برنامه نویسی محصولات دانلودی

آموزش پردازش تصاویر ماهواره ای در پایتون – اولین و کامل ترین پکیج در ایران

آموزش پردازش تصاویر ماهواره ای در پایتون
هادی امامی
نوشته شده توسط هادی امامی

آموزش پردازش تصاویر ماهواره ای در پایتون اولین آموزش جامع در ایران و همچنین در سطح جهان بوده که با این عمق به بررسی پکیج ها و کتابخانه های مختلف در زمینه پردازش تصاویر ماهواره ای پرداخته است.

پایتون یک زبان برنامه‌نویسی رایگان، متن باز (Open Source) و با بیانی کامل‌تر، آزاد است. پایتون یک زبان برنامه‌نویسی همه منظوره (General-Purpose) است به این معنی که می‌توان از آن در توسعه طیف گسترده‌ای از انواع برنامه‌ها در حوزه‌های نرم‌افزاری گوناگون بهره برد. پایتون یک زبان برنامه‌نویسی سطح بالا (High-Level) است که به وسیله‌ آن عمل برنامه‌نویسی به آسانی و با سرعتی بالا انجام می‌پذیرد.

از جمله کاربردهای زبان برنامه نویسی پایتون میتوان به حوزه پردازش تصویر اشاره نمود. اگر با نگاه ریاضی به پردازش تصویر نگاه کنیم، تابعی است که به عنوان ورودی تصویری را دریافت می‌کند و با استفاده از فرمول‌ها و قواعد داده‌ شده، مجموعه‌ای از علامت‌های ریاضی که مفاهیم خاصی را برای ماشین دارد؛ بر‌می گرداند. در این دوره آموزشی سعی شده است تمامی موارد مطرح در زمینه پردازش تصاویر ماهواره ای را به صورت ساده و قابل فهم کدنویسی کرده و آن را اجرا کنیم. بطوری که بعد از اتمام این دوره شما تبدیل به یک متخصص در زمینه برنامه نویسی در بخش سنجش از دور خواهید شد.


مشخصات محصول

  • مدرس: هادی امامی (تولید کننده بیش از ده مجموعه آموزشی در زمینه سنجش از دور)
  • موضوع: پردازش تصاویر ماهواره ای در پایتون
  • نرم افزار/زبان برنامه نویسی: پایتون
  • نوع آموزش: ویدئویی، کدنویسی
  • مدت زمان: ۱۶ ساعت آموزش
  • تخصص: برنامه نویسی در حیطه سنجش از دور
  • مخاطب: علاقه مندان به برنامه نویسی در حیطه سنجش از دور
  • داده های تمرینی: دارد
  • کد های آموزش: دارد
  • رفرنس: دارد

توضیحات محصول

در این آموزش به اکثر مطالبی که یک کاربر یا متخصص سنجش از دور در زمینه پردازش تصویر میتواند با آن ها سروکار داشته باشد پرداخته شده است. همچنین از تصاویر مختلف (لندست، اسپات، مودیس، ژئوآی، استر و …) به منظور کار با انواع داده ها استفاده شده است.

در این آموزش کاربر به سادگی با مفاهیم تئوری و عملی هر بخش از آموزش ها آشنایی پیدا کرده و در آن بخش تجربه کافی را به دست می آورد. در ابتدای هر بخش از آموزش مباحث مربوط به تئوری آن بخش ارائه شده و سپس به مباحث عملی و کدنویسی همان شاخه پرداخته می شود تا کاربر درک کاملی از روند کار را داشته باشد.

این آموزش برای اولین بار در کشور و در سطح جهان می توان عنوان کرد که مختص پردازش تصاویر ماهواره ای در زمینه سنجش از دور ارائه می شود و کامل ترین پکیجی هست که می توان آن را استفاده کرد. در این آموزش از کتابخانه های مختلف و همچنین تصاویر و روش های مختلف و جذابی به منظور کار بر روی پروژه های مختلف استفاده شده است.


عناوین آموزشی

عناوین آموزش داده شده در این محصول عبارت اند از:

فصل-۱ : آشنایی با محیط کاری و آموزش نصب آن

آشنایی با محیط پایتون و آناکوندا

آشنایی با محیط ژوپیتر

فصل-۲ : آشنایی با انواع پکیج ها و کتابخانه های مطرح در زمینه پردازش تصاویر

پکیج Numpy

پکیج Matplotlib

پکیج Scikit-Image

پکیج Scikit-Learn

پکیج Scipy

پکیج OpenCV

پکیج Rasterio

پکیج GDAL

پکیج Pandas

پکیج Pillow

پکیج Cartopy

و …

https://matplotlib.org/_static/logo2.svg

 

فصل-۳ : آشنایی مقدماتی با پایتون

آشنایی با پایتون(مقدماتی)

آشنایی با سینتکس ها(Syntax)

رویکردهای برنامه نویسی(شیءگرایی)

آشنایی با Statements

آشنایی با کامنت نویسی

آشنایی با بلاک بندی در پایتون(Indentation)

آشنایی با متغییرها(Variables)

آشنایی با عملگرها در پایتون(مقایسه ای، حسابی، انتسابی، منطقی، عضویتی، هویتی)

آشنایی با انواع اشیاء در پایتون(صحیح، مختلط، ممیزشناور، دسیمال، بولین، کسری)

فصل-۴ : آشنایی با ساختارهای کنترلی در پایتون

If – else – elif – while – continue – break – for

فصل-۵ : آشنایی با انواع داده ها

Lists – Dictionary – Tupels – Array                            

فصل-۶: وارد کردن و خروجی گرفتن از انواع فرمت های تصویری

آشنایی با انواع فرمت های رایج تصویر

فراخوانی داده های لندست (تکی و مجموعه ای)

فراخوانی و کار با داده های Modis

فراخوانی و کار با داده های ASTER

فراخوانی و کار با داده های Geo-Eye

فصل-۷ : آشنایی با مباحث مربوط با بارزسازی تصاویر و هیستوگرام ها

مباحث تئوری مربوط به بارزسازی تصاویر

کدنویسی انواع روش های بارزسازی مثل :

Gamma-Correction

Logarithm-Adjusment

Adjusment-Sigmoid

Adaptive-Equalizetion

Histogram-Equalization

آشنایی با تابع exposure 

فصل-۸ : آموزش برش تصاویر از روی شیپفایل

آموزش نحوه نوشتن تابع به منظور برش تصاویر

آموزش نوشتن کد به منظور اجرا بر روی هر تصویر و شیپ فایل (خودکارسازی)

فصل-۹ : آموزش ایجاد پروفیل طیفی بر روی تصاویر

نوشتن تابع به منظور ایجاد پروفیل طیفی(خودکارسازی به منظور اجرا بر روی هر تصویر)

فصل-۱۰ : آموزش موزائیک تصاویر ماهواره ای (دقیق ترین روش موجود)

نحوه نوشتن کد به منظور موزائیک بی نقص تصاویر ماهواره ای(یکی از دقیق ترین متدهای موزائیک)

نحوه ذخیره تصاویر با روش های مختلف

فصل-۱۱ : آموزش آشنایی با فضاهای رنگی (HSV-HIS)

آشنایی با انواع فضاهای رنگی و نحوه کدنویسی و نمایش آن ها

آموزش Layer Stacking

استخراج پارامترهای(Hue-Saturation-Value)

فصل-۱۲ : آموزش تجزیه و تحلیل مولفه های اصلی (PCA)

مباحث کامل تئوری PCA

استخراج مولفه های اصلی تصاویر

آموزش FIT کردن تصاویر بر روی مدل های موجود

فصل-۱۳ : کار با شاخص های طیفی

کار با انواع شاخص های طیفی

آموزش نحوه نرمال سازی داده ها

آموزش نحوه تبدیل تصاویر به آرایه ها

اجرای شاخص های :

NDVI – NDWI – SAVI – AFVI – UI

شاخص های پوشش گیاهی، جنگل، شهری، آب

نحوه آستانه گذاری بر روی شاخص ها (جداسازی مناطق پوشش گیاهی و غیرپوشش گیاهی)

فصل-۱۴ : پروژه صفر تا ۱۰۰ کار با داده های NetCDF (آموزش جامع کارتوگرافی)

آشنایی با پکیج های Cartopy – NetCDF

نحوه استخراج اطلاعات مربوط به فایل NetCDF – Metadata

استخراج اجزای داده ها(طول، عرض، درجه حرارت و …)

استخراج اطلاعات آماری تصاویر

کار با انواع مختصات ها و سیستم تصویر ها

کار با انواع گرید بندی ها

آموزش پیشرفته matplotlib

کار با تابع coastlines

کار با تابع contourf

فصل-۱۵ : آموزش کار با انواع مختلف فیلترها در پایتون

آموزش کار با انواع فیلترها (تئوری-عملی)

فیلترهای میانگین، میانه، گوسین، سوبل، لاپلاسین و …

فصل-۱۶ : آموزش انواع مختلف بافت ها (GLCM)

آموزش جامع بافت GLCM

آموزش بافت های :

Contrast – Dissimilarity – Homogeneity – ASM – Energy

فصل-۱۷ : آموزش جامع آشکارسازی تغییرات (کاملا پروژه محور)

آموزش تئوری و منطق آشکارسازی تغییرات

انواع روش های آشکارسازی تغییرات

آشکار سازی تغییرات با استفاده از روش Subtract

آشکارسازی تغییرات با استفاده از روش Divide

آشکارسازی تغییرات با استفاده از روش CVA

آشکارسازی تغییرات با استفاده از شاخص های طیفی

پروژه بررسی تغییرات آتش سوزی در یک بازه زمانی

نحوه آستانه گذاری به منظور استخراج مناطق سوخته

فصل-۱۸ : آموزش طبقه بندی های نظارت نشده (جامع)

تئوری مباحث طبقه بندی نظارت نشده

کدنویسی طبقه بندی به روش K-Means

فصل-۱۹ : آموزش طبقه بندی های نظارت شده

تئوری مباحث طبقه بندی نظارت شده

تئوری و منطق روش های یادگیری ماشین

تئوری و منطق روش SVM

پیاده سازی و کدنویسی ۰-۱۰۰ طبقه بندی نظارت شده با روش SVM

ایجاد تابع به منظور نمونه برداری از تصویر

نحوه فیت کردن تصویر بر روی مدل SVM

نحوه پیش بینی مدل بر اساس نمونه های داده شده


بخش کوتاهی از آموزش


تهیه آموزش

به منظور خرید این محصول آموزشی بر روی گزینه زیر کلیک کرده و بلافاصله آن را دانلود نمایید.


لینک های مفید


 

۶ دیدگاه

  • با سلام و احترام.
    بنده مدتهاست منتظر همچین بسته آموزشی هستم. بسیار سپاس از شما که این وقت را گذاشتید و این محصول بسیار سودمند آموزشی را تهیه فرمودید.
    در حال حاضر، دو سوال داشتم از خدمتتان:
    ۱- آیا با تهیه این بسته، نیازی هست که ما پیش زمینه ای از پایتون داشته باشیم و بسته های آموزشی دیگر را در رابطه با یادگیری کلی پایتون تهیه کنیم، یا اینکه با یادگیری و شروع همین بسته، بصورت پایه و کلی پایتون را یاد گرفته و سپس وارد بحث سنجش از دور میشویم؟
    ۲- از آنجا که علم سنجش از دور بسیار گسترده میباشد، آیا در بحثها و زمینه های دیگر سنجش از دور هم آموزشی تولید میکنید، مثل پردازش سری زمانی تصاویر به صورت خودکار و یا اینکه پردازش تصاویر راداری و سنتینل و …؟؟

    • با سلام و عرض ادب
      بابت تاخیر در پاسخگویی عذرخواهم.
      بله در سرفصل ها اگر دقت کنید ما از مباحث پایه پایتون شروع به کار کردیم که چه کسانی که آشنایی با پایتون دارند و چه کسانی که آشنایی مقدماتی با پایتون را ندارند بتوانند از این بسته استفاده کنند. در مورد سوال دوم هم عرض کنم بله ما در حال آماده سازی بسته جدید پردازش تصاویر با پایتون هستیم که مباحث پیشرفته تر در آن وجود دارند. مثل کار با تصاویر راداری و مباحث مربوط به سری های زمانی و طبقه بندی پیشرفته تر.
      باتشکر

    • با سلام و عرض ادب.
      برای پاسخ به سوالتون میتونم به این صورت عرض کنم که هرکدوم دارای یکسری معایت و یکسری مزیت ها نسبت به همدیگه هستن. در انوی و محیط های نرم افزاری همه چی برای شما آماده هست و با چندتا کلیک میتونین نسبت به کاری که در ذهنتونه و هدفی که دارین برسین. عیب بزرگی که در این مبحث وجود داره اینه که اغلب کاربران بدون اطلاع از پشت پرده یک عملیاتی،عادت میکنن به ورودی دادن ب نرم افزار و چندتا کلیک و خروجی و اکثرا دانش خاصی درمورد کاری ک میکنن به دست نمیارن.
      اما در زمینه برنامه نویسی این مسئله فرق داره و اغلب تا اطلاعی از کاری ک میخایم بکنیم و دانشی در مورد هدف نداشته باشیم کدنویسی نامفهوم و گنگ میشه و درکش سخت میشه.
      مزیتیم که داره اینه ک کاربر ب تک تک عملیاتی ک در طول پردازش انجام میده تسلط داره.
      مزیت بعدی در مورد مقالاتی هس ک میشه نوشت.اصولا مجلات معتبر کارهایی که با نرم افزارها انجام میشه رو قبول نمیکنن و میگن باید در محیط هایی مثل متلب و پایتون و یا آر کارها انجام بشه.
      باتشکر

  • سلام

    در دوره آموزشی پردازش تصاویر ماهواره ای با پایتون، تابعی به اسم coastlines برای تعیین نرخ تغییرات خط ساحلی هست درسته!

    راستش من برای مدیریت سواحل به این تابع برای نرخ تغییرات خط ساحلی نیاز دارم و در مقالات به اسم CoastSat هست که با پایتون پردازش تصاویر ماهواره ای برای این منظور هست

    ممنون میشم اطلاع دهید

    • با عرض سلام.
      من سوالتون رو حقیقتا درست درک نکردم اما در مورد تابع Coaslines باید عرض کنم که
      این تابع به منظور بررسی تغییرات من واقعیتش ندیدم استفاده شه. پکیج کارتوپی اساسا برای لایوت گیری و کار با مختصات های مختلف چه محلی چح جهانی مورد استفاوه قرار میگیره. هرچند میشه برای این منظور هم استفاده نمود.
      البته باید بگم این پکیج خودش وابسته به Matplotlib هست.

دیدگاهتان را بنویسید

اگر تخصصی دارید و تمایل به تولید محصولات آموزشی و کسب درآمد دارید کلیک کنیدلطفا کلیک کنید
+ +