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

توضیحات

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.

---

توضیحات محصول

در این آموزش به اکثر مطالبی که یک کاربر یا متخصص سنجش از دور در زمینه پردازش تصویر می تواند 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-1 : آشنایی با محیط کاری و آموزش نصب آن

آشنایی با محیط پایتون و آناکوندا

آشنایی با محیط ژوپیتر

فصل-2 : 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 …

 

فصل-3 : 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-4 : آشنایی با ساختارهای کنترلی در پایتون

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

فصل-5 : آشنایی با انواع داده ها

Lists – Dictionary – Tupels – Array                            

فصل-6: 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-7 : 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-8 : 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-9 : آموزش ایجاد پروفیل طیفی بر روی تصاویر

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

فصل-10 : 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-11 : 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-12 : 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-13 : 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-14 : پروژه صفر تا 100 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-15 : آموزش کار با انواع مختلف فیلترها در پایتون

آموزش کار با انواع فیلترها (تئوری-عملی)

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

فصل-16 : آموزش انواع مختلف بافت ها (GLCM)

آموزش جامع بافت GLCM

آموزش بافت های :

Contrast – Dissimilarity – Homogeneity – ASM – Energy

فصل-17 : 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-18 : آموزش طبقه بندی های نظارت نشده (جامع)

تئوری مباحث طبقه بندی نظارت نشده

کدنویسی طبقه بندی به روش K-Means

فصل-19 : 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 0-100 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

راهنمای نصب کتابخانه GDAL:

---

لینک های مفید

• آموزش مدل سازی در GIS به زبان Python در تهیه نقشه خطرپذیری سیلاب
• آشنایی با پکیج ژئوپانداس در زبان برنامه نویسی پایتون
• رگرسیون: گام اول Deep Learning یا یادگیری عمیق در پایتون
• زبان‌های برنامه‌نویسی برتر در GIS