Superpixlar & segmentering

Create Your Free Account

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

Den här övningen är en del av kursen

Bildbehandling i Python

SkillTag.level.intermediateSkillTag.label

4.8+

Utforska digitala bildstrukturer och lär dig att bearbeta dem! Extrahera data, transformera och analysera bilder med NumPy och scikit-image. Med bara några få rader kod konverterar du RGB-bilder till gråskala, hämtar data från dem, skapar histogram med värdefull information och separerar objekt från bakgrunden!

Exercise 1: Ge bilder liv med scikit-image Exercise 2: Gråskala eller färgbild?Exercise 3: Från RGB till gråskala Exercise 4: NumPy för bilder Exercise 5: Vänd på det Exercise 6: Histogram Exercise 7: Kom igång med tröskling Exercise 8: Tillämpa global tröskling Exercise 9: När bakgrunden inte är uppenbar Exercise 10: Prova andra metoder Exercise 11: Tillämpa tröskelvärde

Du lär dig att detektera objektformer med kantdetekteringsfilter, förbättra medicinska bilder med kontrastförstärkning och till och med förstora bilder till fem gånger sin ursprungliga storlek! Du tillämpar också morfologi för att göra tröskling mer träffsäker vid bildsegmentering och tar din bildbehandling i Python till nästa nivå.

Exercise 1: Dyk in i filtrering Exercise 2: Kantdetektering Exercise 3: Oskärpa för att minska brus Exercise 4: Kontrastförstärkning Exercise 5: Vad är kontrasten i den här bilden?Exercise 6: Medicinska bilder Exercise 7: Flygfoto Exercise 8: Lägg till kontrast och effekt Exercise 9: Transformationer Exercise 10: Aliasing, rotation och omskalning Exercise 11: Förstora bilder Exercise 12: Proportionell storleksändring Exercise 13: Morfologi Exercise 14: Handskrivna bokstäver Exercise 15: Förbättra en trösklad bild

Hittills har du gjort imponerande saker med dina bildbehandlingsfärdigheter! I det här kapitlet tillämpar du bildåterställning för att ta bort objekt, logotyper, text eller skadade områden i bilder! Du lär dig också att lägga till brus, använda segmentering för att snabba upp bearbetningen och hitta element i bilder med hjälp av deras konturer.

Exercise 1: Bildrestaurering Exercise 2: Återställ en skadad bild Exercise 3: Ta bort logotyper Exercise 4: Brus Exercise 5: Dags att lägga till brus!Exercise 6: Reducera brus Exercise 7: Reducera brus med bevarade kanter Exercise 8: Superpixlar & segmentering

Aktuell övning

Exercise 9: Antal pixlar Exercise 10: Superpixelsegmentering Exercise 11: Hitta konturer Exercise 12: Konturer av former Exercise 13: Hitta konturer i en bild som inte är binär Exercise 14: Räkna prickarna på en tärning

Efter det här kapitlet har du en fördjupad förståelse för bildbehandling – du kan detektera kanter, hörn och till och med ansikten! Du lär dig att detektera inte bara frontalansikten utan även ansiktsprofiler, katter och hundar. Du tillämpar dina färdigheter på mer komplexa verkliga tillämpningar. Bemästra flera vanliga bildbehandlingstekniker med mycket få rader kod!

Exercise 1: Hitta kanter med Canny Exercise 2: Kanter Exercise 3: Mjukare kanter Exercise 4: Runt hörnet Exercise 5: Perspektiv Exercise 6: Färre hörn Exercise 7: Ansiktsigenkänning Exercise 8: Finns det någon där?Exercise 9: Flera ansikten Exercise 10: Segmentering och ansiktsdetektering Exercise 11: Verkliga tillämpningar Exercise 12: Integritetsskydd Exercise 13: Hjälp Sally att återställa sitt examensporträtt Exercise 14: Fantastiskt jobbat!