Scikit-image Documentation

```wiki

Scikit-image: دليل شامل للمبتدئين

Scikit-image هي مكتبة Python مفتوحة المصدر مخصصة لمعالجة الصور. توفر مجموعة واسعة من الخوارزميات للعديد من مهام معالجة الصور، بما في ذلك التصفية، والتقسيم، واكتشاف الميزات، وتحليل الصور. هذه المكتبة أداة قوية للباحثين والمهندسين والمطورين الذين يعملون مع الصور. هذا المقال يهدف إلى تقديم مقدمة شاملة لـ Scikit-image للمبتدئين.

المتطلبات الأساسية

قبل البدء باستخدام Scikit-image، تأكد من أن لديك:

• Python مثبتًا على جهازك. يفضل استخدام Python 3.
• pip، مدير حزم Python.
• NumPy، مكتبة Python للحسابات العددية. Scikit-image تعتمد بشكل كبير على NumPy لتمثيل الصور والعمليات عليها.
• Matplotlib (اختياري) لعرض الصور والنتائج.

يمكن تثبيت Scikit-image باستخدام pip:

```bash pip install scikit-image ```

استيراد Scikit-image

لبدء استخدام Scikit-image في برنامج Python الخاص بك، قم باستيراد المكتبة:

```python import skimage from skimage import io, filters, color ```

هذا يستورد المكتبة الرئيسية، بالإضافة إلى وحدات فرعية شائعة الاستخدام مثل `io` (لإدخال/إخراج الصور)، `filters` (للتصفية)، و `color` (لتحويل الألوان).

قراءة وكتابة الصور

توفر وحدة `skimage.io` وظائف لقراءة الصور من ملفات مختلفة وكتابتها إليها.

• قراءة صورة:

```python image = io.imread('image.jpg') print(type(image)) # <class 'numpy.ndarray'> ```

تقرأ الدالة `io.imread()` الصورة وتخزنها كمصفوفة NumPy.

• كتابة صورة:

```python io.imsave('new_image.png', image) ```

تقوم الدالة `io.imsave()` بحفظ المصفوفة كصورة بتنسيق محدد.

تمثيل الصور

في Scikit-image، يتم تمثيل الصور كمصفوفات NumPy. تُمثل كل خلية في المصفوفة قيمة بكسل.

• الصور ذات التدرج الرمادي: مصفوفة ثنائية الأبعاد. كل قيمة بكسل تمثل شدة الرمادي.
• الصور الملونة (RGB): مصفوفة ثلاثية الأبعاد. الأبعاد الثلاثة تمثل قنوات الأحمر والأخضر والأزرق.
• الصور الملونة (RGBA): مصفوفة رباعية الأبعاد. الأبعاد الأربعة تمثل قنوات الأحمر والأخضر والأزرق وألفا (الشفافية).

التصفية

Scikit-image توفر مجموعة واسعة من مرشحات الصور في وحدة `skimage.filters`.

• مرشح Gaussian: يستخدم لتنعيم الصورة وإزالة الضوضاء.

```python blurred_image = filters.gaussian(image, sigma=1) ```

• مرشح Sobel: يستخدم لاكتشاف الحواف.

```python edges = filters.sobel(image) ```

• مرشح Laplacian: يستخدم أيضًا لاكتشاف الحواف، وغالبًا ما يكون أكثر حساسية للتفاصيل الدقيقة.

```python edges_laplacian = filters.laplace(image) ```

تحويل الألوان

توفر وحدة `skimage.color` وظائف لتحويل الألوان.

• تحويل إلى تدرج رمادي:

```python gray_image = color.rgb2gray(image) ```

• تحويل إلى HSV:

```python hsv_image = color.rgb2hsv(image) ```

• تطبيق تلوين زائف:

```python colored_image = color.label2rgb(segmentation_result) # مثال على تطبيق لون على نتيجة تقسيم ```

تقسيم الصور

تقسيم الصور هو عملية تقسيم الصورة إلى مناطق أو مقاطع ذات خصائص مماثلة.

• Thresholding: تحديد عتبة لتقسيم الصورة إلى مناطق بناءً على شدة البكسل.

```python threshold = 0.5 binary_image = image > threshold ```

• Regionprops: حساب خصائص المناطق المقسمة، مثل المساحة والمحيط والشكل.

```python from skimage import measure labeled_image = measure.label(binary_image) regions = measure.regionprops(labeled_image) ```

• Watershed Segmentation: خوارزمية قوية لتقسيم الصور بناءً على التدرجات.

اكتشاف الميزات

تهدف هذه العمليات إلى تحديد النقاط أو المناطق البارزة في الصورة.

• Corner Detection: اكتشاف الزوايا في الصورة.

```python from skimage.feature import corner_peaks corners = corner_peaks(filters.sobel(image), sigma=1.0) ```

• HOG (Histogram of Oriented Gradients): وصف الميزات المستخدمة في التعرف على الكائنات.

```python from skimage.feature import hog fd, hog_image = hog(image, orientations=8, pixels_per_cell=(16, 16),

                   cells_per_block=(1, 1), visualize=True, channel_axis=None)

```

• SIFT (Scale-Invariant Feature Transform) & SURF (Speeded Up Robust Features): خوارزميات قوية لاكتشاف الميزات، ولكنها ليست مضمنة بشكل افتراضي في Scikit-image. عادةً ما يتم استخدام مكتبات أخرى مثل OpenCV لهذه الخوارزميات.

تحليل الصور

Scikit-image توفر أدوات لتحليل الصور، مثل حساب الإحصائيات.

• حساب المتوسط والتباين:

```python mean = skimage.feature.local_binary_pattern(image, P=8, R=1, method="uniform").mean() variance = skimage.feature.local_binary_pattern(image, P=8, R=1, method="uniform").var() ```

• تحليل المورفولوجيا (Morphological Analysis): تستخدم العمليات المورفولوجية لتغيير شكل وهيكل الصورة.

أمثلة متقدمة

• إزالة الضوضاء باستخدام Non-local Means Denoising:

```python from skimage.restoration import denoise_nl_means denoised_image = denoise_nl_means(image, patch_size=5, patch_distance=3, sigma=10) ```

• تقسيم الصورة باستخدام Active Contour (Snake):

```python from skimage.segmentation import active_contour snake = active_contour(image, snake_active_contour(image, 10), alpha=0.1, beta=10, w_line=0.1, w_edge=1) ```

أفضل الممارسات

• استخدم NumPy Arrays: Scikit-image مصممة للعمل مع NumPy arrays.
• فهم أنواع البيانات: تأكد من أنك تستخدم أنواع البيانات الصحيحة لعمليات معالجة الصور.
• الاستفادة من الوثائق: توفر Scikit-image وثائق شاملة. استخدمها! [1](https://scikit-image.org/docs/stable/)
• التحسين: بالنسبة للصور الكبيرة، فكر في تحسين التعليمات البرمجية الخاصة بك لتحسين الأداء.

علاقة مع الخيارات الثنائية والتحليل الفني

على الرغم من أن Scikit-image ليست مكتبة مصممة خصيصًا للخيارات الثنائية، إلا أنها يمكن أن تكون مفيدة في تطوير أدوات للتحليل الفني للرسوم البيانية المالية. على سبيل المثال:

• **اكتشاف الأنماط:** يمكن استخدام خوارزميات اكتشاف الميزات لتحديد الأنماط في الرسوم البيانية للأسعار والتي قد تشير إلى فرص تداول. (مثل استراتيجية الاختراق).
• **تحليل الحجم:** يمكن استخدام تحليل الصور لتقييم حجم التداول وتحديد مناطق الدعم والمقاومة. (استراتيجية الدعم والمقاومة).
• **تصفية الضوضاء:** يمكن استخدام مرشحات الصور لتنعيم بيانات الأسعار وإزالة الضوضاء، مما يسهل تحديد الاتجاهات. (مؤشر المتوسط المتحرك).
• **التعرف على الأشكال:** يمكن استخدام تقسيم الصور والتعرف على الأشكال لتحديد تشكيلات الرسوم البيانية الشائعة مثل الرأس والكتفين أو القمم والقيعان المزدوجة. (استراتيجية الرأس والكتفين).

بالإضافة إلى ذلك، يمكن استخدام Scikit-image في:

• **تحليل التذبذب:** تقييم تقلبات الأسعار. (مؤشر ATR).
• **تحديد الاتجاهات:** استخدام اكتشاف الحواف لتحديد اتجاهات الأسعار. (استراتيجية المتابعة).
• **التحقق من صحة البيانات:** تنظيف البيانات المالية وإزالة القيم المتطرفة.
• **تحسين الرسوم البيانية:** تطبيق مرشحات لتحسين وضوح الرسوم البيانية.

موارد إضافية

• Scikit-image Documentation: [2](https://scikit-image.org/docs/stable/)
• Scikit-image Tutorials: [3](https://scikit-image.org/tutorials.html)
• NumPy Documentation: [4](https://numpy.org/docs/stable/)
• Matplotlib Documentation: [5](https://matplotlib.org/stable/contents.html)
• استراتيجيات الخيارات الثنائية: استراتيجية 60 ثانية، استراتيجية بينالي، استراتيجية مارتينجال، استراتيجية المتوسط المتحرك، استراتيجية مؤشر القوة النسبية، استراتيجية بولينجر باند، استراتيجية فيبوناتشي، استراتيجية الاختراق، استراتيجية الدعم والمقاومة، استراتيجية الرأس والكتفين، استراتيجية التداول المتأرجح، استراتيجية التداول اليومي، استراتيجية سكالبينج، استراتيجية المضاربة، استراتيجية التحوط.
• التحليل الفني: مؤشر المتوسط المتحرك، مؤشر القوة النسبية، مؤشر الماكد، مؤشر ستوكاستيك، مؤشر بولينجر باند، مؤشر ATR، مؤشر فيبوناتشي.
• تحليل حجم التداول: حجم التداول، مؤشر حجم التداول، حجم التداول النسبي، حجم التداول المتراكم.
• الاتجاهات: الاتجاه الصعودي، الاتجاه الهبوطي، الاتجاه الجانبي، خط الاتجاه.

```

ابدأ التداول الآن

سجّل في IQ Option (الحد الأدنى للإيداع 10 دولار) افتح حساباً في Pocket Option (الحد الأدنى للإيداع 5 دولار)

انضم إلى مجتمعنا

اشترك في قناة Telegram الخاصة بنا @strategybin لتصلك: ✓ إشارات تداول يومية ✓ تحليلات استراتيجية حصرية ✓ تنبيهات اتجاهات السوق ✓ مواد تعليمية للمبتدئين