การประมวลผลภาพด้วย OpenCV

OpenCV (ไลบรารีโอเพนซอร์สด้านคอมพิวเตอร์วิทัศน์) เป็นไลบรารีทรงพลังสำหรับการประมวลผลภาพและงานด้านคอมพิวเตอร์วิทัศน์ โดยมีเครื่องมือสำหรับโหลด ปรับแต่ง และวิเคราะห์ภาพได้อย่างมีประสิทธิภาพ

การโหลดภาพด้วย OpenCV

เราสามารถโหลดภาพโดยใช้ฟังก์ชัน cv2.imread() ฟังก์ชันนี้จะอ่านภาพเป็นอาร์เรย์ NumPy:

import cv2

# Load an image
image = cv2.imread('example.jpg')

# Display the image shape
print("Image Shape:", image.shape)

การแสดงภาพ

หากต้องการแสดงภาพ ให้ใช้ฟังก์ชัน cv2.imshow():

# Display the image
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

การปรับขนาดภาพ

ใช้ฟังก์ชัน cv2.resize() เพื่อปรับขนาดภาพ:

# Resize the image
resized_image = cv2.resize(image, (200, 200))
cv2.imshow('Resized Image', resized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

การแปลงเป็นระดับสีเทา

แปลงภาพสีเป็นระดับสีเทาโดยใช้ cv2.cvtColor():

# Convert to grayscale
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow('Grayscale Image', gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

การวาดรูปร่างบนภาพ

เราสามารถวาดรูปร่างต่าง ๆ เช่น เส้น สี่เหลี่ยม และวงกลมบนภาพได้:

# Draw a rectangle
cv2.rectangle(image, (50, 50), (200, 200), (255, 0, 0), 2)
cv2.imshow('Image with Rectangle', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

การตรวจจับขอบ

ตรวจจับขอบในภาพโดยใช้ฟังก์ชัน cv2.Canny():

# Perform edge detection
edges = cv2.Canny(image, 100, 200)
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

ความท้าทายในการประมวลผลภาพ

ความท้าทายที่พบได้บ่อยประกอบด้วย:

• สภาพแสง: ความแปรผันของแสงอาจส่งผลต่อผลลัพธ์
• สัญญาณรบกวน: ภาพอาจมีสิ่งแปลกปลอมที่ไม่ต้องการ
• ความสามารถในการขยายขนาด: การประมวลผลภาพความละเอียดสูงต้องใช้ทรัพยากรจำนวนมาก

สรุปและขั้นตอนถัดไป

ในบทเรียนนี้ เราได้:

• สำรวจ OpenCV สำหรับการประมวลผลภาพ
• เรียนรู้การโหลด ปรับขนาด และแปลงภาพเป็นระดับสีเทา
• ดำเนินงานต่าง ๆ เช่น การตรวจจับขอบและการวาดรูปร่าง

ถัดไป เราจะเจาะลึกเครือข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) เพื่อทำความเข้าใจวิธีประมวลผลข้อมูลภาพสำหรับงานที่ซับซ้อน เช่น การจำแนกภาพ