import cv2

# خواندن تصویر
img = cv2.imread(‘image.jpg’)

# نمایش تصویر
cv2.imshow(‘Image’, img)
cv2.waitKey(0)
cv2.destroyAllWindows()

در این کد، تصویر image.jpg خوانده شده و سپس در یک پنجره نمایش داده می‌شود. تابع waitKey(0) منتظر می‌ماند تا کاربر کلیدی را فشار دهد و سپس پنجره بسته می‌شود.

بخش 3: تغییر اندازه و اعمال فیلترهای ساده

یکی از ویژگی‌های کاربردی این فریمورک توانایی تغییر اندازه تصاویر و اعمال فیلترهای مختلف است. در این بخش، نحوه تغییر اندازه تصویر و فیلترهای ساده مانند تبدیل به سیاه و سفید را بررسی می‌کنیم.

# تغییر اندازه تصویر
resized_img = cv2.resize(img, (300, 300))

# تبدیل تصویر به سیاه و سفید
gray_img = cv2.cvtColor(resized_img, cv2.COLOR_BGR2GRAY)

cv2.imshow(‘Gray Image’, gray_img)
cv2.waitKey(0)

بخش 4: تشخیص لبه‌ها

یکی از تکنیک‌های متداول در پردازش تصویر، تشخیص لبه‌ها است. این تکنیک برای استخراج خطوط و لبه‌های مهم در یک تصویر استفاده می‌شود. Open Computer Vision Library با استفاده از الگوریتم Canny این امکان را فراهم می‌کند:

edges = cv2.Canny(gray_img, 100, 200)

cv2.imshow(‘Edges’, edges)
cv2.waitKey(0)

در این کد، لبه‌های تصویر سیاه و سفید استخراج شده و نمایش داده می‌شوند.

بخش 5: تشخیص چهره با Haar Cascades

یکی از جذاب‌ترین کاربردهای فریمورک  فوق، تشخیص چهره است. برای این کار، از فایل‌های Haar Cascades استفاده می‌شود. این فایل‌ها حاوی داده‌هایی هستند که به فریمورک فوق امکان تشخیص ویژگی‌های خاص مانند چهره را می‌دهند.

ابتدا فایل haarcascade_frontalface_default.xml را از مخزن OpenCV دانلود کنید و سپس کد زیر را اجرا کنید:

face_cascade = cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.1, 4)

for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

cv2.imshow(‘Face Detection’, img)
cv2.waitKey(0)

این کد چهره‌های موجود در تصویر را شناسایی کرده و با مستطیل‌هایی آن‌ها را مشخص می‌کند.

بخش 6: پردازش ویدیو و تشخیص حرکت

علاوه بر پردازش تصاویر، OpenCV قابلیت پردازش ویدیو و حتی استفاده از دوربین زنده را نیز دارد. برای پردازش ویدیو می‌توانید از کد زیر استفاده کنید:

cap = cv2.VideoCapture(0)

while True:
ret, frame = cap.read()
gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
cv2.imshow(‘Video’, gray_frame)

if cv2.waitKey(1) & 0xFF == ord(‘q’):
break

cap.release()
cv2.destroyAllWindows()

در این کد، دوربین فعال شده و فریم‌های زنده را به صورت سیاه و سفید نشان می‌دهد. با فشار دادن کلید q، اجرای برنامه متوقف می‌شود.

بخش 7: کاربردهای واقعی OpenCV

OpenCV کاربردهای بسیار زیادی دارد که در ادامه به برخی از آن‌ها اشاره می‌کنیم:

1. سیستم‌های خودران: برای تشخیص موانع و علائم راهنمایی.
2. سیستم‌های امنیتی: تشخیص چهره و ردیابی حرکت.
3. پزشکی: تشخیص الگوهای بیماری از تصاویر پزشکی مانند عکس‌های MRI.

نتیجه‌گیری

کتابخانه OpenCV یکی از قوی‌ترین ابزارها برای پردازش تصویر و ویدیو است که کاربردهای بسیاری در هوش مصنوعی و بینایی ماشین دارد. با این آموزش، شما با نصب و راه‌اندازی OpenCV، خواندن تصاویر، تشخیص لبه‌ها و چهره‌ها، و حتی پردازش ویدیو آشنا شدید. این تنها شروع ماجراجویی شما با Open Computer Vision Library است و با تمرین و گسترش این مثال‌ها می‌توانید پروژه‌های پیچیده‌تری را پیاده‌سازی کنید.

سوالات متداول:

1. OpenCV در چه پروژه‌هایی کاربرد دارد؟ Open Computer Vision Library در پروژه‌های مرتبط با بینایی ماشین، امنیت، پزشکی و خودروسازی کاربرد گسترده‌ای دارد.
2. آیا می‌توان از OpenCV برای تشخیص اشیای پیچیده استفاده کرد؟ بله، OpenCV با ترکیب با تکنیک‌های یادگیری عمیق امکان تشخیص اشیای پیچیده و حتی استفاده در خودروهای خودران را فراهم می‌کند.