übung ist Teil des Kurses

<Kurs>Bildverarbeitung mit Python</Kurs>

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Make the image grayscale
image_dice = color.____(image_dice)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Bildverarbeitung mit Python</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Tauche in digitale Bildstrukturen ein und lerne, sie zu verarbeiten! Extrahiere Daten, transformiere und analysiere Bilder mit NumPy und Scikit-image. Mit nur wenigen Codezeilen wandelst du RGB-Bilder in Graustufen um, gewinnst Daten daraus, erstellst Histogramme mit sehr nützlichen Informationen und trennst Objekte vom Hintergrund!

Exercise 1: Lass Bilder mit scikit-image lebendig werden Exercise 2: Ist das grau oder voller Farbe?Exercise 3: RGB zu Graustufen Exercise 4: NumPy für Bilder Exercise 5: Total verdreht Exercise 6: Histogramme Exercise 7: Erste Schritte mit Thresholding Exercise 8: Globales Thresholding anwenden Exercise 9: Wenn der Hintergrund nicht so eindeutig ist Exercise 10: Andere Methoden ausprobieren Exercise 11: Thresholding anwenden

Du lernst, <strong>Objektformen zu erkennen</strong> mithilfe von Kantenfilterung, <strong>medizinische Bilder zu verbessern</strong> durch Kontrastanpassung <strong>und sogar Bilder auf das Fünffache der ursprünglichen Größe zu vergrößern!</strong> Außerdem wendest du Morphologie an, um das Thresholding bei der Bildsegmentierung zu verbessern, und hebst die Bildverarbeitung mit Python auf das nächste Level.

Exercise 1: Leg direkt los mit Filtern Exercise 2: Kantenerkennung Exercise 3: Weichzeichnen zur Rauschreduktion Exercise 4: Kontrastverbesserung Exercise 5: Wie hoch ist der Kontrast dieses Bildes?Exercise 6: Medizinische Bilder Exercise 7: Luftbild Exercise 8: Mehr Wirkung und Kontrast Exercise 9: Transformationen Exercise 10: Aliasing, Rotieren und Reskalieren Exercise 11: Bilder vergrößern Exercise 12: Proportionales Skalieren Exercise 13: Morphologie Exercise 14: Handgeschriebene Buchstaben Exercise 15: Schwellwertbild verbessern

Bis hierhin hast du schon einige sehr coole Dinge mit deinen Bildverarbeitungskenntnissen gemacht! In diesem Kapitel wendest du <strong>Bildrestaurierung an, um Objekte, Logos, Text oder beschädigte Bereiche</strong> in Bildern zu entfernen! Außerdem lernst du, wie du Rauschen einbringst, Segmentierung zur Beschleunigung der Verarbeitung nutzt und Elemente in Bildern über ihre Konturen findest.

Exercise 1: Bildrestaurierung Exercise 2: Lass uns ein beschädigtes Bild restaurieren Exercise 3: Logos entfernen Exercise 4: Rauschen Exercise 5: Lass uns etwas Rauschen erzeugen!Exercise 6: Rauschen reduzieren Exercise 7: Rauschen reduzieren und Kanten erhalten Exercise 8: Superpixel & Segmentierung Exercise 9: Anzahl der Pixel Exercise 10: Superpixel-Segmentierung Exercise 11: Konturen finden Exercise 12: Konturen von Formen Exercise 13: Konturen eines nicht-binären Bildes finden

Aktuelle Übung

Exercise 14: Zähle die Punkte auf dem Würfelbild

Nach Abschluss dieses Kapitels hast du ein tieferes Verständnis der Bildverarbeitung, denn du wirst <strong>Kanten, Ecken und sogar Gesichter erkennen!</strong> Du lernst, nicht nur Frontalgesichter, sondern auch Profile sowie Katzen oder Hunde zu erkennen. Du wendest deine Fähigkeiten auf komplexere <strong>Real-World-Anwendungen</strong> an. Lerne, zahlreiche weit verbreitete Bildverarbeitungstechniken mit nur wenigen Codezeilen zu meistern!

Exercise 1: Kanten mit Canny finden Exercise 2: Kanten Exercise 3: Weniger kantig Exercise 4: Gleich um die Ecke Exercise 5: Perspektive Exercise 6: Weniger Ecken Exercise 7: Gesichtserkennung Exercise 8: Ist da jemand?Exercise 9: Mehrere Gesichter Exercise 10: Segmentierung und Gesichtserkennung Exercise 11: Praxisnahe Anwendungen Exercise 12: Privatsphäre schützen Exercise 13: Hilf Sally, ihr Abschlussfoto zu restaurieren Exercise 14: Großartige Arbeit!