Для получения дополнительной информации и подробностей вы можете посмотреть видео на YouTube об обработке изображений в Google Colab.
Обзор
В этом руководстве мы расскажем, как обрабатывать изображения в лаборатории Google с использованием OpenCV. Для этого у вас должны быть некоторые знания по основам Python. Приведенные ниже шаги помогут вам узнать об обработке изображений с использованием OpenCV в Google Colab, что полезно в машинном обучении искусственного интеллекта.
Но в приведенной ниже статье отсутствуют некоторые способы, поэтому см. Видео YouTube, указанное выше, в URL.
Обработка изображений делится на 6 шагов:
Шаг 1. Загрузите зависимости
Мы загрузим некоторые необходимые библиотеки, такие как:
Numpy, pandas, cv2, skimage, PIL и Matplotlib.
Давайте загрузим зависимости в Google colab.
Импорт зависимостей может занять несколько секунд.
Шаг 2. Считайте изображение с URL-адресов
На этом этапе мы будем считывать изображения из URL-адресов и отображать их с помощью OpenCV в Google Colab. Мы будем использовать следующий код для отображения изображения.
Давай попробуем в Google Colab.Это URL-адреса изображений.
После запуска кода, приведенного выше, в качестве результата будут отображаться изображения, показанные выше.
Обратите внимание на разницу при чтении изображения в формате RGB и BGR. Цветовые каналы ввода по умолчанию находятся в формате BGR для OpenCV.
Шаг 3: контуры изображения и гистограммы
Мы будем использовать следующие коды.
Затем проверьте тип данных матрицы изображения, высоту изображения, ширину изображения, количество каналов изображения.
Теперь давайте отобразим гистограмму всех пикселей цветного изображения.
Отобразите гистограмму каналов R, G, B. Мы могли заметить, что зеленый канал имеет много пикселей в 255, что представляет собой белое пятно на изображении.
Теперь попробуем сделать изображение серого цвета. Здесь у нас получилось серое изображение собаки.Постройте гистограмму серого изображения.
Мы могли наблюдать, что частота изображения в истории уменьшилась на 1/3 гистограммы цветного изображения.
Шаг 4: преобразование оттенков серого и выравнивание гистограммы
Преобразование оттенков серого предоставляет несколько примеров проведения математических преобразований изображения в оттенках серого.
Это операция, обратная полутоновому изображению. вы могли видеть, что яркие пиксели становятся темными, а темные - яркими.
Еще одно преобразование изображения после добавления константы. Все пиксели становятся ярче, и создается эффект дымки изображения. После этого шага уровень яркости серого изображения уменьшается.
Шаг 5: преобразование Фурье серых изображений
Преобразование Фурье используется для нахождения частотной области изображения. давайте перейдем к коду. Он размывает изображение в градациях серого с помощью фильтра Гаусса с размером ядра 10 и преобразует изображение в частотную область.
Шаг 6: поиск краев с помощью фильтрации верхних частот в FFT
Этот последний шаг демонстрирует использование фильтра высоких частот для удаления низкочастотной составляющей, в результате чего получается изображение с повышенной резкостью, которое содержит края.
