Fejlesztői dokumentáció

Szoftveres követelmények: A környezet amire szükségünk lesz: Python 3.6 vagy újjab Python 3 modulok: -scikit-learn modul -scikit-image modul -imutils modul -opencv-python modul -numpy modul -os modul -argparse modul

    A scan.py kód a git repómból :

https://github.com/N7Remus/CV/blob/master/python/scan.py

Tesztelve lett Manjaro linuxon, Ubuntu LTS 18.04 linuxon-en,és Windows 10-en.

• Linux alatt - telepítsük a csomagkezelőből a python3 csomagot, illetve a pip3 csomagot, majd telpítsük a modulokat is.
• Windows alatt - válasszunk egy python környezetet, majd telpítsük (a modulokat is).

Teszteléshez én a PyCharm programot ajánlom, ami könnyíti a modul letöltést. https://www.jetbrains.com/pycharm/

Windows specifikusan a Visual Studio is remek alternatíva lehet, mivel van neki egy kiváló python csomagja https://visualstudio.microsoft.com/

Az egyszerűség kedvelőinek a Thonny python editort ajánlom: https://thonny.org/

Webes rész: -------------------------------------------------------------------------------- Kipróbálható a következő URL-en : http://remus.hungaroprofil.hu/rgabor.php

Funkciója : a program funkciójánk bemutatása, a program használatának segítése. • -letöltés nélkül • -telepítés nélkül • -technika tudás nélkül

Felépítése illetve technikai leírás: A webes rész PHP7.x-et használ, de egyszerűsége miatt visszafele is kompatibilis. A webszerver Apache 2.4 alatt fut. A fájlok elhelyezése tetszőlegesen történik, viszont a python fileok elérését, illetve a kész fájlokelérésének útvonalát meg kell adni a php-nak.(szerver oldali config) A fileok elérésí útjai: python script : /srv/cv_core/virtualenvironment python kimenet : /srv/cv_core/uploads php script : /var/www/html

Működés

A php script átveszi a képet, ellenörzi, hogy valóban kép került e átadásra. Ezt követően lementi a tárhelyre, majd meghívja a paraméterezett python scriptet. Miután a python script lefutott, a kész képet visszatölti, illetve engedélyezi az extra paramétereket(ezeket bővebben a parancssoros részben fejtem ki).

Parancsoros rész: -------------------------------------------------------------------------------- Paraméterek :

scan.py [-h] -i IMAGE -o OUTPUT [-m_o MEDIAN_O] [-g_o GAUSS_O] [-b_o BILINEAR_O] [-n_o INVERT_O] [-c_o CLAHE_O] [-kv_o KVANTALAS_O] [-m MEDIAN] [-g GAUSS] [-b BILINEAR] [-n INVERT] [-c CLAHE] [-kv KVANTALAS] [-t TERMINAL] Magyarázat

Megkövetelt paraméterek: -i bemeneti kép elérési útja -o kimeneti képek elérésí útvonalja

Opcionális paraméterek: A bemeneti kép manipulálását befolyásoló paraméterek (ezek a módosítások a képet a scannelés elött módosítják) -m_o = Median filterezés-Só és bors zaj-ellen (az eredeti képen) -g_o = Gaussian zajcsökkentés-holmályosítja a képet -b_o = bilineáris filter -n_o = negatív kép -c_o = kotraszt normalizálás -kv_o = Kvantálás-quantization (alapértelmezett webes felületen 32)

A kimeneti képe(ke)t befolyásoló paraméterek (megj.: ha a transzformáció meghiúsult, ezek a lépések nem fognak lefutni) -m = Median filterezés-Só és bors zaj-ellen -g = Gaussian zajcsökkentés-holmályosítja a képet -b = bilineáris filter -n = negatív kép -c = kotraszt normalizálás -kv = Kvantálás-quantization (alapértelmezett webes felületen 16)

A paraméterek átvétele argprase-el történik: ap = argparse.ArgumentParser() ap.add_argument("-i", "--image", required=True, help="A scannelendő kép elérési útja") Új paraméter bevezetésénél csak felveszünk egy új opciót az add_argument funkcióval. Személy szerint én a funkció orienált programozás híve vagyok. Ebből következik hogy a script felépítése is erre a programozási módszerre épül. A paramétereknek külön funkció van definiálva, melyek átláthatóbbá teszik a kódot. Egy új módszer beépítésénél elég, ha létre hozunk egy új függvénydefiníciót, hozzáadunk egy új paramétert a többi mellé és elhelyezzük a kódban.

Paraméterek működése:

Median filterezés: Itt a cv2.medianBlur () függvény az összes képpont középértékét veszi fel a kernel területen, és a központi elem helyébe ez a középérték. Ez rendkívül hatékony a képek só és bors zajának ellen. A középső elmosódásban a központi elemet mindig a kép néhány pixelértéke helyettesíti. Ez hatékonyan csökkenti a zajt. A kernel mérete pozitív páratlan egész szám legyen.

Gaussian filterezés: Ez a cv2.GaussianBlur () függvény segítségével történik. Meg kell adnunk a kernel szélességét és magasságát, melynek pozitívnak és páratlannak kell lennie. A Gauss-elmosódás nagyon hatékonyan távolítja el a Gauss zajt a képből.

Bilineáris filter: A cv2.bilateralFilter () nagyon hatékony a zaj eltávolításában, miközben élesen tartja az éleket. A művelet azonban lassabb a többi szűrőhöz képest. Ez a Gauss-szűrő egyedül a tér függvénye, azaz a közeli képpontokat a szűrés során figyelembe veszik. Nem veszi figyelembe, hogy a pixelek szinte azonos intenzitással rendelkeznek. Nem veszi figyelembe, hogy a pixel él-pixel, vagy sem. Szóval elmosódik az élek is, amit nem akarunk.

Negatív filter: A képből kivonjuk a létező pixel értékét, maximális pixelből, azaz 255-ből. pl.: egy fekete pixelből(0) fehért(255) így csinálunk : 255-0 = 255

Kotraszt normalizálás: Angolul Contrast-limited adaptive histogram equalization (röviden : CLAHE). Ezért a probléma megoldásához adaptív hisztogram-kiegyenlítést alkalmaznak. Ebben az esetben a kép kis blokkokra van osztva, úgynevezett "tile"-okra (a tile mérete alapértelmezés szerint 8x8 az OpenCV-ben). Ezután a blokkok mindegyike hisztogram, amit a szokásos módon kiegyenlítenek. Tehát egy kis területen a hisztogram egy kis régióra korlátozódik (hacsak nincs zaj). Ha zaj van, akkor az erősítésre kerül. Ennek elkerülése érdekében kontrasztkorlátozást alkalmaznak. Ha bármelyik hisztogram a megadott kontraszt határérték felett van (alapértelmezés szerint 40 az OpenCV-ben), akkor ezeket a képpontokat levágják és egyenletesen osztják el más tartályokra a hisztogramkiegyenlítés alkalmazása előtt. A kiegyenlítés után a tile határaiban lévő tárgyak eltávolítása érdekében bilináris interpolációt alkalmazunk.

Kvantálás-quantization filter: A számítógépes grafikában a színes kvantálást vagy a színes kép kvantálást a színterek esetében kvantálják; ez egy olyan folyamat, amely csökkenti a képben használt különböző színek számát, általában azzal a szándékkal, hogy az új kép legyen olyan vizuálisan hasonló, mint az eredeti képhez. Az 1970-es évektől kezdve tanulmányozták a bittérképeken a színes kvantálást végrehajtó számítógépes algoritmusokat. A színes kvantálás kritikus fontosságú a sok színnel rendelkező képek megjelenítéséhez olyan eszközökön, amelyek csak korlátozott számú színt jeleníthetnek meg, általában a memóriakorlátok miatt, és lehetővé teszi bizonyos képek hatékony tömörítését.

A tesztgépek hardware információi:

Minimum követelmények: 1.0 GHz Intel Core 2 Duo (vagy AMD CPU), illetve hasonló teljesítményú armhf processzorok (ajánlott minél nagyobb single core teljesítményű processzor használata a sebesség javítása miatt).

1GB for XP / 2GB RAM for Vista/Win 7/Win10 / linuxon disztribúciótól függetlenül min 2GB ajánlott (A képek a memóriába lesznek betöltve szóval ez függ a képmérettől).

--------------------- Követelmények, a képet illetően ------------------------

Az optimális Kép főbb jellemzői: Az kép tartalmazza a teljes objektumot, melyet a felhasználó be szeretne scannelni. A fényviszonyok egységesek. A kép nem homályos. A kép nem pixeles. A képen az objektumot nem takarja el/ki semmi. Az objektum nincs árnyék alatt. Az objektum megfelelő szögben van befotózva. Megfelelő formátumú a kép (jpeg, jpg, png...)

A be scannnelést, gátló tényezők: Az objektum színárnyalatos, kontúr nélküli. Az objektum beleolvad a környezetébe. Nem jó formátumú kép (PL.: GIF).

Az alkalmazás olyan képek scannelésére alkalmas, ahol az objektum erős, jól elkülöníthető kontúrokkal rendelkezik.

Források

https://docs.opencv.org/3.1.0/d4/d13/tutorial_py_filtering.html https://docs.opencv.org/3.1.0/d5/daf/tutorial_py_histogram_equalization.html https://docs.python.org/3/howto/argparse.html https://people.csail.mit.edu/sparis/bf_course https://www.pyimagesearch.com https://www.youtube.com/watch?v=C_zFhWdM4ic https://pinetools.com/add-noise-image

Illetve az órai példák.

Köszönöm a figyelmet! Rémai Gábor László (Y2XJG3)