Liczba pikseli

Obliczmy łączną liczbę pikseli w tym obrazie.

Obraz wczytany jako face_image

Łączna liczba pikseli odpowiada rozdzielczości obrazu i jest wyznaczana wzorem \(Height \times Width\).

Użyj .shape z NumPy (wczytanego jako np) w konsoli, aby sprawdzić szerokość i wysokość obrazu.

To ćwiczenie jest częścią kursu

Przetwarzanie obrazów w Pythonie

Zobacz kurs

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Przetwarzanie obrazów w Pythonie

SkillTag.level.intermediateSkillTag.label

4.8+

215 reviews

Rozpocznij kurs za darmo

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 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

Bieżące ćwiczenie

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!