Processamento de imagem sem OpenCV | Pitão

Sabemos que o OpenCV é amplamente utilizado para trabalhar com imagens e possui uma ampla gama de funções para isso. Mas e se quisermos processar arquivos de imagem sem usar nenhuma biblioteca externa como o OpenCV. Vamos ver como podemos fazer isso.

Escala de imagem (usando interpolação do vizinho mais próximo):

Interpolação do vizinho mais próximo — esta é a maneira mais fácil de interpolar. Este método simplesmente determina o pixel vizinho "mais próximo" e assume um valor para sua intensidade.

Considere uma pequena imagem cuja largura é w e a altura é — h que queremos mudar de largura p para largura q, assumindo p > m e q > n. Agora precisamos de duas constantes de escala:

scale_x = p / w scale_y = q / h 

Agora simplesmente iteramos sobre todos os pixels na imagem de saída, referindo-se aos pixels originais que estão copiando. dimensionando nossas variáveis de controle com scale_x e scale_y e arredondando os valores de índice dimensionados resultantes.

Representação visual:
A imagem tem 3X3 pixels (9 pixels no total), agora se quisermos aumentar o tamanho da imagem para 6X6, então, de acordo com o algoritmo vizinho mais próximo, 6/3 (ou seja, 2) pixels devem ter o mesmo valor RGB que o valor do pixel para a imagem original.

Programa de dimensionamento de imagem:

# usando matplotlib e numpy import matplotlib.image as img importar numpy as npy # fornece a localização da imagem legível m = img.imread ( "taj.png " ); # definindo o comprimento da imagem original w , h = m.shape [: 2 < classe de código = "simples">]; # xNew e yNew são a nova largura e # altura da imagem necessária após dimensionar xNew = int (w * 1 / 2 ); yNew = int (h * 1 / 2 ); # calcular o fator de escala # trabalhar mais de 2 pixels xScale = xNew / (w - 1 ); yScale = yNew / (h - 1 ); # usando numpy, pegando a matriz xNew # largura e nova altura com # 4 atributos [alpha, B, G, B] valores ‚Äã‚Äã newImage = npy.zeros ([xNew, yNew, 4 ]); para i em intervalo (xNew - 1 ): for j em intervalo (yNew - 1 ): newImage [ i + 1 , j + 1 ] = m [ 1 + int (i / xScale), 1 + int (j / yScale)] # Salva a imagem após dimensionar img.imsave ( `scaled.png ` , novaImagem); Saída: Escala de cinza da imagem: Usando a média value, esse método enfatiza a intensidade de um pixel, em vez de mostrar de que valores RGB ‚Äã‚Äãé composto. Quando calculamos o valor RGB médio e atribuímos o valor RGB para um pixel, já que o valor RGB do pixel é o mesmo, não será possível criar nenhuma cor, pois todas as cores são geradas devido a uma proporção diferente de RGB valores, pois neste caso a proporção seria 1:1:1. Portanto, a imagem renderizada parecerá uma imagem cinza. Representação visual: Programa de imagem em tons de cinza: # usando NumPy import numpy como npy # usando matplotlib import matplotlib.image as img # usa estatísticas para importar a média # para calcular a média from estatísticas importação significa m = img.imread ( "taj.png" ) # define a largura e altura do imagem original w, h = m .shape [: 2 ] # nova dimensão de imagem com 4 atributos por pixel newImage = npy.zeros ([w, h, 4 ]) print (w) print (h) para i em intervalo (w): para j em intervalo (h): # proporção RGB será entre 0 e 1 lst = [ float (m [i] [j] [ 0 ]), float (m [i] [j] [ 1 ]), float (m [i] [j] [ 2 ])] avg = float (mean (lst) ) newImage [i] [j] [ 0 ] = avg newImage [i] [j] [ 1 ] = avg newImage [i] [j] [ 2 ] = avg newImage [i] [j] [ 3 ] = 1 # valor alfa deve ser 1 # Salva imagem com imsave img.imsave ( `grayedImage.png` , newImage)

Saída:

Cortar uma imagem:

Cortar basicamente remove pixel indesejado. Isso pode ser feito colocando o pixel necessário em outra grade de imagens, cujo tamanho corresponda ao necessário após o corte.

Considere uma imagem com tamanho de 10 √ó 10 pixels, e se queremos apenas recortar o centro de uma imagem com tamanho de 4 √ó 4 pixels, então precisamos coletar valores de pixel ‚Äã‚Äãde (10-4) / 2, começando em (3, 3) até 4 pixels na direção x e 4 pixels na direção y.

Representação visual:

Cortador de imagem: