OpenCV a zpracování fotografií

[rado877]

Mam v planu to pak nasadit na Synology nasku, hodne veci se da vyresit dockerem. Identifikace obliceju, obektu, zvirat, to vsecko lze, ale nez to dam dokupy  Aplikace by na to potreba ani nebyla, pokud by to melo bezet v cronu, probihalo by vse automaticky. Jsou i takove moznosti, ze se pomoci python zapise informace do metatagu fotek.

dobře, ale ty k tomu aplikace rozpoznala nebo identifikovala známé obličeje musím mít nějakou databází fotek na kterých určíš sám, že tohle je tvoje manželka a tohle jsou třeba tvé děti. Databáze bude na Synology. Pak potřebuješ knihovny, které dělají analýzu fotek na disku, také na Synology.
Jde mi o to, že pro analýzu fotek mohu mít vše potřebné na Synology a vůbec nemusím být připojený na internetu. Nechci na analýzu posílat někam do cloudu své privátní fotky.

Chápu to tak dobře ?

[Reklama]

[mastnacek]

To vsechno jde udelat, vytvori se trenovaci soubory. Jsem teprve na zacatku. treba pomoci openCV se projedou fotky, detekuji se obliceje, vyrobi se vyrezy jen s nimi... dal jsem jeste nedosel, napriklad jak urcim, ke kteremu jemu je priradit.
 

[mastnacek]

Zkousim k zjisteni rozmazani imagemagick, je to o hodne pomalejsi, ale vysledky vypadaji lepe

import os
import subprocess

# Cesta k složce se vstupními obrázky
input_folder = '/home/uziv/TESTY/IN'
# Cesta k výstupní složce
output_folder = '/home/uziv/TESTY/OUT'

# Nastavení prahové hodnoty pro detekci rozmazání
THRESHOLD_BLUR = 0.1

# Krok 1: Načtení obrázků a detekce rozmazání
for file_name in os.listdir(input_folder):
    # Zkontrolujeme, zda se jedná o soubor s obrázkem
    if file_name.lower().endswith(('.jpg', '.jpeg', '.png', '.bmp')):
        input_path = os.path.join(input_folder, file_name)
        output_path = os.path.join(output_folder, file_name)

        # Spuštění příkazu Identify pro zjištění velikosti obrázku
        identify_output = subprocess.check_output(['identify', '-format', '%w,%h', input_path])
        width, height = identify_output.decode().split(',')

        # Spuštění příkazu Convolve pro získání konvoluce obrázku s Gaussovým jádrem
        convolve_output = subprocess.check_output(['convert', input_path, '-colorspace', 'gray', '-define', 'convolve:scale=1.5', '-morphology', 'Convolve', 'Gaussian:0x3', '-format', '%[fx:maxima.mean]', 'info:'])
        maxima_mean = float(convolve_output.decode())

        # Vypočítání průměru a směrodatné odchylky z gradientů vodorovného a svislého směru
        sobel_output = subprocess.check_output(['convert', input_path, '-colorspace', 'gray', '-define', 'convolve:scale=1.5', '-define', 'convolve:normalize=false', '-morphology', 'Convolve', 'Sobel:0x1', '-format', '%[fx:mean],%[fx:standard_deviation]', 'info:'])
        sobel_mean, sobel_std = map(float, sobel_output.decode().split(','))

        # Pokud je hodnota maximálního průměru gradientů menší než prahová hodnota,
        # obrázek se považuje za rozmazaný a přesune se do složky
        if maxima_mean < THRESHOLD_BLUR:
            output_subfolder = os.path.join(output_folder, 'rozmazane')
        else:
            output_subfolder = os.path.join(output_folder, 'ostre')

        if not os.path.exists(output_subfolder):
            os.makedirs(output_subfolder)

        # Uložíme výsledný obrázek do příslušné složky
        output_path = os.path.join(output_subfolder, file_name)
        os.replace(input_path, output_path)

        print(f"Obrázek {file_name} byl přesunut do složky {output_subfolder}.")
    else:
        print(f"Soubor {file_name} není obrázek, přeskočen.")

[RDa]

Pokud jde o jpeg soubory, tak bych rozmazani detekoval treba velikosti AC komponent (at uz absoutni hodnotu, nebo zkompresenou velikost).

V zjednousene podobe to znamena seradit soubory dle velikosti a ty mensi budou mit holt mensi entropii a vice rozmazanych mist.

Pokud neudelas relativni klasifikaci v nejake mrizce, tak tento zpusob bude mit stejne neduhy jako naivni mira bluru - tj. prijdes o vsechny fotky ktere maji treba v sobe oblohu.

[mastnacek]

Diky za pripominku. Je to komplexni. Jeste jsem nezkousel takove ty fotky, kde je pozadi zamerne rozostrene.

[Reklama]