Przetwarzanie obrazu bez OpenCV | pyton

Wiemy, że OpenCV jest szeroko stosowany do pracy z obrazami i ma do tego szeroki zakres funkcji. Ale co, jeśli chcemy przetwarzać pliki obrazów bez korzystania z zewnętrznej biblioteki, takiej jak OpenCV. Zobaczmy, jak możemy to zrobić.

Skalowanie obrazu (przy użyciu interpolacji najbliższego sąsiada):

Interpolacja najbliższego sąsiada — jest to najłatwiejszy sposób interpolacji. Ta metoda po prostu określa „najbliższy” sąsiedni piksel i przyjmuje wartość jego intensywności.

Rozważ mały obrazek o szerokości w i wysokości — h chcemy zmienić szerokość z p na szerokość q, zakładając, że p>gt; miq > n. Teraz potrzebujemy dwóch stałych skalowania:

scale_x = p / w scale_y = q / h 

Teraz po prostu iterujemy po wszystkich pikselach w obrazie wyjściowym, odnosząc się do oryginalnych pikseli, które kopiujesz z. skalowanie naszych zmiennych kontrolnych za pomocą scale_x i scale_y oraz zaokrąglanie wynikowych skalowanych wartości indeksu.

Reprezentacja wizualna:
Obraz ma 3X3 piksele (łącznie 9 pikseli), teraz jeśli chcemy zwiększyć rozmiar obrazu do 6X6, to zgodnie z najbliższym algorytmem sąsiednim 6/3 (czyli 2) piksele powinny mieć taką samą wartość RGB jak wartość piksela do oryginalnego obrazu.

Program do skalowania obrazów:

# przy użyciu matplotlib i numpy import matplotlib.image jako img importuj numpy as npy # podaj czytelną lokalizację obrazu m = img.imread ( "taj.png " ); # określenie długości oryginalnego obrazu w , h = m.shape [: 2 < klasa kodu = "zwykły">]; # xNew i yNew to nowa szerokość i # wymagana wysokość obrazu po skalowaniu xNew = int (w * 1 / 2 ); yNew = int (h * 1 / 2 ); # oblicz współczynnik skalowania # działa więcej niż 2 piksele xScale = xNew / (w - 1 ); yScale = yNew / (h - 1 < /kod> ); # używając numpy, biorąc macierz xNew # szerokość i nowa wysokość z # 4 atrybuty [alfa, B, G, B] wartości „Ęã‚Ęã newImage = npy.zeros ([xNew, yNew, 4 ]); for i w range (xNew - 1 ): for j w zakresie (yNew - 1 ): newImage [ i + 1 , j + 1 ] = m [ 1 + int (i / xScale), 1 + int (j / yScale)] # Zapisz obraz po skalowaniu img.imsave ( `scaled.png ` , newImage); Wyjście: Skala szarości obrazu: Korzystanie ze średniej metoda wartości, ta metoda podkreśla intensywność piksela, zamiast pokazywać, z czego składa się wartość RGB. Kiedy obliczymy średnią wartość RGB i przypiszemy jej wartość RGB do piksela, ponieważ wartość RGB piksela jest taka sama, nie będzie w stanie stworzyć żadnego koloru, ponieważ wszystkie kolory są generowane ze względu na inny stosunek RGB wartości, ponieważ w tym przypadku stosunek wynosiłby 1:1:1. Dlatego renderowany obraz będzie wyglądał jak szary obraz. Reprezentacja wizualna: Program do obsługi obrazów w skali szarości: # używając NumPy importuj numpy as npy # using matplotlib import matplotlib.image jako img # użyj statystyk do zaimportowania średniej # do obliczenia średniej from statystyki import oznacza m = img.imread ( "taj.png" ) # określ szerokość i wysokość obraz oryginalny w, h = m .shape [: 2 ] # nowy wymiar obrazu z 4 atrybutami na piksel newImage = npy.zeros ([w, h, 4 ]) print (w) drukuj (h) for i w zakresie (w): for j w zakresie (h): # Współczynnik RGB będzie wynosić od 0 do 1 lst = [ float (m [i] [j] [ 0 ]), float (m [i] [j] [ 1 ]), float (m [i] [j] [ 2 ])] średnia = float (średnia (lst) ) newImage [i] [j] [ 0 ] = avg newImage [i] [j] [ 1 ] = avg newImage [i] [j] [ 2 ] = avg newImage [i] [j] [ 3 ] = 1 # wartość alfa musi być 1 # Zapisz obraz za pomocą imsave img.imsave ( `grayedImage.png` , newImage)

Wyjście:

Przycinanie obrazu:

Przycinanie zasadniczo usuwa niechciany piksel. Można to zrobić, umieszczając wymagany piksel w innej siatce obrazów, której rozmiar odpowiada wymaganym po przycięciu.

Rozważ obraz o rozmiarze 10 √ 10 pikseli i jeśli chcemy wykadrować tylko środek obrazu o rozmiarze 4 × 4 piksele, następnie musimy zebrać wartości pikseli ‚od (10-4) / 2, zaczynając od (3, 3) do 4 pikseli w kierunku x i 4 piksele w kierunku y.

Reprezentacja wizualna:

Przycinanie obrazu: