def task15():
"""
1.oroginal
2. original + noise
Контуры
а)erosion
b)silatation
:return:
"""
img = IO.read_image(r"data/Dots.jpg")
img = to_one_chanel(img)
print(img.max(), img.mean(), img.min())
img = 255 - img
print(set(img.flatten()))
img = m.threshold_filter_2d(img, 100)
print(set(img.flatten()))
img2 = PF.erosion(img, 17)
img3 = PF.dilatation(img2, 17)
IO.show_images([m.normalize(img),
m.normalize(img2),
m.normalize(img3)],
fig_name="Эрозия, пример")
# with model
img = IO.read_image(r"data/MODEL.jpg")
img2 = m.threshold_filter_2d(img, 100)
img3 = PF.erosion(img2, 10)
img4 = img2 - img3
img5 = PF.dilatation(img2, 10)
img6 = img5 - img2
IO.show_images([m.normalize(img2),
m.normalize(img4),
m.normalize(img6)]["Изначальное бинаризированное",
"Эрозия", "Дилатация"],
fig_name="Эрозия, детектирования края")
def task14():
"""
1 оригонал (оригинал + шум (sp + noise + both))
grad (sobel)
laplasian
:return:
"""
img = IO.read_image(r"data/MODEL.jpg")
img2 = PF.gradient_sobel(img, "h")
img3 = PF.gradient_sobel(img, "v")
img4 = PF.gradient_sobel(img, "a")
img5 = m.normalize(np.absolute(img2)) +\
m.normalize(np.absolute(img3))
IO.show_images([
img,
m.normalize(img2),
m.normalize(img3),
m.normalize(img4), img5, img - img5
], [
"Изначальное изображение", "Маска собела горизонт",
"Маска собела верт", "Сумма нескольких масок",
"Применение горизонтальной и вертикальной масок",
"Суммируем ради красоты"
],
fig_name="Маски Собела")
img2 = PF.laplassian(img, "a")
img3 = PF.laplassian(img, "b")
IO.show_images([
m.normalize(img2),
m.normalize(img3), img + m.normalize(img2), img + m.normalize(img3)
], [
"Лаплассиан, маска1", "Лапл, маска 2", "Сумма с маск 1",
"Сумма с маской 2"
],
fig_name="Лаплассиан")
def task4():
img = IO.read_image("photo1.jpg", r".\data")
img = to_one_chanel(img)
mul = 1.7
img2 = reS.resize_next_neigbour(img, mul)
img3 = reS.resize_bilinear_interpolation(img, mul)
IO.show_images([img, img2, img3], types="sizing")
plt.figure(figsize=(img.shape[1] / DPI, img.shape[0] / DPI))
plt.imshow(img,
aspect="auto",
interpolation="none",
vmin=0,
vmax=255,
cmap='gist_gray')
plt.figure(figsize=(img2.shape[1] / DPI, img2.shape[0] / DPI))
plt.imshow(img2,
aspect="auto",
interpolation="none",
vmin=0,
vmax=255,
cmap='gist_gray')
plt.figure(figsize=(img3.shape[1] / DPI, img3.shape[0] / DPI))
plt.imshow(img3,
aspect="auto",
interpolation="none",
vmin=0,
vmax=255,
cmap='gist_gray')
plt.show()
def task5():
img = IO.read_image("image2.jpg", r".\data")
# img = IO.read_image("image2.jpg", r".\data")
# print(img.shape)
img = to_one_chanel(img)
i_img = GT.invert(img)
gc_img = GT.gamma_correction(img, 0.5)
gc_img = np.array(
(gc_img - gc_img.min()) / (gc_img.max() - gc_img.min()) * 255,
dtype=np.int)
l_img = GT.logarifmic_correction(img, 1, base=1.5)
l_img = np.array((l_img - l_img.min()) / (l_img.max() - l_img.min()) * 255,
dtype=np.int)
IO.show_images([img, i_img, gc_img, l_img],
["image", "invert image", "image gamma", "image logarifm"])
def task13():
"""
Выделить контуры объекта MODEL (должны быть как бинарное изображение):
ФНЧ (фильтр низких чатсот расфокусирует изображение),
вычитаем из исходного применяем пороговое преобразование.
ФВЧ (фильтр высоких частот к тому же
изображению построчно или по столбцам), аналогично
1. Попробовать с шумами
"""
img = IO.read_image(r"data/MODEL.jpg")
lpf = m.create_low_pass_filter(0.05, 8, 1)
img2 = m.convolutional_2d(img, lpf)
img3 = img - img2
img3 = m.normalize(m.threshold_filter_2d(img3, 240))
hpf = m.create_hight_pass_filter(0.2, 8, 1)
img4 = m.convolutional_2d(img, hpf)
img4 = m.normalize(m.threshold_filter_2d(img4, 100))
IO.show_images([img, img2, img3, img4],
["start", "conv res", "low filter", "hight filter"],
fig_name="Контур с помощью фильров")
img_n = m.add_random_noise_2d(img)
img_n = m.add_salt_pepper_noise_2d(img_n)
img_n = PF.median_filter(img_n)
img_n = PF.averaging_filter(img_n)
lpf = m.create_low_pass_filter(0.05, 8, 1)
img2 = m.convolutional_2d(img_n, lpf)
img3 = img - img2
# img3 = m.normalize(img3, 255)
# print(img3.min(), img3.max())
img3 = m.normalize(m.threshold_filter_2d(img3, 78))
hpf = m.create_hight_pass_filter(0.2, 4, 1)
img4 = m.convolutional_2d(img_n, hpf)
# img4 = m.normalize(img4, 255)
# print(img4.min(), img4.max())
# img4 = m.threshold_filter_2d(img4, 0)
IO.show_images([img_n, img2, img3, m.normalize(img4)],
["start", "conv res", "low filter", "hight filter"],
fig_name="Контур филтрами зашумленного изображения")
def task6():
pass
"""
1. ??????????? ?????????
2. ??????????
????????? ??????? (????? > 1), ?????? ??????? ? ?? - ?? ????????
?????? - ??? ?????? ?????????????... - ?????????? ?? ? 0-1 ????? ???????????? ??
? ??? ?????????? - ?????????? ????? ???????? ?????? ? ?? ????????????
:return:
"""
img = IO.read_image("image2.jpg", r".\data")
img = to_one_chanel(img)
print(img.shape)
LD = m.luminance_distribution(img)
img2 = m.apply(img, LD)
IO.show_images([img, img2], ["image", "image vs luminance distribution"])
bLD1 = m.back_luminance_distribution(LD)
bLD2 = m.luminance_distribution(img2)
IO.plot_functions([(None, LD)])
IO.plot_functions([(None, LD), (None, bLD1)])