Skip to content
TheChatArchiveThe Chat Archive
gpt-4o-2024-08-06· OpenAIAi2 WildChat-4.8M (AI2)

مراحل و بخش های مختلف کد را به صورت مجزا توضیح دهید import cv2 import numpy as np from…

  1. User

    مراحل و بخش های مختلف کد را به صورت مجزا توضیح دهید import cv2 import numpy as np from matplotlib import pyplot as plt

    بارگذاری تصویر

    image = cv2.imread("/content/prokudin-Gorskii/hw1/test.jpg")

    بررسی اینکه تصویر درست بارگذاری شده باشد

    if image is None: raise ValueError("Failed to load image. Please check the image path and name.")

    جدا کردن کانال های R, G, B

    B, G, R = cv2.split(image)

    استفاده از الگوریتم های هم‌راستایی برای تراز کردن کانال‌ها

    criteria = (cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 50, 1e-5) warp_matrix_g = np.eye(2, 3, dtype=np.float32) warp_matrix_b = np.eye(2, 3, dtype=np.float32)

    تراز کردن G نسبت به R

    (_, warp_matrix_g) = cv2.findTransformECC(G, R, warp_matrix_g, cv2.MOTION_TRANSLATION, criteria) G_aligned = cv2.warpAffine(G, warp_matrix_g, (image.shape[1], image.shape[0]), flags=cv2.INTER_LINEAR + cv2.WARP_INVERSE_MAP)

    تراز کردن B نسبت به R

    (_, warp_matrix_b) = cv2.findTransformECC(B, R, warp_matrix_b, cv2.MOTION_TRANSLATION, criteria) B_aligned = cv2.warpAffine(B, warp_matrix_b, (image.shape[1], image.shape[0]), flags=cv2.INTER_LINEAR + cv2.WARP_INVERSE_MAP)

    بردارهای جابجایی

    tx_g, ty_g = warp_matrix_g[0, 2], warp_matrix_g[1, 2] tx_b, ty_b = warp_matrix_b[0, 2], warp_matrix_b[1, 2]

    print(f"Displacement vector for G relative to R: (tx, ty) = ({tx_g:.2f}, {ty_g:.2f})") print(f"Displacement vector for B relative to R: (tx, ty) = ({tx_b:.2f}, {ty_b:.2f})")

    ترکیب کردن کانال‌های تراز شده

    aligned_image = cv2.merge([B_aligned, G_aligned, R])

    نمایش تصاویر و کانال‌ها

    plt.figure(figsize=(12, 8))

    نمایش کانال R روی بوم سفید

    plt.subplot(2, 2, 1) plt.imshow(cv2.cvtColor(cv2.merge([np.full_like(R, 255), np.full_like(R, 255), R]), cv2.COLOR_BGR2RGB)) plt.title("Red Channel") plt.axis('off')

    نمایش کانال G تراز شده روی بوم سفید

    plt.subplot(2, 2, 2) plt.imshow(cv2.cvtColor(cv2.merge([np.full_like(G_aligned, 255), G_aligned, np.full_like(G_aligned, 255)]), cv2.COLOR_BGR2RGB)) plt.title("Aligned Green Channel") plt.axis('off')

    نمایش کانال B تراز شده روی بوم سفید

    plt.subplot(2, 2, 3) plt.imshow(cv2.cvtColor(cv2.merge([B_aligned, np.full_like(B_aligned, 255), np.full_like(B_aligned, 255)]), cv2.COLOR_BGR2RGB)) plt.title("Aligned Blue Channel") plt.axis('off')

    نمایش تصویر نهایی هم‌تراز شده

    plt.subplot(2, 2, 4) plt.imshow(cv2.cvtColor(aligned_image, cv2.COLOR_BGR2RGB)) plt.title("Aligned Image") plt.axis('off')

    plt.tight_layout() plt.show()

  2. Assistant

    این کد فرآیندی را پیاده‌سازی می‌کند که به ترکیب و هم‌راستاسازی تصاویر از سه کانال رنگی R, G, B می‌پردازد. در ادامه، تحلیل و توضیحات مربوط به هر بخش کد آمده است:

    1. وارد کردن کتابخانه‌ها:

      import cv2 
      import numpy as np
      from matplotlib import pyplot as plt
      

      این خطوط کتابخانه‌های مورد نیاز را برای پردازش تصویر وارد می‌کنند. cv2 برای استفاده از OpenCV به کار می‌رود، numpy برای محاسبات عددی و matplotlib.pyplot برای نمایش تصویر.

    2. بارگذاری تصویر:

      image = cv2.imread("/content/prokudin-Gorskii/hw1/test.jpg")
      

      تصویری که قرار است پردازش شود بارگذاری می‌شود.

    3. بررسی بارگذاری موفقیت‌آمیز تصویر:

      if image is None:
          raise ValueError("Failed to load image. Please check the image path and name.")
      

      این قسمت اطمینان حاصل می‌کند که تصویر به درستی بارگذاری شده است. در غیر این صورت، پیامی خطا نمایش داده می‌شود.

    4. جدا کردن کانال‌های رنگی:

      B, G, R = cv2.split(image)
      

      کانال‌های رنگی آبی (B)، سبز (G)، و قرمز (R) از تصویر اصلی جدا می‌شوند.

    5. تعریف معیارها و ماتریس اولیه تراز:

      criteria = (cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 50, 1e-5)
      warp_matrix_g = np.eye(2, 3, dtype=np.float32)
      warp_matrix_b = np.eye(2, 3, dtype=np.float32)
      

      معیارهای همگرایی برای الگوریتم هم‌راستایی و ماتریس‌های اولیه warp_matrix برای تراز کانال‌های G و B نسبت به R تعریف می‌شوند.

    6. تراز کردن کانال G نسبت به R:

      (_, warp_matrix_g) = cv2.findTransformECC(G, R, warp_matrix_g, cv2.MOTION_TRANSLATION, criteria)
      G_aligned = cv2.warpAffine(G, warp_matrix_g, (image.shape[1], image.shape[0]), flags=cv2.INTER_LINEAR + cv2.WARP_INVERSE_MAP)
      

      این بخش به هم‌راستاسازی کانال G نسبت به R با استفاده از الگوریتم ECC می‌پردازد و کانال G هم‌راستا می‌شود.

    7. تراز کردن کانال B نسبت به R:

      (_, warp_matrix_b) = cv2.findTransformECC(B, R, warp_matrix_b, cv2.MOTION_TRANSLATION, criteria)
      B_aligned = cv2.warpAffine(B, warp_matrix_b, (image.shape[1], image.shape[0]), flags=cv2.INTER_LINEAR + cv2.WARP_INVERSE_MAP)
      

      مشابه کانال G، کانال B نیز نسبت به R هم‌راستا می‌شود.

    8. محاسبه و چاپ بردارهای جابجایی:

      tx_g, ty_g = warp_matrix_g[0, 2], warp_matrix_g[1, 2]
      tx_b, ty_b = warp_matrix_b[0, 2], warp_matrix_b[1, 2]
      print(f"Displacement vector for G relative to R: (tx, ty) = ({tx_g:.2f}, {ty_g:.2f})")
      print(f"Displacement vector for B relative to R: (tx, ty) = ({tx_b:.2f}, {ty_b:.2f})")
      

      این قسمت جابجایی کانال‌های G و B به نسبت R را محاسبه و در خروجی نمایش می‌دهد.

    9. ترکیب کانال‌های هم‌راستا شده:

      aligned_image = cv2.merge([B_aligned, G_aligned, R])
      

      کانال‌های هم‌راستاشده مجدداً با یکدیگر ترکیب می‌شوند تا تصویر نهایی حاصل شود.

    10. نمایش تصاویر کانال‌ها و تصویر نهایی:

      plt.figure(figsize=(12, 8))
      # ... نمایش سه کانال و تصویر نهایی ...
      plt.tight_layout()
      plt.show()
      

      با استفاده از Matplotlib، کانال‌های تراز شده و تصویر نهایی نمایش داده می‌شوند. این قسمت هر کانال و تصویر نهایی را در یک نمای گرافیکی نمایش می‌دهد.

  3. User

    در مورد راه حل پیاده سازی این کد توضیح دهید و بگویید چه انتخاب هایی برای پیاده سازی انجام دادید

  4. Assistant

    پیاده‌سازی این کد به‌طور کلی بر اساس یک روش استاندارد برای ترکیب و هم‌راستاسازی تصاویر از کانال‌های رنگی در آرشیوهای قدیمی تصویری است. این فرآیند به خصوص در مواردی مفید است که نیاز به بازسازی تصاویر رنگی از نگاتیوهای جداگانه با کانال‌های رنگی داریم. در اینجا انتخاب‌ها و تصمیماتی که در این پیاده‌سازی انجام شده است، مورد بررسی قرار می‌گیرد:

    1. استفاده از OpenCV:

      • انتخاب OpenCV برای پردازش تصویر به دلیل قدرت و کارایی بالای آن در عملیات‌های تصویرپردازی از جمله عملیات‌های ماتریسی و فیلترینگ. همچنین، OpenCV توابع آماده‌ای برای انجام هم‌راستاسازی دارد که پیاده‌سازی را ساده‌تر و سریع‌تر می‌کند.
    2. مدل هم‌راستاسازی:

      • استفاده از الگوریتم ECC (Enhanced Correlation Coefficient) برای تراز کردن کانال‌ها. ECC به دلیل قوی بودن در محاسبه انتقال و مقیاس تصویر به طور دقیق مناسب است. این مدل به خصوص برای هم‌راستاسازی تصاویر که چرخش و مقیاس در آن‌ها کمتر نقش دارند، مؤثر است.
    3. معیارهای همگرایی:

      • انتخاب معیار cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT برای هم‌راستاسازی، که اطمینان حاصل می‌کند که یا تعداد ثابتی از تکرارها انجام شود یا دقت مورد نظر (تفاوت در مقدار تابع هدف) به دست آید، هر کدام که زودتر رخ دهد. این به الگوریتم اجازه می‌دهد کارآمدتر عمل کند.
    4. پیاده‌سازی جداگانه‌ی هم‌راستاسازی کانال‌ها:

      • ابتدا کانال G و سپس کانال B نسبت به R هم‌راستا می‌شوند. انتخاب R به عنوان مرجع به این دلیل است که در بسیاری از نگاتیوهای قدیمی، کانال قرمز معمولاً میزان اطلاعات بیشتری دارد و واضح‌تر است، لذا می‌تواند یک مقیاس پایه مناسب برای هم‌راستاسازی باشد.
    5. نمایش نتایج:

      • استفاده از matplotlib برای نمایش نتایج به صورت مجزا و در قالب یک نمایش گرافیکی. این انتخاب به دلیل توانایی در ایجاد طرح‌بندی‌های سفارشی و نمایش مقایسه‌ای کانال‌ها انجام شده است.
    6. تراز کردن دوباره کانال ها بر روی بوم سفید:

      • هر کانال روی بوم سفید با ارزش بیشتر برای سایر کانال‌ها قرار داده شده است تا وضوح بصری کانال مورد نظر بهتر دیده شود.

    این انتخاب‌ها باعث می‌شود که کد بتواند به طور مؤثری عمل تراز کردن کانال‌ها را انجام دهد و تصویر نهایی با کیفیت و هم‌راستا تولید کند. عملیات‌های انجام‌شده به دقت برای برخورد با چالش‌های مربوط به ثبت تصاویر قدیمی طراحی شده‌اند.

  5. User

    لطفا متن را به صورت روان و پشت سر هم بیان کنید و از اوردن اعداد بپرهیزید

  6. Assistant

    در این کد از OpenCV برای پردازش تصاویر استفاده شده است که به دلیل قدرت و کارایی بالا در انجام عملیات‌های تصویری انتخاب شده است. به‌خصوص، توابع آماده OpenCV برای هم‌راستاسازی تصاویر باعث ساده‌تر و سریع‌تر شدن پیاده‌سازی می‌شوند.

    در این روش، الگوریتم ECC یا Enhanced Correlation Coefficient برای تراز کردن کانال‌ها به کار رفته است. این الگوریتم به خاطر قدرت بالای خود در محاسبه انتقال تصویر دقیق استفاده شده و برای هم‌راستاسازی تصاویر که در آنها چرخش و مقیاس نقشی کمتر دارند، بسیار مؤثر است.

    برای همگرایی الگوریتم، معیار ترکیبی از تعداد تکرارها و دقت به کار رفته است. این معیار تضمین می‌کند که فرآیند یا با رسیدن به حداکثر تعداد تکرارها متوقف شود یا هنگامی که دقت مورد نظر به دست آید و این باعث بهینه‌سازی عملکرد الگوریتم می‌شود.

    فرآیند هم‌راستاسازی به صورت جداگانه برای هر کانال انجام می‌شود، به طوری که ابتدا کانال سبز و سپس کانال آبی نسبت به کانال قرمز هم‌راستا می‌شوند. انتخاب کانال قرمز به عنوان مرجع به‌دلیل وضوح بیشتر آن در نگاتیوهای قدیمی است که اطلاعات بیشتری را حمل می‌کند و می‌تواند به عنوان پایه مناسبی برای تراز کردن استفاده شود.

    در نهایت، نتایج به کمک matplotlib به صورت مجزا و در یک طرح‌بندی گرافیکی نمایش داده می‌شوند. این انتخاب به دلیل توانایی matplotlib در ایجاد طرح‌بندی‌های سفارشی و نمایش مقایسه‌ای کانال‌ها انجام شده است. هر کانال بر روی یک بوم سفید نمایش داده می‌شود تا وضوح کانال مربوطه بهتر دیده شود. این مجموعه انتخاب‌ها به کد اجازه می‌دهد که به طور مؤثر عمل تراز کردن کانال‌ها را انجام داده و تصویری هم‌راستا و با کیفیت تولید کند. عملیات‌های انجام شده برای مقابله با چالش‌های مربوط به بازسازی تصاویر قدیمی طراحی شده‌اند.

  7. User

    به طور کلی بگویید این کد چه کاری انجام میدهد

  8. Assistant

    به طور کلی، این کد فرآیند هم‌راستاسازی و ترکیب تصاویر را از سه کانال رنگی جدا شده (قرمز، سبز و آبی) انجام می‌دهد تا تصویر نهایی رنگی را بسازد.

    در ابتدا، تصویر بارگذاری شده به سه کانال رنگی مجزا تقسیم می‌شود. سپس، از الگوریتم هم‌راستاسازی برای تراز کردن کانال‌های سبز و آبی نسب به کانال قرمز استفاده می‌کند تا اطمینان حاصل شود که تمام کانال‌ها به خوبی روی هم قرار گرفته‌اند و جابجایی‌ها اصلاح می‌شوند. پس از تطبیق تمامی کانال‌ها، آنها مجدداً ترکیب می‌شوند تا تصویر رنگی نهایی ساخته شود. نتیجه نهایی و تصاویر مرتبط، شامل هر کانال رنگی و تصویر هم‌راستاشده، به کمک matplotlib نمایش داده می‌شوند. این فرآیند به خصوص برای بازسازی و بهبود تصاویر رنگی از نگاتیوهای قدیمی که در ابتدا در کانال‌های جداگانه ذخیره شده‌اند، کاربرد دارد.

  9. User

    لطفا معیار SSD را بر روی کد زیر اعمال کنید

  10. Assistant

    معیار SSD (Sum of Squared Differences) یکی از ساده‌ترین روش‌ها برای اندازه‌گیری شباهت بین دو تصویر یا دو بخش از تصویر استفاده می‌شود. این معیار برای هم‌راستاسازی تصاویر بر اساس کمینه‌سازی تفاوت مربعی بین پیکسل‌های مربوطه در دو تصویر به کار می‌رود. برای اعمال SSD در کد شما، لازم است یک توابع جداگانه برای محاسبه SSD تعریف کنیم و سپس با استفاده از آن، جابجایی بهینه را برای هم‌راستاسازی کانال‌ها پیدا کنیم.

    در اینجا، شما باید از تابع findTransformECC که به صورت مدرج و بهینه برای محاسبه ماتریس تبدیل استفاده می‌کند، به یک روش ساده‌تر برای استفاده از SSD تبدیل شوید. در ادامه، نحوه استفاده از معیار SSD برای هم‌راستاسازی کانال‌های تصویری آورده شده است.

    در این نوع روش‌ها معمولاً به جای محاسبهٔ ماتریس تبدیل دقیق، از جابجایی ساده برای بررسی و اعمال نتایج استفاده می‌شود. برای پیدا کردن بهترین جابجایی با استفاده از SSD، شما می‌توانید از یک محدوده جستجو در افقی و عمودی استفاده کنید و به دنبال جابجایی باشید که SSD کمتری نسبت به سایرین داشته باشد.

    import cv2 
    import numpy as np
    from matplotlib import pyplot as plt
    
    # بارگذاری تصویر
    image = cv2.imread("/content/prokudin-Gorskii/hw1/test.jpg")
    
    # بررسی اینکه تصویر درست بارگذاری شده باشد
    if image is None:
        raise ValueError("Failed to load image. Please check the image path and name.")
    
    # جدا کردن کانال های R, G, B
    B, G, R = cv2.split(image)
    
    def calculate_ssd(image1, image2, dx, dy):
        # جابه‌جایی دادن تصویر 1 بر اساس dx و dy
        shifted_image1 = np.roll(image1, shift=(dy, dx), axis=(0, 1))
        # محاسبه SSD
        ssd = np.sum((shifted_image1 - image2) ** 2)
        return ssd
    
    def find_optimal_shift(fixed, moving, max_shift=15):
        best_dx = 0
        best_dy = 0
        min_ssd = float('inf')
        
        # پیمایش جابجایی‌های مختلف در محدوده‌ای مشخص
        for dx in range(-max_shift, max_shift+1):
            for dy in range(-max_shift, max_shift+1):
                ssd = calculate_ssd(moving, fixed, dx, dy)
                if ssd < min_ssd:
                    min_ssd = ssd
                    best_dx = dx
                    best_dy = dy
                    
        return best_dx, best_dy
    
    # یافتن بهترین جابجایی برای تراز کردن G و B نسبت به R
    dx_g, dy_g = find_optimal_shift(R, G)
    dx_b, dy_b = find_optimal_shift(R, B)
    
    # اعمال جابجایی‌های بهینه
    G_aligned = np.roll(G, shift=(dy_g, dx_g), axis=(0, 1))
    B_aligned = np.roll(B, shift=(dy_b, dx_b), axis=(0, 1))
    
    print(f"Optimal displacement for G relative to R: (dx, dy) = ({dx_g}, {dy_g})")
    print(f"Optimal displacement for B relative to R: (dx, dy) = ({dx_b}, {dy_b})")
    
    # ترکیب کردن کانال‌های تراز شده
    aligned_image = cv2.merge([B_aligned, G_aligned, R])
    
    # نمایش تصاویر و کانال‌ها
    plt.figure(figsize=(12, 8))
    
    plt.subplot(2, 2, 1)
    plt.imshow(cv2.cvtColor(cv2.merge([np.full_like(R, 255), np.full_like(R, 255), R]), cv2.COLOR_BGR2RGB))
    plt.title("Red Channel")
    plt.axis('off')
    
    plt.subplot(2, 2, 2)
    plt.imshow(cv2.cvtColor(cv2.merge([np.full_like(G_aligned, 255), G_aligned, np.full_like(G_aligned, 255)]), cv2.COLOR_BGR2RGB))
    plt.title("Aligned Green Channel")
    plt.axis('off')
    
    plt.subplot(2, 2, 3)
    plt.imshow(cv2.cvtColor(cv2.merge([B_aligned, np.full_like(B_aligned, 255), np.full_like(B_aligned, 255)]), cv2.COLOR_BGR2RGB))
    plt.title("Aligned Blue Channel")
    plt.axis('off')
    
    plt.subplot(2, 2, 4)
    plt.imshow(cv2.cvtColor(aligned_image, cv2.COLOR_BGR2RGB))
    plt.title("Aligned Image")
    plt.axis('off')
    
    plt.tight_layout()
    plt.show()
    

    این کد از روش جستجوی ساده‌ای برای یافتن بهترین جابجایی استفاده می‌کند که مقدار SSD کمتری نسبت به سایرین دارد. این روش ممکن است در برخی از شرایط خاص بهینه نباشد، اما در مسائل ساده‌تر می‌تواند نتایج قابل توجهی ارائه دهد. روش معیار SSD چون مبتنی بر حرکت ساده است، از رویکردهای پیچیده‌تر مانند ECC ساده‌تر و سریع‌تر است، اما در عمل ممکن است دقت پایین‌تری داشته باشد.

  11. User

    چرا اکنون که با روش SSD انجام شد خروجی هم تراز نیست

  12. Assistant

    اگر خروجی تصویر با استفاده از روش SSD به درستی هم‌تراز نیست، می‌توان به چند دلیل احتمالی اشاره کرد که ممکن است بر دقت و کیفیت نتایج اثر بگذارند:

    1. محدوده جستجوی ناکافی:

      • محدوده جستجویی که برای جابجایی‌ها در نظر گرفته‌اید (max_shift=15) ممکن است ناکافی باشد تا جابجایی واقعی بین کانال‌ها را در برگیرد. اگر جابجایی‌ها بزرگ‌تر باشند، این مقدار باید افزایش یابد.
    2. ماکسیموم جابجایی خطا:

      • اگر حداکثر جابجایی‌ها بسیار بزرگ تنظیم شده باشد، جستجو بسیار گسترده خواهد شد و ممکن است دقت کاهش یابد. همیشه لازم است برای یک برآورد اولیه نسبت به حداکثر جابجایی احتمالی اقدام کنید.
    3. اختلاط نویز:

      • اگر تصاویر نویز دارند یا تار شده‌اند، ممکن است SSD دقت کافی برای یافتن جابجایی بهینه نداشته باشد، زیرا این روش بسیار حساس به نویز است.
    4. تکرار جستجو بر روی کل تصویر:

      • محاسبه SSD در کل تصویر (به خصوص اگر تصویر بزرگ باشد) می‌تواند منجر به نتایج نادرست شود. شاید بهتر باشد که عملیات را روی یک ناحیه کوچک‌تر و متمرکزتر که جزئیات بیشتری دارد (مانند بخش مرکز تصویر) انجام دهید.
    5. استفاده از np.roll:

      • تابع np.roll به طور دوره‌ای به تصویر جابجا می‌دهد که ممکن است زمانی که جابه‌جایی‌های خروجی بیش از حد مجاز باشد مشکلات ایجاد کند و تصویر دچار بهم‌ریزی شود.

    برای بهبود نتایج، توصیه می‌شود:

    • بررسی کنید آیا افزایش max_shift به جابجایی دقیق‌تری منجر می‌شود.
    • فیلتر کردن نویز از تصویر با استفاده از فیلترهای کاهش نویز.
    • در صورت لزوم، از بهینه‌سازی پیش‌تر الگوریتم استفاده شود که ممکن است شامل فیلترهای پیش‌پردازش تصویر و یا روش‌های پیچیده‌تر تراز باشد.

    روش SSD به‌خاطر ساده بودنش ممکن است برای برخی موارد کافی نباشد. روش‌های پیچیده‌تر مانند استفاده از ماتریس‌های تبدیل یا بهبود الگوریتم جستجو می‌تواند راه‌حل‌های بهتری ارائه دهد.

  13. User

    لطفا کاری کنید که هم تراز شود

  14. Assistant

    برای بهبود هم‌ترازسازی با استفاده از روش SSD، می‌توانید برخی تکنیک‌های زیر را امتحان کنید:

    1. استفاده از ناحیه معیار کوچکتر:

      • به جای استفاده از کل تصویر برای محاسبه SSD، یک ناحیه کوچکتر و با ویژگی‌های واضح (مانند مرکز تصویر) را انتخاب کنید.
    2. پیش‌پردازش تصویر:

      • تصویر را قبل از هم‌ترازسازی فیلتر کنید یا جزئیات برجسته‌تر (مانند لبه‌ها) را استخراج کنید تا SSD بهتر عمل کند.
    3. افزایش محدوده جستجو با مدیریت دقیق:

      • محدوده جستجو را افزایش دهید، اما با نظارت دقیق بر عملکرد و زمان پردازش.

    در زیر، تغییراتی برای انجام هم‌ترازسازی کانال‌ها پیشنهاد شده است تا نتایج بهتری کسب شود:

    import cv2 
    import numpy as np
    from matplotlib import pyplot as plt
    
    # بارگذاری تصویر
    image = cv2.imread("/content/prokudin-Gorskii/hw1/test.jpg")
    
    # بررسی اینکه تصویر درست بارگذاری شده باشد
    if image is None:
        raise ValueError("Failed to load image. Please check the image path and name.")
    
    # جدا کردن کانال های R, G, B
    B, G, R = cv2.split(image)
    
    def calculate_ssd(image1, image2, dx, dy):
        h, w = image2.shape
        # جابه‌جایی دادن تصویر 1 بر اساس dx و dy
        shifted_image1 = np.roll(image1, shift=(dy, dx), axis=(0, 1))
    
        # استخراج ناحیه معیار از مرکز تصویر
        center_h, center_w = h // 2, w // 2
        region_size = 100  # اندازه ناحیه معیار
        y1, y2 = center_h - region_size // 2, center_h + region_size // 2
        x1, x2 = center_w - region_size // 2, center_w + region_size // 2
    
        # محاسبه SSD فقط بر روی ناحیه معیار
        ssd = np.sum((shifted_image1[y1:y2, x1:x2] - image2[y1:y2, x1:x2]) ** 2)
        return ssd
    
    def find_optimal_shift(fixed, moving, max_shift=30):
        best_dx = 0
        best_dy = 0
        min_ssd = float('inf')
        
        # پیمایش جابجایی‌های مختلف در محدوده‌ای مشخص
        for dx in range(-max_shift, max_shift+1):
            for dy in range(-max_shift, max_shift+1):
                ssd = calculate_ssd(moving, fixed, dx, dy)
                if ssd < min_ssd:
                    min_ssd = ssd
                    best_dx = dx
                    best_dy = dy
                    
        return best_dx, best_dy
    
    # یافتن بهترین جابجایی برای تراز کردن G و B نسبت به R
    dx_g, dy_g = find_optimal_shift(R, G)
    dx_b, dy_b = find_optimal_shift(R, B)
    
    # اعمال جابجایی‌های بهینه
    G_aligned = np.roll(G, shift=(dy_g, dx_g), axis=(0, 1))
    B_aligned = np.roll(B, shift=(dy_b, dx_b), axis=(0, 1))
    
    print(f"Optimal displacement for G relative to R: (dx, dy) = ({dx_g}, {dy_g})")
    print(f"Optimal displacement for B relative to R: (dx, dy) = ({dx_b}, {dy_b})")
    
    # ترکیب کردن کانال‌های تراز شده
    aligned_image = cv2.merge([B_aligned, G_aligned, R])
    
    # نمایش تصاویر و کانال‌ها
    plt.figure(figsize=(12, 8))
    
    plt.subplot(2, 2, 1)
    plt.imshow(cv2.cvtColor(cv2.merge([np.full_like(R, 255), np.full_like(R, 255), R]), cv2.COLOR_BGR2RGB))
    plt.title("Red Channel")
    plt.axis('off')
    
    plt.subplot(2, 2, 2)
    plt.imshow(cv2.cvtColor(cv2.merge([np.full_like(G_aligned, 255), G_aligned, np.full_like(G_aligned, 255)]), cv2.COLOR_BGR2RGB))
    plt.title("Aligned Green Channel")
    plt.axis('off')
    
    plt.subplot(2, 2, 3)
    plt.imshow(cv2.cvtColor(cv2.merge([B_aligned, np.full_like(B_aligned, 255), np.full_like(B_aligned, 255)]), cv2.COLOR_BGR2RGB))
    plt.title("Aligned Blue Channel")
    plt.axis('off')
    
    plt.subplot(2, 2, 4)
    plt.imshow(cv2.cvtColor(aligned_image, cv2.COLOR_BGR2RGB))
    plt.title("Aligned Image")
    plt.axis('off')
    
    plt.tight_layout()
    plt.show()
    

    در این نسخه، یک ناحیه معیار کوچکتر از مرکز هر تصویر گرفته می‌شود که ممکن است دقت هم‌ترازسازی را بالا ببرد، زیرا ویژگی‌های مهم‌تری را در بر می‌گیرد. امیدوارم این روش به بهبود نتایج منجر شود. اگر مجدداً مشکلاتی به وجود آمد، ممکن است نیاز باشد محدوده جستجو یا اندازه ناحیه معیار را تنظیم کنید.