الدرس التاسع - التحويلات المورفولوجية

Lesson_9 slides

:التحويلات المورفولوجية

: الهدف

في هذا الفصل سنتعلم عمليات مورفولوجية مختلفة مثل

Erosion , Dilation

والفتح والاغلاق

وسنرى توابع مختلفة مثل

cv2.erode() , cv2.dilate() , cv2.morphologyEx()

: النظرية

التحويلات المورفولوجية , هي عمليات بسيطة على الصور الثنائية عادة , ولها دخلين هما الصورة الاصلية والعنصر التركيبي الذي يحدد طبيعة العملية والعمليات الاساسية هي

Erosion , Dilation

ثم يأتي بعدها كتركيب لها , الفتح والاغلاق والتدرج وسنطبق ما سبق ,واحدا عقب الاخر على الصورة التالية

In [2]:
from IPython.display import Image
Image('j.png')
Out[2]:

Erosion

هذا التحويل يحاول تنعيم سطح الامامية , التي دائما بيضاء , وذلك بجعل قيمة العنصر 1 فقط في حالة العناصر المحيطة به كلها كذلك تحت القناع.1

وبذلك بالاعتماد على حجم القناع تتحدد الثخانة للناتج , وهذا يفيد بازالة الضجيج كالنقاط البيضاء الصغيرة او فصل جسمين متصلين خطأً, والتالي يبين قناعاً كله واحدات يطبق ما سبق

In [10]:
import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

plt.imshow(erosion,cmap = 'gray')
plt.xticks([]) , plt.yticks([]) , plt.show()
None

Dilation

وهذا يقابل السابق , , فهنا البكسل يأخذ القيمة 1 اذا كان واحد من عناصره تحت القناع 1 على الاقل, وهكذا فهو يزيد حجم المنطقة البيضاء , وبالعادة بالحالات الخاصة بازالة الضجيج يتبع هذا ال

Erosion

لان الاخير يزيل الضجيج ولكنه ايضاً يقلل مساحة الجسم , ولذلك نطبق التحويل

Dilation

وهو يفيد ايضاً بجمع اجزاء الجسم المتكسرة , كالتالي

In [9]:
dilation = cv2.dilate(img,kernel,iterations = 1)

plt.imshow(dilation,cmap = 'gray')
plt.xticks([]) , plt.yticks([]) , plt.show()
None

:الفتح

الفتح هو اسم اخر لتطبيق

Erosion ,then ,Dilation

وهذا يفيد بازالة الضجيج كما شرحنا اعلاه , ويتم عبر التابع

cv2.morphologyEx()

In [14]:
import random
h , w = img.shape
# add noise
for x in range(15):
    cv2.circle(img,(random.randint(0,w),random.randint(0,h)),2,
              (255,255,255),-1)
    
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

res = np.hstack([img,opening])
plt.imshow(res,cmap = 'gray')
plt.xticks([]) , plt.yticks([]) , plt.show()
None

: الاغلاق

وهو عكس الفتح , اي

Dilation ,then , Erosion

وهو يفيد باغلاق الثقوب السوداء في الجسم , او النقاط السوداء

In [15]:
img = cv2.imread('j.png',0)

# add noise
for x in range(100):
    cv2.circle(img,(random.randint(0,w),random.randint(0,h)),1,
              (0,0,0),-1)
    
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

res = np.hstack([img,closing])
plt.imshow(res,cmap = 'gray')
plt.xticks([]) , plt.yticks([]) , plt.show()
None

: التدرج الموفولوجي

وهو الفرق بين ال

Dilation and the Erosion

لصورة , والنتيجة ستبدو كحدود للجسم ,كالتالي

In [16]:
img = cv2.imread('j.png',0)
   
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

res = np.hstack([img,gradient])
plt.imshow(res,cmap = 'gray')
plt.xticks([]) , plt.yticks([]) , plt.show()
None

:قبعة القمة

وهو الفرق بين فتح الصورة والصورة نفسها , وفيما يلي تطبيق له من اجل قناع9,9 كالتالي

In [17]:
kernel = np.ones((9,9),np.uint8)

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

res = np.hstack([img,tophat])
plt.imshow(res,cmap = 'gray')
plt.xticks([]) , plt.yticks([]) , plt.show()
None

:القبعة السوداء

وهو الفرق بين اغلاق صورة الدخل وصورة الدخل , كالتالي

In [19]:
kernel = np.ones((9,9),np.uint8)

blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

res = np.hstack([img,blackhat])
plt.imshow(res,cmap = 'gray')
plt.xticks([]) , plt.yticks([]) , plt.show()
None

: العنصر التركيبي

انشأنا سابقا عنصرا تركيبيا يدويا بمساعدة

Numpy

وكان مستطيل الشكل ولكن احيانا تحتاج , اشكال اخرى كالدائري والقطعي , ولهذا الغرض كان التابع

cv2.getStructuringElement()

وعند تمرير نوع العنصر وحجمه له , يعطينا العنصر المطلوب

In [20]:
# Rectangular Kernel
cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
Out[20]:
array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]], dtype=uint8)
In [21]:
# Elliptical Kernel
cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
Out[21]:
array([[0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0]], dtype=uint8)
In [22]:
# Cross-shaped Kernel
cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
Out[22]:
array([[0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0]], dtype=uint8)

:مراجع اضافية

HIPR2 العمليات المرفولوجية في

:ميول الصورة

: الهدف

سنتعلم بهذا الفصل , ايجاد ميول الصورة والحواف , الخ ..

وسنرى التوابع التالية

cv2.Sobel() , cv2.Scharr() , cv2.Laplacian()

: النظرية

يقدم

OpenCV

ثلاث انواع من مرشحات التدرج أو التمرير العالي , وهي

Sobel , Scharr , Laplacian

وسنرى كلا منهم

:Sobel & Scharr اولا : مشتقات

معاملات سوبول , هي دمج للتنعيم الغاوسي و العمليات التفاضلية , ولهذا هو مقاوم اكثر للضجيج , ويمكنك ان تحدد اتجاه الاشتقاق (افقي او عامودي)من خلال المداخيل , ويمكنك ايضاً تحديد حجم القناع من خلال المتغير في الدخل , واذا مررت -1 كحجم , فسيستخدم قناع 3,3وسيكون بنوع

Scharr

والذي يعطي نتائج افضل .بامكانك مراجعة التوثيق الاصلي لها

:ثانيا : مشتقات لابلاس

انه يحسب , لابلاسيان الصورة وذلك من خلال تطبيق الاقنعة المناسبة مثلاً اذا كان القياس 1 سيكون القناع كالتالي

In [24]:
np.array([[0,1,0],[1,-4,1],[0,1,0]])
Out[24]:
array([[ 0,  1,  0],
       [ 1, -4,  1],
       [ 0,  1,  0]])

: برنامج

المثال التالي يوضح كل ماسبق بمخطط واحد , وكل الاقنعة بقياس 5,5وكذلك عنق صورة الخرج يمرر ك -1 للحصول على ناتج بصيغة

np.uint8()

In [32]:
import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('sudokusmall.bmp',0)
laplacian = cv2.Laplacian(img,cv2.CV_64F)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)

plt.subplot(1,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(1,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.show()

plt.subplot(1,2,1),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(1,2,2),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])

plt.show()

:قضية مهمة أخيرة

في مثالنا الاخير , نوع الصورة كان

np.uint8() or cv2.CV_8U

ولكن هناك فرق , فعند التحويل من النوع الاول للثاني , تكون الحواف ذات الانتقال من الاسود للابيض بقيمة موجبة اما العكس فبقيمة سالبة , ولذلك , عند تحويل الصيغة نفقد تلك الحواف لانها تعتبر اصفاراً .

اذا اردت اكتشاف كل من الحواف فما عليك , الا الابقاء عليها بصيغة مكبرة , ومن ثم اخذ القيمة المطلقة لها , وثم تحويلها للصيغة الملائمة للاظهار والتالي يوضح الفكرة ويبين الخطأ الحاصل بالحالة الاولى

In [33]:
import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('box.png',0)

# Output dtype = cv2.CV_8U
sobelx8u = cv2.Sobel(img,cv2.CV_8U,1,0,ksize=5)

# Output dtype = cv2.CV_64F. Then take its absolute and
# convert to cv2.CV_8U
sobelx64f = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
abs_sobel64f = np.absolute(sobelx64f)
sobel_8u = np.uint8(abs_sobel64f)

plt.subplot(1,3,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,2),plt.imshow(sobelx8u,cmap = 'gray')
plt.title('Sobel CV_8U'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,3),plt.imshow(sobel_8u,cmap = 'gray')
plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])

plt.show()

الدرس العاشر ,مكتشف الحواف كاني

ليست هناك تعليقات:

إرسال تعليق

الاشتراك في: الرسائل (Atom)