ᏓᏗᏬᏂᏏ (Дадивониси / Мы будем говорить)
Совместный полнометражный документальный фильм, рассказывающий об усилиях активистов, художников и педагогов чероки, борющихся за сохранение языка чероки.

Подумайте о том, чтобы помочь финансировать рекламную кампанию фильма:

ПОМОГИТЕ здесь

Чтобы получать обновления, следите за нами в социальных сетях:

Предстоящие показы:

Представительство Reel (Флорида): Сб. 3 июня, 11:00 @ Enzian Theater Билеты

Кинофестиваль deadCenter (ОК): сб. 10 июня, 16:00 @ Билеты в Первый американский музей

deadCenter (OK): вс. 11 июня, 12:30 @ Harkins Bricktown Auditorium Билеты

Кинофестиваль в Провинстауне (Массачусетс): Чт. 15 июня, 15:30 @ Waters Edge 2 Билеты

Провинстаун (Массачусетс): сб. 17 июня, 18:00, Билеты на Waters Edge 2 

Фестиваль Фри Стейт (Канзас): сб. 1 июля, 11:00 @ Центр искусств Лоуренса Билеты

Фестиваль Doc OKC (OK): вс, 6 августа, 14:00 @ Auditorium at Douglass Билеты

Режиссеры:
ᎤᎶᎩᎳ / Шон Дункан и Майкл МакДермит

Продюсеры: 90 005 ᎨᎳᏗ / Кели Гонсалес и Лаура Хебертон 

Оператор и монтажер: 
Джейкоб Кестлер 

Исполнительные продюсеры:
ᏪᏌ ᏍᏚᏗ​​​​​ / Уэс Стьюди, Томас Садоски,
Кэтрин Харпер, Семья Макклеллан-Сорелл,
Гилл Холланд, Бен Спайзер и Марк Шломчик

Язык чероки тесно связан с самобытностью чероки; тем не менее, усилия правительства США по ассимиляции поколений и предубеждения против коренных народов вынудили Три совета племен чероки объявить чрезвычайное положение для языка в 2019 году. . Хотя в трех племенах, признанных на федеральном уровне, проживает 430 000 граждан чероки, осталось менее 2 000 свободно говорящих, большинство из которых пожилые люди. Пандемия COVID-19, к сожалению, ускорила этот процесс. Языковые активисты, художники и молодежь теперь должны возглавить срочные усилия по радикальному возрождению, чтобы помочь спасти язык от грани исчезновения.

Этот полнометражный документальный фильм снимался в Оклахоме и Северной Каролине в течение 2019 года.-2022; С помощью личных интервью, достоверных видеозаписей общественных собраний и обширных архивных материалов фильм исследует нюансы того, как язык чероки жизненно важен для сохранения уникальной культурной идентичности и отношений с миром. Совместный проект также призван дать надежду представителям коренных народов, несмотря на постоянное неравенство и угнетение.

В нашем фильме рассказывается о различных членах сообщества чероки, в частности, о языковом активисте и содиректоре Шоне Дункан, педагоге Кэролин Свепстон ​​и художнице Кели Гонсалес, которые продолжают долгую борьбу за сохранение языка. «Большие концепции» фильма о возрождении языка проходят через истории трех персонажей и повествовательные траектории.

Заявление содиректора

Этот документальный проект представляет собой кульминацию последнего десятилетия моей жизни, когда я вернулся к нашему языку и теперь работаю над его возрождением. Этот фильм документирует интимные части культуры чероки, к которым многие люди (даже многие граждане племени чероки) не имеют доступа. Среди прочего, он исследует уединенные общины в сельской местности Оклахомы, где на языке чероки до сих пор говорят и преподают носители первого языка. Как гражданину Объединенной группы индейцев чероки Китуова, моя позиция и знание текущего кризиса предоставили мне уникальную возможность привлечь голоса в наших сообществах, которые часто упускаются из виду другими производителями средств массовой информации. Многие из героев фильма — мои коллеги, учителя, друзья, семья и, что наиболее важно, некоторые из племен, оставшихся носителями первого языка. Съемочная группа также в основном состоит из других граждан чероки / китуа в роли продюсеров, включая операторов, музыкантов, переводчиков и аниматоров. История и личные истории чероки, рассказанные в этом фильме, не только призваны привлечь внимание к проблеме утраты языка, но и призваны вдохновить людей присоединиться к работе по возрождению языка. Этот документальный фильм представляет собой мои самые большие усилия по охвату самой широкой аудитории об этой работе, чтобы продемонстрировать воинов и старейшин, которые находятся в окопах, надеясь, что вы присоединитесь к битве. Ваша поддержка этого проекта очень ценится. ᏩᏙ.

— ᎤᎶᎩᎳ ᏛᎩ / Шон Дункан

Обнаружение размытия с помощью OpenCV — PyImageSearch

Нажмите здесь, чтобы загрузить исходный код к этому сообщению

Между мной и моим отцом, Джеммой, супермилая, гиперактивная, очень любящая семейная бигль, пожалуй, самая фотографируемая собака всех времен. С тех пор, как мы получили ее 8-недельным щенком, до настоящего времени, чуть менее трех лет спустя, мы накопили более 6000+ фото собаки.

Чрезмерно?

Возможно. Но я люблю собак. Много. Особенно бигли. Поэтому неудивительно, что как владелец собаки я провожу много времени, играя в перетягивание каната с любимыми игрушками Джеммы, катаясь с ней по кухонному полу, пока мы хулиганим, и да, , делая тонны фотографий. ее с моим iPhone.

В прошедшие выходные я сел и попытался упорядочить огромное количество фотографий в iPhoto. Мало того, что это была огромная работа, я довольно быстро начал замечать закономерность — было много фотографий с чрезмерным размытием .

Будь то из-за посредственных навыков фотографа, из-за попыток не отставать от суперактивной Джеммы, когда она бегала по комнате, или из-за того, что она вырубилась прямо перед тем, как я собирался сделать идеальный снимок , многие фотографии содержали приличное количество размытия.

Теперь, я полагаю, обычный человек просто удалил бы эти размытые фотографии (или, по крайней мере, переместил их в отдельную папку) — но как специалист по компьютерному зрению, этого не должно было случиться.

Вместо этого я открыл редактор и написал быстрый скрипт Python для обнаружения размытия с помощью OpenCV .

В оставшейся части этого поста я покажу вам, как вычислить степень размытия изображения с помощью OpenCV, Python и оператора Лапласа. К концу этого поста вы сможете применить дисперсию метода Лапласа к своим собственным фотографиям, чтобы определить степень размытия.

Ищете исходный код этого поста?

Дисперсия лапласиана

Моя первая остановка при выяснении того, как определить степень размытия на изображении, состояла в том, чтобы прочитать превосходную обзорную работу Анализ операторов измерения фокуса для формы из фокуса [2013 Pertuz et al]. В своей статье Pertuz et al. обзоров почти 36 различных методов для оценки меры фокусировки изображения.

Если у вас есть какие-либо знания в области обработки сигналов, первым методом, который следует рассмотреть, будет вычисление быстрого преобразования Фурье изображения, а затем изучение распределения низких и высоких частот — если имеется небольшое количество высоких частот, то изображение можно считать размытым. Однако определение того, что такое низкое количество высоких частот и что такое высокое количество высоких частот, может быть довольно проблематичным, что часто приводит к результатам ниже номинала.

Вместо этого было бы неплохо, если бы мы могли просто вычислить одно значение с плавающей запятой для представления того, насколько размыто данное изображение?

Пертуз и др. рассматривает множество методов вычисления этого «показателя размытости», некоторые из них простые и понятные, использующие только базовую статистику яркости пикселей в оттенках серого, другие, более сложные и основанные на функциях, оценивают локальные бинарные шаблоны изображения.

После беглого просмотра бумаги я пришел к реализации, которую искал: вариация лапласиана Печ-Пачеко и др. в своей статье ICPR 2000 года, Автофокусировка диатомовых водорослей в светлопольной микроскопии: сравнительное исследование .

Метод прост. Простой. Имеет здравые рассуждения. И может быть реализован в только одной строкой кода :

 cv2.Laplacian(image, cv2.CV_64F).var()
 

Вы просто берете один канал изображения (предположительно в градациях серого) и сворачиваете его со следующими 3 x 3 ядро:

Затем возьмите дисперсию (т.е. квадрат стандартного отклонения) ответа.

Если дисперсия падает ниже заданного порога, изображение считается размытым ; в противном случае изображение не размыто .

Причина, по которой этот метод работает, связана с определением самого оператора Лапласа, который используется для измерения второй производной изображения. Лапласиан выделяет области изображения, содержащие быстрые изменения интенсивности, подобно операторам Собеля и Шарра. И, как и эти операторы, лапласиан часто используется для обнаружения границ. Здесь предполагается, что если изображение содержит высокая дисперсия тогда имеется широкий разброс откликов, как краевых, так и не краевых, характерных для нормального изображения в фокусе. Но если есть очень низкая дисперсия , то есть крошечный разброс ответов, указывающий на то, что на изображении очень мало краев. Как мы знаем, чем сильнее размыто изображение, тем меньше в нем краев .

Очевидно, что хитрость заключается в установке правильного порога, который может сильно зависеть от домена. Слишком низкий порог, и вы неправильно пометите изображения как размытые, хотя это не так. Слишком высокий порог, тогда изображения, которые на самом деле размыты, не будут помечены как размытые. Этот метод, как правило, лучше всего работает в средах, где вы можете вычислить приемлемый диапазон измерения фокуса, а затем обнаружить выбросы.

Определение степени размытия изображения

Итак, теперь, когда мы рассмотрели метод, который собираемся использовать для вычисления одной метрики для представления того, насколько «размыто» данное изображение, давайте взглянем на наш набор данных. из следующих 12 изображений:

Как видите, некоторые изображения размыты, некоторые нет. Наша цель здесь — правильно пометить каждое изображение как размытое или не размытое .

С учетом сказанного откройте новый файл, назовите его detect_blur.py и напишите код:

 # импортируем необходимые пакеты
из путей импорта imutils
импортировать аргументы
импорт cv2
def variance_of_laplacian (изображение):
# вычисляем лапласиан изображения и возвращаем фокус
# мера, которая представляет собой просто дисперсию лапласиана
вернуть cv2. Лапласиан (изображение, cv2.CV_64F).var()
# создаем аргумент parse и анализируем аргументы
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--images", required=True,
help="путь к входному каталогу изображений")
ap.add_argument("-t", "--threshold", type=float, default=100.0,
help="Фокусные меры, значения которых ниже этого значения, будут считаться "размытыми"").
аргументы = вары (ap.parse_args())
 

Начнем с импорта необходимых пакетов по адресу Lines 2-4 . Если на вашем компьютере еще нет моего пакета imutils, установите его сейчас:

 $ pip install imutils
 

Отсюда мы определим нашу функцию variance_of_laplacian в строке 6 . Этот метод будет принимать только один аргумент — изображение (предположительно одноканальное, такое как изображение в градациях серого), для которого мы хотим вычислить меру фокусировки. Оттуда Строка 9 просто сворачивает изображение с оператором Лапласа 3 x 3 и возвращает дисперсию.

Строки 12-17 обрабатывают наши аргументы командной строки. Первый ключ, который нам понадобится, это --images , путь к каталогу, содержащему наш набор данных изображений, которые мы хотим проверить на размытость.

Мы также определим необязательный аргумент --thresh , который является порогом, который мы будем использовать для теста размытия. Если мера фокусировки для данного изображения падает ниже этого порога, мы помечаем изображение как 9.0068 размыто . Важно отметить, что вам, вероятно, придется настроить это значение для вашего собственного набора данных изображений. Значение 100 , похоже, хорошо подходит для моего набора данных, но это значение довольно субъективно по отношению к содержимому изображений, поэтому вам нужно будет поиграть с этим значением самостоятельно, чтобы получить оптимальные результаты.

Хотите верьте, хотите нет, но самое сложное сделано! Нам просто нужно написать немного кода, чтобы загрузить изображение с диска, вычислить дисперсию лапласиана, а затем пометить изображение как размытое или не размытое:

 # цикл по входным изображениям
для imagePath в paths.list_images(args["images"]):
# загрузить изображение, преобразовать его в оттенки серого и вычислить
# мера фокусировки изображения с использованием дисперсии лапласиана
# метод
изображение = cv2.imread (путь к изображению)
серый = cv2.cvtColor (изображение, cv2.COLOR_BGR2GRAY)
fm = variance_of_laplacian (серый)
текст = "Не размыто"
# если мера фокусировки меньше заданного порога,
# тогда изображение следует считать "размытым"
если fm < args["порог"]:
текст = "Размыто"
# показать изображение
cv2. putText (изображение, "{}: {:.2f}". формат (текст, fm), (10, 30),
cv2.FONT_HERSHEY_SIMPLEX, 0,8, (0, 0, 255), 3)
cv2.imshow ("Изображение", изображение)
ключ = cv2.waitKey(0)
 

Мы начинаем перебирать наш каталог изображений на Line 20 . Для каждого из этих изображений мы загрузим его с диска, преобразуем в оттенки серого, а затем применим обнаружение размытия с помощью OpenCV (, строки 24-27, ).

В случае, если мера фокусировки превышает пороговое значение, указанное в аргументе командной строки, мы помечаем изображение как «размытое» .

Наконец, Строки 35-38 напишите текст и вычисленное значение фокуса для изображения и отобразите результат на нашем экране.

Применение обнаружения размытия с помощью OpenCV

Теперь, когда у нас есть закодированный скрипт detect_blur.py , давайте попробуем. Откройте оболочку и введите следующую команду:

 $ python detect_blur.py --images images
 

Мера фокусировки этого изображения составляет 83,17 , что ниже нашего порога 100 ; таким образом, мы правильно помечаем это изображение как размытое.

Это изображение имеет меру фокусировки 64,25 , поэтому мы также помечаем его как «размытое».

Рисунок 6. имеет очень высокий показатель измерения фокуса: 1004,14 — на несколько порядков выше, чем два предыдущих показателя. Это изображение явно не размытое и в фокусе.

Единственное размытие на этом изображении связано с тем, что Джемма виляет хвостом.

Заявленная мера фокусировки ниже, чем Рисунок 7 , но мы по-прежнему можем правильно классифицировать изображение как «не размытое».

Однако мы можем ясно видеть, что изображение выше размыто.

Показатель измерения большой фокусировки указывает на то, что изображение не размыто.

Однако это изображение сильно размыто.

Что дальше? Я рекомендую университет PyImageSearch.

Информация о курсе:
Всего 76 занятий • 90 часов обучающих видеороликов по запросу • Последнее обновление: май 2023 г. Я твердо верю, что если бы у вас был правильный учитель, вы могли бы освоить компьютерное зрение и глубокое обучение.

Считаете ли вы, что изучение компьютерного зрения и глубокого обучения должно занимать много времени, быть непосильным и сложным? Или должен включать сложную математику и уравнения? Или требуется степень в области компьютерных наук?

Это , а не случай.

Все, что вам нужно для освоения компьютерного зрения и глубокого обучения, — это чтобы кто-то объяснил вам простых, интуитивно понятных терминов. Именно это я и делаю . Моя миссия — изменить образование и то, как преподаются сложные темы искусственного интеллекта.

Если вы серьезно относитесь к изучению компьютерного зрения, вашей следующей остановкой должен быть PyImageSearch University, самый полный онлайн-курс по компьютерному зрению, глубокому обучению и OpenCV на сегодняшний день. Здесь вы узнаете, как успешно применять компьютерное зрение в своей работе, исследованиях и проектах. Присоединяйтесь ко мне в мастерстве компьютерного зрения.

Внутри PyImageSearch University вы найдете:

• ✓ 76 курсов по основным темам компьютерного зрения, глубокого обучения и OpenCV
• &проверить; 76 Сертификатов об окончании
• &проверить; 90 часов видео по запросу
• &проверить; Новые курсы, выпущенные регулярно , чтобы вы могли идти в ногу с самыми современными методами
• &проверить; Предварительно настроенные ноутбуки Jupyter в Google Colab
• &проверить; Запускайте все примеры кода в веб-браузере — работает в Windows, macOS и Linux (конфигурация среды разработки не требуется!)
• &проверить; Доступ к централизованным репозиториям кода для всех 500+ руководств на PyImageSearch
• &проверить; Простая загрузка одним щелчком кода, наборов данных, предварительно обученных моделей и т. д.
• &проверить; Доступ к на мобильном телефоне, ноутбуке, настольном компьютере и т. д.

Нажмите здесь, чтобы присоединиться к Университету PyImageSearch

Резюме

В этом сообщении блога мы узнали, как выполнять обнаружение размытия с помощью OpenCV и Python.

Мы реализовали дисперсию метода Лапласа , чтобы получить одно значение с плавающей запятой для представления «размытости» изображения. Этот метод быстрый, простой и простой в применении — мы просто сворачиваем наше входное изображение с оператором Лапласа и вычисляем дисперсию. Если дисперсия падает ниже заданного порога, мы помечаем изображение как «размытое».

Важно отметить, что пороговое значение является критическим параметром для правильной настройки, и вам часто придется настраивать его для каждого набора данных. Слишком маленькое значение, и вы случайно пометите изображения как размытые, хотя это не так. При слишком большом пороге вы будете помечать изображения как не размытые, хотя на самом деле так оно и есть.