Обработка изображений без OpenCV | python

Мы знаем, что OpenCV широко используется для работы с изображениями и имеет для этого широкий набор функций. Но что, если мы хотим обрабатывать файлы изображений без использования какой-либо внешней библиотеки, такой как OpenCV. Давайте посмотрим, как мы можем это сделать.

Масштабирование изображения (с использованием интерполяции ближайшего соседа):

Интерполяция ближайшего соседа — это самый простой способ интерполяции. Этот метод просто определяет «ближайший» соседний пиксель и принимает значение его интенсивности.

Рассмотрите небольшое изображение, ширина которого равна w, а высота — — h, которую мы хотим изменить с ширины p на ширину q, предполагая, что p > m и q > н. Теперь нам нужны две константы масштабирования:

scale_x = p / w scale_y = q / h 

Теперь мы просто перебираем все пиксели в выходном изображении, ссылаясь на исходные пиксели, которые мы копируют из. масштабирование наших управляющих переменных с помощью scale_x и scale_y и округление полученных масштабированных значений индекса.

Визуальное представление:
Изображение 3Х3 пикселя (всего 9 пикселов), теперь если мы хотим увеличить размер изображения до 6Х6, то по алгоритму ближайшего соседа 6/3 (т.е. 2) пикселя должны иметь такое же значение RGB как и значение пикселя к исходному изображению.

<

Программа масштабирования изображения:

# использование matplotlib и numpy import matplotlib.image as img импортировать <класс кода = "plain"> numpy as npy # указать местоположение изображения в читаемом виде m = img.imread ( "taj.png " ); # определение длины исходного изображения w , h = m.shape [: 2 < класс кода = "обычный">]; # xNew и yNew — новая ширина и # требуемая высота изображения после масштабирования xNew = int (w * 1 / 2 ); yNew = int (h * 1 / 2 ); # вычислить коэффициент масштабирования # работать более чем на 2 пикселя xScale = xNew / (w - 1 <класс кода = "обычный">); yScale = yNew / (h - 1 < /код> <класс кода = "простой">); # использование numpy, получение матрицы xNew # ширина и новая высота с # 4 атрибута [alpha, B, G, B] значения ‚Äã‚Äã newImage = npy.zeros ([xNew, yNew, 4 ]); for i in диапазон (xNew - 1 ): для j in range (yNew - 1 ): newImage [ i + 1 , j + 1 ] = m [ 1 + int (i / xScale), 1 + int (j / yScale)] # Сохранить изображение после масштабирования img.imsave ( `scaled.png ` , newImage); Вывод: Оттенки серого изображения: Использование среднего value, этот метод подчеркивает интенсивность пикселя, а не показывает, из каких значений RGB он состоит. Когда мы вычисляем среднее значение RGB и присваиваем ему значение RGB для пикселя, поскольку значение RGB пикселя одинаково, он не сможет создать какой-либо цвет, так как все цвета генерируются из-за различного соотношения RGB значений, так как в этом случае соотношение было бы 1:1:1. Поэтому визуализированное изображение будет выглядеть серым. Визуальное представление: Программа изображений в оттенках серого: # с использованием NumPy import numpy as npy # использование matplotlib импортировать matplotlib.image as img # использовать статистику для импорта среднего значения # для вычисления среднего значения из статистика импорт означает m = img.imread ( "taj.png" ) # определяем ширину и высоту исходное изображение w, h = m .shape [: 2 ] # новый размер изображения с 4 атрибутами на пиксель newImage = npy.zeros ([w, h, 4 ]) print (w) print (h) for i in range (w): for j in диапазон (h): # Соотношение RGB будет между 0 и 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 # значение альфа-канала должно быть 1 # Сохранить изображение с imsave img.imsave ( `grayedImage.png` , newImage)

Вывод:

Обрезка изображения:

Обрезка в основном удаляет нежелательный пиксель. Это можно сделать, поместив нужный пиксель в другую сетку изображений, размер которой после обрезки совпадает с требуемым.

Рассмотрите изображение размером 10 √ó 10 пикселей, и если мы хотим обрезать только центр изображения размером 4 √ó 4 пикселя, затем нам нужно собрать значения пикселей ‚Äã‚Äãот (10-4)/2, начиная с (3, 3) до 4 пикселей в направлении x и 4 пикселя в направлении y.

Визуальное представление:

Обрезка изображения: