edge detection, image gradient, image pyramids, morphological transfo…

…rmations added

CannyEdgeDetection/CannyEdgeDetection.py

@@ -0,0 +1,13 @@
+import cv2 as cv
+
+"""  CANNY EDGE DETECTION **************************************************************** """
+# Öncelikle noise reduction yapılır çünkü canny edge detection, gürültüye karşı duyarlıdır.
+# Bu yüzden ilk adımda gauss filtresi ile gürültü kaldırılır.
+# Ardından görüntünün intensity gradienti bulunur.
+# smoothened image, sobel kerneliyle hem yatay hem dikeyde filtrelenir.
+# non-maximum suppression yapılır ardından hysteresis thresholding ?
+# opencv tüm bu işlemlerin cv.Canny fonksiyonu ile yapılabilmesini sağlar.
+
+gray = cv.imread("../input_pictures/input_agac.png", 0)
+edges = cv.Canny(gray, 100, 200) # 2.arg=minVal, 3.arg=maxVal
+cv.imwrite('edges.png', edges)

Contours/Contours.py

@@ -0,0 +1,9 @@
+import cv2 as cv
+
+gray = cv.imread("../input_pictures/input_agac.png")
+
+# Konturlar, aynı renk veya yoğunluğa sahip tüm sürekli noktaları sınır boyunca birleştiren bir eğridir.
+# Şekil analizi, nesne algılama, tanımada kullanılır.
+# Binary görüntü kullanılırsa daha doğru sonuçlar elde edilir.
+# Bu yüzden konturları bulmadan önce threshold veya canny edge detection kullanılır.
+# Bulunacak nesne beyaz, arka plan siyah olmalı.

ImageGradient/ImageGradient.py

@@ -0,0 +1,24 @@
+import cv2 as cv
+import numpy as np
+
+
+"""  IMAGE GRADIENTS **************************************************************** """
+# 1.Sobel and Scharr Derivatives
+# SOBEL = gaussian smoothing + differentitation
+# bu nedenle gürültüye karşı dayanıklı.
+# türev yönü dikey veya yatay olarak belirlenebilir.
+# sırasıyla yorder,xorder
+# ksize= çekirdeğin boyutu
+
+img = cv.imread("../input_pictures/input_sudoku.png", 0)
+sobelx = cv.Sobel(img, cv.CV_64F, 1, 0, ksize=5)
+sobely = cv.Sobel(img, cv.CV_64F, 0, 1, ksize=5)
+
+cv.imwrite("sobelx.png", sobelx)
+cv.imwrite("sobely.png", sobely)
+
+# 2.Laplacian Derivaties
+laplace = cv.Laplacian(img, cv.CV_64F)
+cv.imwrite("laplace.png", laplace)
+
+# ayrıntılı olarak yeniden bak

ImagePyramids/ImagePyramids.py

@@ -0,0 +1,30 @@
+import cv2 as cv
+
+# Normalde sabit boyutlu bir görüntü ile çalışıyorduk.
+# Ancak bazı durumlarda aynı görüntünün farklı çözünürlükleriyle çalışmamız gerekir.
+# Örneğin, bir görüntüde yüz arıyorsak o görüntüdeki nesnenin hangi boyutta olacağından
+# emin olamayız. Bu durumda, aynı görüntüden farklı çözünürlüklerde bir set oluşturup
+# hepsinde nesne aramamız gerekir. Bu görüntü kümesine Görüntü Piramitleri denir.
+# ( en yüksek çözünürlüklü görüntü altta, en düşük çözünürlüklü görüntü üstte. )
+
+""" 1. Gaussian Pyramids *********************************"""
+
+gray = cv.imread("../input_pictures/input_agac.png")
+lower_reso = cv.pyrDown(gray)  # level_1
+cv.imwrite("lower_reso.png", lower_reso)
+
+lower_lower_reso = cv.pyrDown(lower_reso)  # level_2
+cv.imwrite("lower_lower_reso.png", lower_lower_reso)
+
+high_reso = cv.pyrUp(lower_lower_reso)
+cv.imwrite("high_reso.png", high_reso)
+
+# high_reso ile baştaki image aynı değil çünkü çözünürlüğü bir kez düşürdüğümüzde bilgiyi kaybederiz.
+
+""" 2. Laplace Pyramids *********************************"""
+# Laplacian piramitleri, gauss piramitlerinden oluşur. Bunun için özel bir fonksiyon yok.
+# Laplacian piramit görüntüleri, yalnızca kenar görüntüleri gibidir.
+# Öğelerinin çoğu sıfırdır.
+# Görüntü sıkıştırmada kullanılır.
+# Laplacian'daki bir seviye, Gauss'daki bu seviye ile Gauss'daki üst
+# seviyesinin genişletilmiş versiyonu arasındaki farktan oluşur.