Обработка изображений без OpenCV | python

Michael Zippo

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:

< /tbody>

# 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:

   # использование matplotlib и numpy 
 import   matplotlib.image as img 
 import   numpy as npy 

  # прочитать изображение в переменной m 
 m   =   img.imread (   "taj.png"  ) 

 # определение размера изображения ширина (w) высота (h) 
 w, h   =   m.shape [:   2  ] 

 # требуемый размер изображения после обрезки 
 xNew   =   int   (w   *   1   /   4  ) 
 yNew   =   int   (h   *   1   /   4  ) 
 newImage   =   npy.zeros ([xNew, yNew,   4  ]) 
 
 # ширина печати высота исходного изображения 
 print   (w)  
  print   (h) 

 for   i   в   диапазон   (  1  , xNew): 
   for   j   in   range   (  1  , yNew): 
   # обрезать исходное изображение со 100 до 100 пикселей 
   newImage [i, j]   =   m [  100   +   i,   100   +   j] 

 # сохранить изображение 
 img.imsave (  `cropped.png`  , newImage) 
Вывод: