Vi opfatter verden omkring os mest visuelt. Mennesker er i stand til at identificere objekter, opfatte afstand og endda gætte tekstur blot ved at se billeder.
Alligevel, på trods af hvor almindeligt og let at se synes at være, forbliver det noget undvigende, når man prøver at programmere computere til at udføre det. Der er dog algoritmer, der er blevet udviklet gennem årene for at hjælpe computere med at udføre denne tilsyneladende skræmmende opgave med billedbehandling. T
Disse algoritmer er blevet implementeret i kode og distribueret som softwarebiblioteker, som vi vil dække i denne artikel.
Indholdsfortegnelse
Hvad er billedbehandling?
Billedbehandling er en del af computersyn. Det involverer de opgaver, der udføres på billeder som forberedelse til at bruge dem i maskinlæring og i store træk kunstig intelligens.
Det er nyttigt til at detektere og identificere objekter i billeder. Dette ville være anvendeligt til at bygge selvkørende biler og robotter og klassificere billeder for at identificere ting som hadefuldt indhold.
Anvendelser af billedbehandling
Billedbehandling bruges på en række områder. Nogle af dets mest almindelige og nyttige applikationer inkluderer:
- Medicinsk billeddannelse og diagnose, hvor AI kan diagnosticere patienter fra scanning
- Sikkerhed ved implementering af biometriske sikkerhedssystemer og bygning af overvågningssystemer.
- Robotik, når man bygger robotter, der er i stand til at se deres omgivelser. Disse omfatter selvkørende biler.
- Augmented reality, for eksempel filtre. Billedbehandling bruges til at identificere objekter og anvende filtre på dem.
- Trafikanalyse for at aflæse nummerplader. Dette kan bruges i retshåndhævelse til at identificere bilister, der ikke stopper ved rødt lyskryds eller i fartfælder.
Der er forskellige algoritmer, der bruges i billedbehandling. Disse omfatter morfologisk udvidelse og erosion, Gaussisk, Fourier Transform, Edge-detektion og wavelet-billedbehandling.
I mangel af softwarebiblioteker ville man skulle implementere disse algoritmer fra bunden. Heldigvis er der forudskrevne biblioteker, der implementerer den nødvendige funktionalitet. Dette er en liste over nogle af de mest almindelige.
OpenCV
OpenCV er et af de mest populære billedbehandlingsbiblioteker. Det bruges til at implementere computervisionsalgoritmer og udføre maskinlæring og billedbehandling.
Derudover er den tilgængelig gratis og er open source. Desuden er OpenCV alsidig, da den kan bruges med en række forskellige programmeringssprog. Disse inkluderer Python, C++ og Java.
Biblioteket implementerer mange af de funktioner og algoritmer, du skal bruge til billedbehandling. Disse omfatter kantdetektering, feature-ekstraktion, transformationer, rotationer, ændring af størrelse og forbedring.
Scikit-billede
Scikit-image tilbyder en brugervenlig og effektiv måde at udføre billedbehandling på. Det muliggør billedinput/output, transformation, filtrering, segmentering, ekstraktion af funktioner, billedgendannelse og geometriske transformationer.
Biblioteket integreres med andre videnskabelige databehandlingsbiblioteker og gør det muligt for brugere nemt at manipulere og forbedre billeder til forskellige applikationer, fra grundlæggende operationer som ændring af størrelse til avancerede opgaver som objektgenkendelse eller billedgendannelse.
SimpleITK
SimpleITK er en forenklet version af ITK. ITK (Insight Toolkit) er et bibliotek på tværs af platforme og open source til billedanalyse. SimpleITK understøtter læsning og skrivning af billeder fra mere end 20 billedfilformater.
Ud over Python fungerer det med andre programmeringssprog såsom R, Java, Ruy, Lua, C++ og C#. Det giver en lang række funktioner, der kan bruges til at arbejde med billeder.
SimpleITK er også kraftfuld, da den understøtter arbejde med 2D-, 3D-, 4D- og 5D-billeder. Det understøtter også parallel behandling for at fremskynde operationer.
SciPy
SciPy er en fætter til det populære numeriske analysebibliotek, NumPy. SciPy bruges til videnskabelig databehandling, mens NumPy bruges til numerisk beregning. Fordi SciPy bruger NumPy under hætten, er det meget hurtigt og effektivt.
Det understøtter også arbejde med multidimensionelle billeder. Biblioteket implementerer funktioner til at udføre filtrering, morfologi, objektmålinger og B-spline interpolation.
Pude
Pillow er en fortsættelse af Python Imaging Library (PIL). PIL var et bibliotek til at arbejde med billeder i Python. Det fungerede dog kun med Python2 og blev afbrudt i 2011.
Pillow er en forgrening af projektet. Det understøtter læsning af billeder fra forskellige filformater til sin egen interne repræsentation. Pillows interne repræsentation manipulerer billeder effektivt og giver ret kraftige billedbehandlingsfunktioner. Det understøtter også hurtig adgang til data og udførelse af operationer såsom rotationer og ændring af størrelse.
pgmagick
pgmagick er et open source Python-bibliotek skrevet af Hideo Huttori. Det fungerer som en indpakning for GrphicsMagick, som er en samling værktøjer og biblioteker, der bruges til at læse, skrive og manipulere billeder.
Biblioteket understøtter mere end 88 forskellige billedformater og kan udføre adskillige funktioner, såsom at få billeders størrelse, skærpe eller sløre billeder, registrere kanter, hvirvle dem, solarisere, sammenligne billeder og skrive dem til disk.
pgmagick kan bruges til at skabe gifs, tegne tekst og konvertere billeder fra forskellige filformater.
Afsluttende ord
Selvom denne liste ikke er udtømmende, er bibliotekerne nævnt ovenfor nogle af de mest populære biblioteker, der bruges til billedbehandling. De er blevet brugt af mange mennesker og organisationer til at implementere systemer, der er i stand til objektdetektering, segmentering og analyse.
Dette har været utrolig nyttigt inden for kunstig intelligens og robotteknologi. Som et alternativ til biblioteker kan du bruge API’er til billedanalyse.