چگونه می توان از بالش برای انجام تصویر سازی تصویر روی یک تصویر استفاده کرد؟

من به عنوان یک تأمین کننده بالش ، من هیجان زده ام که نحوه استفاده از بالش ، یک کتابخانه محبوب Python را با شما به اشتراک بگذارم تا تصویر را روی یک تصویر انجام دهم. Denoising Image یک گام مهم در پردازش تصویر است ، زیرا با از بین بردن نویز ناخواسته به بهبود کیفیت تصاویر کمک می کند. این فرآیند می تواند جذابیت بصری تصاویر را تقویت کرده و آنها را برای برنامه های مختلف مانند چاپ ، نمایش وب و تجزیه و تحلیل مناسب تر کند.

درک سر و صدای تصویر

قبل از اینکه به فرآیند دفع تصویر بپردازیم ، درک این مسئله ضروری است. نویز تصویر به تغییرات تصادفی در روشنایی یا رنگ یک تصویر اشاره دارد که می تواند به دلیل عوامل مختلف مانند نواقص سنسور ، تداخل الکتریکی یا مصنوعات فشرده سازی رخ دهد. انواع مختلفی از سر و صدای تصویر وجود دارد ، از جمله سر و صدای گاوسی ، نویز نمک و فلفل و سر و صدای لکه دار. هر نوع نویز ویژگی های خود را دارد و به تکنیک های مختلف دفع نیاز دارد.

پیش نیازهای

برای دنبال کردن این آموزش ، باید پایتون را به همراه کتابخانه بالش روی رایانه خود نصب کنید. می توانید با اجرای دستور زیر در ترمینال خود ، بالش را با استفاده از PIP ، نصب کننده بسته Python نصب کنید:

بالش نصب پیپ

بارگیری یک تصویر

اولین قدم در مورد استفاده از تصویر ، بارگذاری تصویری است که می خواهید پردازش کنید. بالش روشی ساده و ساده برای بارگیری تصاویر با استفاده ازتصویرماژول در اینجا مثالی از نحوه بارگذاری یک تصویر آورده شده است:

از PIL Import Image # یک تصویر فایل تصویر را باز کنید = Image.open ("مسیر/به//تصویر/تصویر. jpg ') # تصویر تصویر را نمایش دهید. show ()

در این مثال ، ابتدا وارد می کنیمتصویرماژول از کتابخانه بالش. سپس ، ما ازبازروش باز کردن یک فایل تصویری واقع در مسیر مشخص شده. سرانجام ، ما ازنشان دادنروش نمایش تصویر.

اضافه کردن نویز به یک تصویر

برای نشان دادن اثربخشی دفع تصویر ، ابتدا می توانیم برخی از سر و صداهای خود را به تصویر خود اضافه کنیم. ما سر و صدای گاوسی را اضافه خواهیم کرد ، که این یک نوع رایج از سر و صدای است که از توزیع گاوسی پیروی می کند. در اینجا مثالی از نحوه اضافه کردن سر و صدای گاوسی به یک تصویر آورده شده است:

وارد کردن numpy به عنوان np از تصویر واردات # یک تصویر فایل تصویر = تصویر. open ("مسیر/به/شما/تصویر. jpg ') # تبدیل تصویر به یک آرایه numpy image_array = np.array (تصویر) # تولید صدای سر و صدای گاوسی = np.random.normal (0 ، 20 ، تصویر_ray.shrape). NOISY_IMAGE_ARRAY = Image_Array + سر و صدا # کلیپ مقادیر پیکسل را به محدوده [0 ، 255] NOISY_IMAGE_ARRAY = np.clip (noisy_image_array ، 0 ، 255) # تبدیل آرایه numpy به یک تصویر pil noisy_image = تصویر. تصویر. noisy_image_array) NOISY_IMAGE.SHOW ()

در این مثال ، ابتدا تصویر را با استفاده از آرایه Numpy تبدیل می کنیمNP.Arrayعملکرد. سپس ، ما با استفاده از سر و صدای گاوسی ایجاد می کنیمnp.random.normalعملکرد. ما نویز را به آرایه تصویر اضافه می کنیم و مقادیر پیکسل را به دامنه [0 ، 255] می چسباند تا اطمینان حاصل شود که آنها مقادیر پیکسل معتبر هستند. سرانجام ، ما آرایه Numpy را با استفاده از تصویر PIL تبدیل می کنیمتصویر.روش و نمایش تصویر پر سر و صدا.

نادیده گرفتن یک تصویر

حالا که یک تصویر پر سر و صدا داریم ، بیایید با استفاده از بالش آن را از بین ببریم. بالش روشهای مختلفی را برای دفع تصویر فراهم می کند ، از جملهفیلتر کردنروش ، که به ما امکان می دهد فیلترهای مختلف را روی یک تصویر بمالیم. یکی از متداول ترین فیلترهای مورد استفاده در تصویر سازی تصویر ، فیلتر گاوسی است که با کاهش اجزای فرکانس بالا ، تصویر را صاف می کند. در اینجا مثالی از نحوه اعمال فیلتر گاوسی در یک تصویر آورده شده است:

از تصویر واردات PIL ، ImageFilter # تصویر پر سروصدا NOISY_IMAGE = Image.open ('مسیر/به/your/your/noisy_image.jpg') # اعمال یک فیلتر گاوسی denoised_image = noisy_image.filter (imageFilter.GaussianBlur (radius = 2)) # Denoised Image Denoised

در این مثال ، ابتدا با استفاده از تصویر پر سر و صدا باز می شویمبازروش سپس ، ما یک فیلتر گاوسی را با استفاده از تصویر اعمال می کنیمفیلتر کردنروش وImageFilter.GaussianBlurفیلتر درشعاعپارامتر استحکام فیلتر را کنترل می کند ، با شعاع بزرگتر و در نتیجه تصویری مبهم تر. سرانجام ، تصویر denoised را نمایش می دهیم.

سایر تکنیک های Denoising

علاوه بر فیلتر گاوسی ، بالش چندین فیلتر و تکنیک دیگر را برای استفاده از تصویر ارائه می دهد. در اینجا چند نمونه آورده شده است:

• فیلتر متوسط: فیلتر میانه یک فیلتر غیر خطی است که هر پیکسل را با مقدار متوسط پیکسل های همسایه خود جایگزین می کند. این فیلتر در از بین بردن نویز نمک و فلفل مؤثر است.

از تصویر واردات PIL ، ImageFilter # تصویر پر سروصدا NOISY_IMAGE = Image.open ('مسیر/به/your/noisy_image.jpg') # استفاده از یک فیلتر میانه denoised_image = noisy_image.

• فیلتر دو طرفه: فیلتر دو طرفه یک فیلتر غیر خطی است که ضمن حفظ لبه ها ، تصویر را صاف می کند. این فیلتر در از بین بردن سر و صدای گاوسی مؤثر است.

از تصویر واردات PIL ، ImageFilter # تصویر پر سروصدا NOISY_IMAGE = Image.open ('مسیر/به/your/noisy_image.jpg') # استفاده از یک فیلتر دو طرفه denoised_image = noisy_image.filter (imageFilter.Bilederfilter (radius = 5 ، sigma_color = 150) ، sigma_color = 150) denoised_image.show ()

انتخاب تکنیک denoising مناسب

انتخاب تکنیک denoising به نوع و میزان نویز در تصویر و همچنین الزامات خاص برنامه شما بستگی دارد. در اینجا برخی از دستورالعمل های کلی برای کمک به شما در انتخاب تکنیک denoising مناسب ارائه شده است:

• سر و صدای گاوسی: اگر تصویر شما دارای سر و صدای گاوسی است ، ممکن است فیلتر گاوسی یا فیلتر دو طرفه مؤثر باشد.
• نویز نمک و فلفل: اگر تصویر شما دارای نویز نمک و فلفل است ، فیلتر میانه معمولاً بهترین انتخاب است.
• نویز لکه دار: اگر تصویر شما دارای سر و صدای لکه دار است ، ممکن است تکنیک های پیشرفته تر و پیشرفته تر مانند Denoising Wavelet مورد نیاز باشد.

پایان

در این پست وبلاگ ، ما به بررسی نحوه استفاده از بالش برای انجام Denoising Image روی یک تصویر پرداختیم. ما در مورد انواع مختلف سر و صدای تصویر ، نحوه اضافه کردن سر و صدا به یک تصویر و نحوه استفاده از تصویر با استفاده از فیلترها و تکنیک های مختلف آموخته ایم. با استفاده از این تکنیک ها می توانید کیفیت تصاویر خود را بهبود بخشید و آنها را برای برنامه های مختلف مناسب تر کنید.

ما به عنوان تأمین کننده بالش ، ما طیف گسترده ای ازبالش فوم حافظهوتبالش خانگیمحصولاتی که برای تأمین راحتی و پشتیبانی طراحی شده اند. اگر علاقه مند به خرید محصولات ما هستید یا سوالی دارید ، لطفاً برای تهیه و مذاکره با ما تماس بگیرید.

منابع

• مستندات بالش: https://pillow.readthedocs.io/
• مستندات Numpy: https://numpy.org/doc/
• پردازش تصویر با Python: https://www.geeksforgeeks.org/image-processing-in-python-using-pillow-module/