Resize، Blur، Threshold و Mask

چرا این درس مهم است

پیش‌پردازش تصویر را برای جدا کردن اطلاعات مفید انجام می‌دهی.

در AI رباتیک، یک خروجی قشنگ روی یک تصویر معیار نیست؛ داده، معیار ارزیابی، Latency و رفتار روی ورودی‌های سخت‌تر مهم‌اند.

اینجا هدف فقط شناخت ابزار نیست؛ باید ببینی تغییر یک پارامتر در Pipeline بینایی یا مدل هوشمند چه اثری روی خروجی قابل اندازه‌گیری می‌گذارد.

نکته‌های فنی

• تصویر در OpenCV یک آرایه است و ترتیب کانال پیش‌فرض بسیاری از تصاویر BGR است.
• تبدیل Color Space مثل BGR→HSV می‌تواند جداسازی رنگ را آسان‌تر کند.
• Threshold و Morphology ابزارهای ساده ولی موثر برای قطعه‌بندی هستند.
• Coordinate تصویر از بالا-چپ شروع می‌شود و ترتیب row/column را نباید با x/y اشتباه گرفت.

این نکته‌ها را برای Pipeline بینایی یا مدل هوشمند به یک زنجیره علت و معلول وصل کن: هر انتخاب باید یک اثر قابل مشاهده یا اندازه‌گیری داشته باشد. اگر نمی‌توانی بگویی با تغییر این تصمیم دقیقا کدام خروجی عوض می‌شود، هنوز طراحی را به اندازه کافی روشن نکرده‌ای.

مدل ذهنی

import cv2
frame = cv2.imread("sample.jpg")
print(frame.shape)

در تحلیل Resize، Blur، Threshold و Mask مرزهای سیستم را روشن نگه دار. هر جا داده یا انرژی از یک بخش به بخش دیگر می‌رود، یک نقطه مناسب برای مشاهده، Log یا اندازه‌گیری داری.

سناریوی عملی

در یک تمرین «OpenCV و تصویر»، پیش‌پردازش تصویر را برای جدا کردن اطلاعات مفید انجام می‌دهی. سپس نتیجه را با یک معیار عددی یا چک‌لیست مقایسه کن.

اینجا هدف فقط شناخت ابزار نیست؛ باید ببینی تغییر یک پارامتر در Pipeline بینایی یا مدل هوشمند چه اثری روی خروجی قابل اندازه‌گیری می‌گذارد.

روش تست پیشنهادی

معیار اصلی این درس: درصد تشخیص درست روی چند تصویر و زمان پردازش هر Frame.

1. فقط یک پارامتر را تغییر بده و بقیه شرایط را ثابت نگه دار.
2. نتیجه قبل/بعد را با درصد تشخیص درست روی چند تصویر و زمان پردازش هر Frame مقایسه کن.
3. اگر نتیجه بهتر شد، یک حالت مرزی هم اجرا کن تا مطمئن شوی به یک شرایط خاص Overfit نکرده‌ای.

نتیجه تست را با نسخه کد/مدار، شرایط محیط و تنظیمات مهم ثبت کن؛ بدون این اطلاعات مقایسه دو Run ممکن است گمراه‌کننده باشد.

عیب‌یابی مرحله‌ای

1. تصویر هر مرحله Pipeline را ذخیره کن: ورودی، Color Space، Mask و خروجی نهایی؛ خطا را از اولین مرحله خراب پیدا کن.
2. فقط یک فرض را در هر مرحله تغییر بده؛ تغییر همزمان چند چیز نتیجه را مبهم می‌کند.
3. بعد از هر تغییر دوباره درصد تشخیص درست روی چند تصویر و زمان پردازش هر Frame را بگیر و نتیجه را با Baseline مقایسه کن.

اگر علامت خطا عوض شد، آن را به عنوان داده جدید ببین؛ عوض شدن علامت همیشه به معنی حل شدن علت اصلی نیست.

دام رایج

اعمال Threshold ثابت در همه نورها معمولا پایدار نیست؛ نور و White Balance می‌توانند توزیع رنگ را عوض کنند.

برای رد یا تایید این برداشت، یک تست مرزی طراحی کن که دقیقا همین فرض را هدف بگیرد.

تمرین عملی

یک تغییر در پیش‌پردازش/مدل/آستانه اعمال کن و همان ورودی‌ها را دوباره اجرا کن تا مقایسه منصفانه باشد.

تمرین را برای Resize، Blur، Threshold و Mask انجام بده و در پایان فقط سه چیز تحویل بده: شرایط شروع، نتیجه اندازه‌گیری‌شده و تصمیم بعدی. اگر نتیجه با انتظار فرق داشت، یک فرض برای علت بنویس و تست بعدی را مشخص کن.

قبل از رفتن به درس بعد

• بتوانی «Resize، Blur، Threshold و Mask» را با زبان خودت توضیح بدهی و نقش آن را در یک سیستم واقعی مشخص کنی.
• بتوانی یک تصمیم طراحی مرتبط با این موضوع را با دلیل فنی انتخاب کنی.
• بتوانی یک خطای رایج را مرحله‌ای عیب‌یابی کنی و نتیجه را با درصد تشخیص درست روی چند تصویر و زمان پردازش هر Frame بسنجی.

اگر یکی از این موارد را فقط می‌توانی تعریف کنی ولی نمی‌توانی روی یک مثال واقعی نشان بدهی، همان بخش را یک بار دیگر با داده یا Log مرور کن.

جمع‌بندی

در Resize، Blur، Threshold و Mask هدف نهایی حفظ اصطلاحات نیست؛ باید بتوانی یک تصمیم فنی بگیری، اثرش را با درصد تشخیص درست روی چند تصویر و زمان پردازش هر Frame بسنجی و وقتی نتیجه خراب شد مسیر عیب‌یابی قابل تکراری داشته باشی. این سه توانایی معیار عبور واقعی از درس‌اند.