Zacznij od filtrowania

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

To ćwiczenie jest częścią kursu

Przetwarzanie obrazów w Pythonie

SkillTag.level.intermediateSkillTag.label

4.8+

Zanurz się w struktury obrazów cyfrowych i naucz się je przetwarzać! Wyodrębniaj dane, przekształcaj i analizuj obrazy przy użyciu NumPy i Scikit-image. Zaledwie kilkoma liniami kodu przekonwertujesz obrazy RGB na skalę szarości, pobierzesz z nich dane, wygenerujesz histogramy zawierające cenne informacje oraz oddzielisz obiekty od tła!

Exercise 1: Ożyw obrazy z scikit-image Exercise 2: Skala szarości czy pełen kolorów?Exercise 3: RGB do skali szarości Exercise 4: NumPy dla obrazów Exercise 5: Przewracanie obrazu Exercise 6: Histogramy Exercise 7: Pierwsze kroki z progowaniem Exercise 8: Zastosuj globalne progowanie Exercise 9: Gdy tło nie jest takie oczywiste Exercise 10: Testowanie innych metod Exercise 11: Zastosuj progowanie

Nauczysz się wykrywać kształty obiektów za pomocą filtrów detekcji krawędzi, poprawiać jakość obrazów medycznych przez wzmocnienie kontrastu, a nawet powiększać obrazy do pięciokrotności ich oryginalnego rozmiaru! Zastosujesz też morfologię, aby zwiększyć dokładność progowania podczas segmentacji obrazów, i przejdziesz na wyższy poziom przetwarzania obrazów w Pythonie.

Exercise 1: Zacznij od filtrowania

Bieżące ćwiczenie

Exercise 2: Wykrywanie krawędzi Exercise 3: Rozmycie w celu redukcji szumów Exercise 4: Wzmacnianie kontrastu Exercise 5: Jaki jest kontrast tego obrazu?Exercise 6: Obrazy medyczne Exercise 7: Zdjęcie lotnicze Exercise 8: Dodajmy kontrastu i wyrazu Exercise 9: Transformacje Exercise 10: Aliasing, obracanie i skalowanie Exercise 11: Powiększanie obrazów Exercise 12: Proporcjonalna zmiana rozmiaru Exercise 13: Morfologia Exercise 14: Odręczne litery Exercise 15: Poprawa obrazu po progowaniu

Do tej pory udało ci się zrobić naprawdę wiele z umiejętnościami przetwarzania obrazów! W tym rozdziale zastosujesz odtwarzanie obrazów, aby usuwać obiekty, logotypy, tekst lub uszkodzone fragmenty zdjęć! Dowiesz się również, jak dodawać szumy, korzystać z segmentacji w celu przyspieszenia przetwarzania oraz znajdować elementy na obrazach na podstawie ich konturów.

Exercise 1: Rekonstrukcja obrazów Exercise 2: Przywróćmy uszkodzony obraz Exercise 3: Usuwanie logo Exercise 4: Szum Exercise 5: Dodajmy trochę szumu!Exercise 6: Redukcja szumów Exercise 7: Redukcja szumów z zachowaniem krawędzi Exercise 8: Superpiksel i segmentacja Exercise 9: Liczba pikseli Exercise 10: Segmentacja superpikselowa Exercise 11: Znajdowanie konturów Exercise 12: Wykrywanie konturów kształtów Exercise 13: Znajdowanie konturów obrazu, który nie jest binarny Exercise 14: Zlicz kropki na obrazie kostki do gry

Po ukończeniu tego rozdziału pogłębisz swoją wiedzę z zakresu przetwarzania obrazów – będziesz potrafić wykrywać krawędzie, narożniki, a nawet twarze! Nauczysz się wykrywać nie tylko twarze en face, ale również profile twarzy, koty czy psy. Swoje umiejętności zastosujesz w bardziej złożonych przykładach z prawdziwego życia. Opanujesz wiele powszechnie stosowanych technik przetwarzania obrazów – i to przy minimalnej liczbie linii kodu!

Exercise 1: Wykrywanie krawędzi metodą Canny Exercise 2: Krawędzie Exercise 3: Mniej krawędzi Exercise 4: Tuż za rogiem Exercise 5: Perspektywa Exercise 6: Mniej narożników Exercise 7: Wykrywanie twarzy Exercise 8: Czy ktoś tu jest?Exercise 9: Wiele twarzy Exercise 10: Segmentacja i wykrywanie twarzy Exercise 11: Zastosowania w praktyce Exercise 12: Ochrona prywatności Exercise 13: Pomóż Sally odtworzyć jej zdjęcie z ukończenia studiów Exercise 14: Świetna robota!