در این بسته آموزشی یک آموزش جامع در مورد پردازش تصویر، عملیات های طیفی و مکانی، و الگوریتم های یادگیری ماشین بیان شده است.
برای این هدف از سه کتاب مرجع با عناوین زیر استفاده شده است. در مباحث مختلف ابتدا نگاهی به کتاب می شود، سپس کدنویسی آن شرح داده می شود.
- Image Processing and GIS for Remote Sensing Techniques and Applications
- Computer Vision- Algorithms and applications
- Digital Image Processing
حل مسائل پردازش تصویر نیازمند تست بر روی داده های زیادی به کمک نرم افزار های شبیه سازی است. گرچه راه حل تئوری برای توسعه الگوریتم ها بر مبنای روش های ریاضی است، پیاده سازی این روش ها نیازمند تخمین پارامترها، شبیه سازی در نرم افزارها و مقایسه آن ها است. در نتیجه، انتخاب یک نرم افزار مناسب آموزش جامع پردازش تصاویر سنجش از دور، یک گام کلیدی و مهم در این زمینه است.
در این بسته آموزشی یک آموزش جامع در مورد پردازش تصویر، عملیات های طیفی و مکانی، و الگوریتم های یادگیری ماشین بیان شده است.
برای این هدف از سه کتاب مرجع با عناوین زیر استفاده شده است. در مباحث مختلف ابتدا نگاهی به کتاب می شود، سپس کدنویسی آن شرح داده می شود.
- Image Processing and GIS for Remote Sensing Techniques and Applications
- Computer Vision- Algorithms and applications
- Digital Image Processing
ویدئوی معرفی دوره:
ویژگی های محصول
- مدرس: دکتر محمد کاکوئی
- تخصص: برنامه نویسی، پردازش تصویر، هوش مصنوعی و سنجش از دور
- موضوع:آموزش مباحث پایه، تکمیلی و الگوریتم های یادگیری ماشین در محیط MATLAB
- نرم افزار: متلب
- مخاطب: علاقه مندان سنجش از دور در محیط متلب
- نوع آموزش: ویدیویی
- داده های تمرینی: دارد
معرفی مدرس
- دکتر محمد کاکوئی
- متخصص سنجش از دور و برنامه نویسی پردازش تصاویر ماهواره ای
- متخصص پردازش موازی با واحد پردازنده گرافیکی GPU
- متخصص یادگیری ماشین و هوش مصنوعی
- دارنده مدرک کارشناسی الکترونیک از دانشگاه شهید بهشتی
- دارنده مدرک کارشناسی ارشد الکترونیک از دانشگاه علم و صنعت
- دارنده مدرک دکتری الکترونیک از دانشگاه صنعتی نوشیروانی
- مدرس دانشگاه
- دارای چندین مقاله ISI و ISC
- ارائه چندین مقاله در کنفرانس های بین المللی
عناوین آموزشی
بخش اول: مباحث مقدماتی
- فرخوانی تصویر، نمایش آن و مدیریت باندها
- ذخیره تصویر زمین مرجع
- نرمال کردن تصویر و هموارسازی هیستوگرام
- اعمال تبدیل به فضای رنگ تصویر
- تطبیق رنگ بین تصاویر سری زمانی
- اعمال ریاضی مبتنی بر پیکسل
- تعریف تابع و شاخص های طیفی
- فیلترگذاری و تبدیل فرکانسی FFT
- فیلترگذاری مکانی میانگین، گاوسی و لاپلاسین
- استخراج لبه با Prewitt و Sobel
- تبدیل فضای رنگ HSV و LAB
- تطبیق رنگ در فضای رنگ HSV
- تبدیل رنگ به فضای PCA
- تغییر اندازه تصویر
- چرخش تصویر
- برش تصویر
- جابجایی تصویر
- تبدیل Affine
- تنظیمات Georeferencing
- مورفولوژی Dilation، Erosion، Opening، Closing
- مورفولوژی استخراج اسکلت، Filling، Thin، Thicken، Majority
بخش دوم: مباحث تکمیلی
- تعریف بردار و ماتریس
- ضرب بردار و ماتریس
- مرتب سازی
- فیلتر گذاری
- شاخص مکانی تصویر
- مکمل تصویر
- نمایش Scatter Plot با برجسته سازی نواحی خاص
- اندازه و زاویه گرادیان تصویر
- اضافه کردن نویز به تصویر و حذف نویز با فیلتر گاوسی
- دستورات کنترل جریان (If، For، while، Switch-case)
- تبدیل حلقه تو در تو به عملیات ماتریسی
- استخراج خط با تبدیل هاف
- استخراج مقدار یک پیکسل
- رسم پروفایل تصویر
- رسم Contour تصویر
- هیستوگرام تطبیقی تصویر
- از بین بردن همبستگی باندها
- رسم Scatter plot سه بعدی
- افزایش روشنایی تصویر با الگوریتم حذف مه
بخش سوم: الگوریتم های یادگیری ماشین
- آستانه گذاری با APP
- آستانه گذاری دو کلاسه اوتسو
- آستانه گذاری چندسطحی اوتسو
- خوشه بندی (Clustering) KMeans
- نمایش Scatter خوشه ها
- بخش بندی (Segmentation) تصویر به روش برش گراف (Graph-Cut) در APP
- بخش بندی تصویر با ویژگی طیفی
- در نظر گرفتن ویژگی Gabor در بخش بندی
- در نظر گرفتن ویژگی همسایگی در بخش بندی
- برچسب زنی (Labeling) داده های آموزشی (Training Data) با App
- طبقه بندی درختی
- طبقه بندی ماشین بردار پشتیبان SVM
- طبقه بندی بیزین
- طبقه بندی KNN
- طبقه بندی LDA
- طبقه بندی Ensemble
- تطبیق تصویر (Registration) با همبستگی متقابل
- استخراج نقاط ویژگی
- تطبیق نقاط ویژگی
- استخراج تابع تبدیل
- تبدیل هندسی تصویر با تابع تبدیل
- ویژگی Harris
- ویژگی BRISK
- ویژگی FAST
- ویژگی SURF
- ویژگی MSER
توضیحات آموزش
آموزش های این بسته به سه بخش تقسیم شده است، اما این امر اتفاقی نیست، بلکه مبتنی بر نیازسنجی دانشجویان است تا در حداقل زمان به سطح مهارت مورد نیاز برسند. با این حال ادعا نمی شود که این بسته، بدون عیب و نقص است و امید است با نظرات خود به کامل شدن آن در آینده کمک کنید. هر بخش به زیر بخش هایی تقسیم شده است که ضمن حفظ همبستگی، دارای ساختار مستقل است. در این آموزش از نسخه R2019a نرم افزار MATLAB استفاده شده است و توصیه می شود که نرم افزار استفاده شده قدیمی تر از R2018b نباشد.
اولین بخش به مباحث پایه اختصاص یافته است تا به زبانی ساده و در قالب پیاده سازی بر روی تصاویر سنجش از دور، عملیات های پایه را اعمال کنند. در ضمن، آشنایی با بخش های مختلف نرم افزار و نحوه به کارگیری آنها آموزش داده می شود. اسکرین شات هایی از ویدئوهای مربوط به این بخش در اینجا نمایش داده شده است
بخش دوم به جنبه هایی از MATLAB یا موارد خاص میپردازد که در روند یادگیری دارای اهمیت کمتری است و اگر دارای محدودیت زمانی هستید، میتوانید از آن چشم پوشی کنید. از سوی دیگر، اگر از لحاظ کاربردی، یا تئوری به آنها نیاز داشتید میتوانید با مراجعه به آنها نگاه عمیق تری به مفاهیم داشته باشید. به اسکرین شات های این بخش توجه کنید.
در بخش سوم بر الگوریتم های یادگیری ماشین تاکید شده است تا با روش های به کارگیری آنها در مسائل روز آشنا شویم. یادگیری ماشین عبارت است از به کارگیری روش هایی که با استفاده از داده های موجود به پیشبینی و پاسخ دهی داده های آینده می پردازیم.
این معنا دارای قرابت زیادی با مفاهیم شناسایی الگو، آمار محاسباتی و هوش مصنوعی است. مولفه های یادگیری ماشین عبارتند از: داده، مدل و آموزش (با مربی یا بدون مربی).
این بخش میتواند دیدگاه تحقیقی و پژوهشی دانشجویان را تا حد زیادی گسترش دهد. مثال هایی از ویدئوهای این بخش در شکل های زیر نشان داده شده است
داده ها
در این محصول آموزشی از تصاویر ماهواره ای سنتینل 2 (Sentinel-2)، سنتینل 1 (Sentinel-1) و تصاویر هوایی NAIP استفاده شده است.
سنتینل-2 توسط سازمان فضایی اروپا پرتاب شده است و مأموریت آن شامل تصویربرداری با طیف گسترده، با وضوح بالا و پشتیبانی از مطالعات زمین، از جمله بررسی پوشش گیاهی، پوشش خاک و آب و همچنین مشاهده آبراه های داخلی و مناطق ساحلی است. داده سنتینل 2 حاوی 13 باند طیفی است که شامل باندهایی با رزولوشن ها 10، 20 و 60 متر است. علاوه بر این، سه باند QA در آنجا حضور دارند که یک (QA60) باند بیت ماسک با اطلاعات ماسک ابر است.
سنتینل-1 یک ماهواره راداری SAR است که داده ها را در باند C جمع آوری می کند. این مجموعه شامل تمام صحنه های GRD است. هر صحنه یکی از 3 وضوح تصویر (10 ، 25 یا 40 متر) و 4 ترکیب باند (مربوط به قطبش صحنه) را دارد. هر صحنه بسته به تنظیمات قطبش، دارای ترکیبات ممکن تک باند VV یا HH و باند دوتایی VV + VH و HH + HV است.
طی برنامه ملی تصویر برداری کشاورزی (NAIP) در فصل های رشد کشاورزی در ایالات متحده آمریکا، تصویربرداری هوایی انجام می شود. تصاویر NAIP دارای رزولوشن مکانی با قدرت تفکیک 1 متر هستند. تصاویر قدیمی تر با استفاده از 3 باند (قرمز، سبز و آبی: RGB) وجود دارند، اما تصاویر جدیدتر معمولاً علاوه بر باندهای RGB دارای یک باند نزدیک مادون قرمز (NIR) هستند.
41 دیدگاه. ارسال دیدگاه جدید
سلام وقت بخیر.
در فایل آموزشی پردازش تصویر تصاویر ماهواره ای با متلب به جز فایل ویدئو ها، بقیه فایلها در دسترس نیستند. لطفا بررسی نمائید. با تشکر
سلام
در صورتی که مشکلی در خرید، پرداخت ها، لینک های ارسالی و یا هر موضوع دیگری داشتید لطفا پیام خود را از طریق آدرس ایمیل girs.academy@gmail.com با ما در میان بزارید.
سلام ببخشید پیشنیاز این آموزش چیست؟
سلام
پیش نیاز خاصی نداره
بسته جامع آموزش متلب هست و از بحث های مقدماتی شروع میشه و تا الگوریتم های یادگیری ماشین را شامل می شود.
اگر آشنایی مقدماتی با متلب ندارید، به همین ترتیبی که در آموزش تدریس شده است مباحث را پیگیری کنید.
با سلام
و تشکر از زحمات بیدریغ آکادمی و محصولات بسیار مفیدی که برای جامعه ی سنجش از دور ایران تهیه می فرمایید، می خواستم بببینم برتری زبان MATLAB در حوزه ی پردازش تصویر نسبت به
نرم افزارهای این حوزه در چیست؟ با تشکر از شما.
سلام
مثلا نسبت به چه نرم افزارهایی؟
سلام وقت همگی بخیر
میخواستم ببینم این دوره برای کاربرد سنجش از دور در کشاورزی دقیق بهتره یا دوره پایتون که گذاشتین؟ برای هردو نیاز به پردازش تصاویر ماهواره ای هست
و هردو به نظرم جامع هستن و نمیتونم انتخاب کنم بینشون
لطفاً راهنمایی کنید
سلام
نمیدونم منظور شما از دوره پایتون، کدام دوره است.
با این حال، اگر به برنامه نویسی متلب نیاز دارید، این دوره را تهیه کنید ولی اگر هنوز وارد بحث برنامه نویسی نشده اید و تازه میخواهید زبان برنامه نویسی را انتخاب کنید، بهتر است از دوره های گوگل ارث انجین (جاوا اسکریپت) یا پایتون (دوره مد نظر شما) استفاده کنید.
موفق باشید
سلام من این آموزش رو تهیه کردم اما تنها 3 فایل در بخش دانلودها برای من گذاشته شده. آیا درسته؟ بنظرم ناقصه. لطفا بررسی کتید
ممنون
با عرض سلام
ما دو تا آموزش متلب داریم. شما اون یکی رو تهیه کردید. بله درسته و مشکلی نیست. شامل 3 فایل ویدئویی میشه.
موفق باشید
با سلام و احترام
در این پکیج اموزشی نحوه باز کردن یا فراخوانی کردن تصاویر فراطیفی مانند هایپرون هم توضیح داده شده؟ به طوری که بتوان به باند های تصویر و اطلاعات آن دسترسی پیدا کرد؟ یا فقط تصاویری که معرفی کرده اید را می توان با اموزش این پکیج باز و پردازش کرد؟
اگر این امکان وجود ندارد لطفا منبعی در این بابت معرفی نمایید.
با تشکر
سلام
در اینجا با فایل تصاویری کار شده که دارای فرمت GeoTiff هستند. اگر فایل ورودی شما GeoTiff باشد فرقی نمیکند که کدام ماهواره است یا تعداد باند آن چندتاست.
موفق باشید
سلام وقت بخیر
من می خواستم یه سری شاخص پوشش گیاهی رو روی تصویرم اعمال کنم و از هر کدوم از شاخص ها به صورت فایل تیف خروجی بگیرم ودر نرم افزار انوی باز کنم و پردازش کنم .
چه جوری می تونم این کار رو انجام بدم؟ ممنون میشم راهنماییم کنین.
سلام
خواندن تصاویر GeoTiff، ذخیره آن ها و محاسبه شاخص جزو سرفصل های آموزش بخش مقدماتی است. در کدام قسمت آموزش دچار اشکال هستید و با چه خطایی مواجه میشوید؟
سلام
لینک آموزش مقدماتی ر و برام میفرستین .ممنون.
با سلام
آموزش مباحث مقدماتی هم در همین پکیج قرار دارد. این پکیج از سطوح مقدماتی تا پیشرفته را دربر میگیرد.
باسلام و خسته نباشید
من این آموزش رو دیدم ،ممنون میشم اگر در مورد نحوه فراخوانی دیتاست هایی مثل Indian pines و.. یه توضیحی بدید.
و چطور میشه یه داده با پسوند mat. را به dat. تبدیل کرد ؟
سلام طبقه بندی به روش CNN هم شامل این اموزش هست؟
سلام
خیر، مبحث یادگیری عمیق در این آموزش وجود ندارد. سرفصل های طبقه بندی در این آموزش شامل طبقه بندی درختی، طبقه بندی ماشین بردار پشتیبان SVM، طبقه بندی بیزین، طبقه بندی KNN، طبقه بندی LDA و طبقه بندی Ensemble میشود.
موفق باشید
سلام وقت بخیر
آموزش جامع پردازش تصویر با متلب شبکه عصبی CNN رو هم شامل میشه؟
سلام
خیر، مبحث یادگیری عمیق در این آموزش وجود ندارد.
موفق باشید
سلام وعرض ادب خدمت شما خوبید ؟ ببخشیذ در فراخونی تصویر لندست ایراد دارم میشه راهنمایی کنید ارور رو می فرستم
Error in first (line 5)
[im0 , R0] = geotiffread(L8_Summer);
سلام و عرض ادب خدمت استاد عزیز ببخشید در مورد میشه توضیح بدید من وقتی فرخوانی می کنم با دستور geotiff readو set path رو انجام میدم نمیشه set pathرو در اون فولدری که کد رو ذخیره کردم باید ذخیره کنم ؟
سلام
تمامی آدرس های مربوط به کد و داده باید در set path اضافه شود تا متلب بتواند دسترسی داشته باشد.
موفق باشید
خیلی ممنون از شما استاد
سلام و عرض ادب خدمت شما استاد گرامی
استاد جان من وقتی می خواهم RGB رو نمایش بدم و قبل از ان MAX رو به دست بیارم که جواب رو ans=0 میاره میشه راهمایی کنید و قتی شما / بر یک عدد فرضی رو انجام دادید و تصویر سیاه بود ولی من انجام دادم تصویر ارور داد کد رو خدمتتون ارسال می کنم
temp1 = im0( : ,: ,2);
imRGB=zeros(size(im0,1),size(im0,2), 3);
imRGB(:,:,1)=im0(:,:,4);
imRGB(:,:,2)=im0(:,:,3);
imRGB(:,:,3)=im0(:,:,2);
figure,imshow(imRGB,[]);
max(max(imRGB(:,:,1)))
max(max(imRGB(:,:,2)))
max(max(imRGB(:,:,3)))
ودر پایین هم ارور که موقع نمایش میده رو می فرستم
Warning: Image is too big to fit on screen; displaying at 25%
> In images.internal.initSize (line 71)
In imshow (line 327)
سلام
این خطایی که نوشتید، یک error نیست بلکه یک warning هست!
ممنونم استاد جان
سلام و احترام خدمت استاد عریز در بحث نوشتن تابع شما norm رو نوشتید نمیشه به جای این اسم اسم دیگه ای نوشت یا اون تابع رو باید با اون اسم باید نوشت ؟
و چند نوع تابع داریم ؟
سلام
اسم توابعی که مینویسید دلخواه است و میتوانید هر اسمی بگذارید.
سلام و عرض ادب خدمت شما خوبید استاد جان در کد روبه رویی چه اشکالی وجود داره که نمی خونه؟ [im0,R0] = geotiffread(‘S2_Winter.tif’); ارور های زیر رو میده
Error using internal.map.checkfilename>checkDiskfilename (line 171)
Function GEOTIFFREAD was unable to find file ‘S2_Winter.tif’.
Error in internal.map.checkfilename (line 56)
[fullfilename, fid] = checkDiskfilename(filename, ext, function_name);
Error in geotiffread>parseInputs (line 108)
[filename, url] = internal.map.checkfilename(filename, extensions, mfilename, 1, true);
Error in geotiffread (line 78)
[filename, url, idx] = parseInputs(filename, varargin);
Error in matlab5 (line 8)
[im0,R0] = geotiffread(‘S2_Winter.tif’);
سلام
این خطا در خواندن داده است و اگر آدرس دهی را درست انجام داده باشید، ایده ای در مورد آن ندارم. در صورت آدرس دهی درست، خطا برای من به وجود نمیآید و نمیتوانم آن را بررسی کنم.
موفق باشید
سلام
من نیاز دارم به اینکه فایلهای HDF مربوط به ماهواره کالیوپ در متلب رو فراخوانی و نمایش دهد
آیا این آموزش نیاز من رو برآورده می کنه ؟
سلام
خیر. در این آموزش ورودی به صورت GeoTiff هست.
با سلام و احترام
بنده می خواهم پردازش تصاویر ماهواره ای (ترجیحا لندست ) به روش شبکه عصبی کانولوشن (که یکی از روش های یادگیری عمیق است) در محیط متلب انجام دهم. در این زمینه ممکن است راهنمایی کنید، آیا این آموزش را بگیرم برای کار بنده مناسب است؟
با تشکر.
سلام
خیر، من آموزشی در زمینه شبکه های عمیق در متلب ندارم. البته آموزش شبکه عصبی در متلب https://girs.ir/nnm وجود دارد که شبکه های عمیق را در برنمیگیرد.
پی نوشت: شبکه عصبی کانولوشن یکی از روش های یادگیری عمیق نیست، بلکه تمامی مدل های عمیق دارای لایه های کانوولوشنی هستند.
موفق باشید
سلام وقت بخیر
آیامتلب توانایی پردازش داده های پیکسل وماهواره ای باهوش مصنوعی را داردیاخیر؟
با سلام و احترام
بله متلب این قابلیت ها رو دارد.
موفق باشید
با سلام و خسته نباشی در این اموزش از داده رادار(سنتیل ۱ ) و نحوه ورود ان در متلب اموزشی داده شده است با تشکر
با سلام خسته نباشی خواستم اموزش ورود تصاویر رادار سنتینل ۱ در متلب را بدونم و همچنین خواندن طول و عرض جغرافیایی تصاویر رادار به چه شکل هستش ایا در این اموزش توضیح داده شده یا اموزش دیگری شما پیشنهاد می کنید با تشکر از شما
سلام
فرمت تصویر مد نظر شما چیست؟ در اینجا با فایل تصاویری کار شده که دارای فرمت GeoTiff هستند. اگر فایل ورودی شما GeoTiff باشد فرقی نمیکند که کدام ماهواره است یا تعداد باند آن چندتاست.
موفق باشید