Социально-методический центр поддержки СО НКО Московской области

Что произойдет, если не все элементы массива равны нулю? Помните в предыдущих разделах, где упоминалось, что при работе с целыми числами значения пикселей могут варьироваться от 0 (нет интенсивности) до 255 (максимальная интенсивность). Таким образом, теоретически, если мы создадим массив, заполненный диапазоном постепенно увеличивающихся целочисленных значений, мы должны получить изображение, в котором пиксели становятся все ярче. Давайте посмотрим, так ли это на практике.

 # создание одномерного массива (вектора) элементов в диапазоне от 0 до 80
изображение = np.arange(81)
# преобразование вектора в двумерный массив
изображение = изображение.изменить((9, 9))
# пытаемся визуализировать массив
plt.imshow(image, cmap='grey') 

В приведенном выше кодовом блоке создается «одномерный массив» (фактически называемый вектором) с элементами в диапазоне от 0 до 80 (всего 81 элемент). Затем вектор преобразуется в массив (9, 9), а затем визуализируется. Очевидно, поскольку количество пикселей (элементов) в массиве увеличивается от 0 до 80, интенсивность пикселей постепенно увеличивается от самых тусклых до самых ярких, так что на самом деле теория интенсивности пикселей действительно подтверждается.

 изображение
массив([[ 0, 1, 2, 3, 4, 5, 6, 7, 8],
       [9, 10, 11, 12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23, 24, 25, 26],
       [27, 28, 29, 30, 31, 32, 33, 34, 35],
       [36, 37, 38, 39, 40, 41, 42, 43, 44],
       [45, 46, 47, 48, 49, 50, 51, 52, 53],
       [54, 55, 56, 57, 58, 59, 60, 61, 62],
       [63, 64, 65, 66, 67, 68, 69, 70, 71],
       [72, 73, 74, 75, 76, 77, 78, 79, 80]]) 

Дисперсия и относительная интенсивность пикселей

При работе с пикселями изображения интенсивность или яркость каждого пикселя зависит от общей природы всех пикселей. Другими словами, должны быть разные значения пикселей, чтобы интенсивность вступила в игру. Например, массив со всеми элементами со значением 100 будет отображаться как затемненное изображение (аналогично массиву нулей), поскольку дисперсия его элементов равна 0.

Кроме того, при работе с целочисленными значениями пикселей, если все пиксели находятся в диапазоне от 0 до 10, яркость пикселей будет прогрессивно масштабироваться между этими значениями, при этом 0 соответствует самому темному, 10 — максимальной яркости и 5 — 5/11 яркости. максимальная яркость. Однако, если значения находятся в диапазоне от 1 до 100, пиксели со значением 1 будут казаться самыми тусклыми, пиксели со значением 100 — самыми яркими, а пиксели со значением 10 будут иметь яркость 1/10 от максимальной.

Создание осмысленных изображений

Становится все яснее, что, соединяя пиксели разной интенсивности, можно получить желаемую фигуру. По-прежнему используя наш (9, 9) пиксельный «холст», давайте попробуем создать массив, показанный ниже.

Этот массив состоит из набора нулей и единиц, причем единицы, по-видимому, выделяют контур буквы «J». Основываясь на наших знаниях об интенсивности пикселей, мы знаем, что «нулевые» пиксели не имеют интенсивности (нет яркости), поэтому они будут казаться черными; мы также знаем, что «один» пиксель будет иметь максимальную интенсивность — в данном случае максимальную интенсивность, поскольку 1 — это максимальное значение. Само собой разумеется, что этот массив будет давать фигуру буквы «J» при визуализации.

 # создание массива
изображение = np.zeros ((9, 9))
изображение[1, 2:-2] = 1
изображение[1:-1, 4] = 1
изображение[-2, 2:4] = 1
plt.imshow(image) 

Так что да, объединение пикселей с различной интенсивностью даст желаемые цифры, если делать это достаточно осознанно. Следующий вопрос теперь будет заключаться в том, можно ли объединять пиксели для формирования более сложных изображений, таких как, например, изображение человеческого лица? Ответ на этот вопрос – решительное да! Конечно, нам понадобится больше 81 пикселя, поскольку человеческое лицо содержит множество деталей, но мастерское объединение пикселей для формирования сложных и реалистичных изображений — это в основном то, чем занимаются генеративные модели, такие как автоэнкодеры, генеративно-состязательные сети и DALL-E.

Основные операции с изображениями

С осознанием того, что изображения, по сути, являются массивами, появляется возможность манипулировать ими, просто взаимодействуя с их представлениями в виде массивов. Любая математическая операция, применимая к матрицам, применима и к цифровым изображениям. Точно так же любая операция, применимая к массивам Python, может применяться и к цифровым изображениям.

Одной из очень простых операций с массивами, которая оказывает существенное влияние на работу с изображениями, является индексирование и нарезка массива. Просто разрезая массивы, можно было повернуть изображение под прямым углом. Следующий код демонстрирует этот процесс.

 поворот по умолчанию (путь_изображения, угол):
    """
    Эта функция поворачивает изображения под прямым углом
    по часовой стрелке.
    """
    если угол % 90 != 0:
      print('может вращаться только под прямым углом (90, 180, 270, 360)')
      проходить
    еще:
      # чтение изображения
      изображение = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
      
      # вращающееся изображение
      если угол == 90:
        image = np.transpose(image) # транспонирующий массив
        image = image[:, ::-1] # перестановка столбцов
        plt. imshow(изображение, cmap='серый')
      Элиф угол == 180:
        image = image[::-1, :] # переворачивание строк
        image = image[:, ::-1] # перестановка столбцов
        plt.imshow(изображение, cmap='серый')
      Элиф угол == 270:
        image = np.transpose(image) # транспонирующий массив
        image = image[::-1, :] # переворачивание строк
        plt.imshow(изображение, cmap='серый')
      еще:
        изображение = изображение
        plt.imshow(изображение, cmap='серый')
    пройти 

Используя описанную выше функцию, массивы изображений можно манипулировать таким образом, что их пиксели перестраиваются, чтобы получить повернутые версии исходного изображения.

Можно также явно изменить значение пикселей в изображении, проиндексировав их и присвоив им новые значения. Например, предположим, что мы хотим создать фигуру «Т» из нашей фигуры «J». Это вопрос простого исключения хвоста буквы «J», который формируется пикселями в строке 7, столбцах 2 и 3. Мы можем сделать это, проиндексировав эти пиксели и присвоив им нулевое значение, чтобы они не имели интенсивности.

 # индексация и присвоение
image[7, 2:4] = 0 

Каналы

Каналы — это свойство изображений, определяющее их цвет. Возвращаясь к трехмерному пространственному представлению, представленному в разделе измерений, для правильного представления изображения необходимо также учитывать ось z. Оказывается, изображение может состоять не только из одного массива, но и из стека массивов. Каждый массив в стеке называется каналом.

Изображения в градациях серого состоят только из одного массива, поэтому они имеют только один канал, как и все массивы, с которыми мы имели дело в предыдущем разделе. С другой стороны, цветные изображения состоят из 3 массивов, наложенных друг на друга, поэтому они имеют 3 канала (9).0025 думайте об этих каналах как о листах бумаги, наложенных друг на друга ).

Каналы в цветных изображениях

Каждый канал в цветном изображении представляет собой массив пикселей, которые могут воспроизводить только один из 3 цветов: красный, зеленый, синий (RGB). В каждом цветном изображении эти каналы всегда расположены одинаково: первый — красный, второй — зеленый, а третий — синий.

На основе интенсивности соответствующих пикселей по этим 3 каналам можно сформировать любой цвет. Давайте проверим это, используя фигуру, используя нашу фигуру «J». Мы попробуем создать разные его варианты, каждый вариант будет иметь свой цвет.

Как сказано в теме, мы пытаемся создать изображение красной фигуры ‘J’ на черном фоне. Чтобы сгенерировать черный фон, нам по существу нужно, чтобы все пиксели фона не имели интенсивности, поэтому значение пикселя равно нулю. Поскольку мы пытаемся создать красную фигуру, только пиксели, очерчивающие фигуру в красном канале, «включаются», пропуская только красный цвет, как показано выше.

 # создание изображения размером 9x9 пикселей с 3 каналами
изображение = np.zeros((9,9,3)).astype(np.uint8)
# включение пикселей, очерчивающих фигуру j в красном канале (канал 0)
изображение[1, 2:-2, 0] = 255
изображение[1:-1, 4, 0] = 255
изображение[-2, 2:4, 0] = 255
plt. imshow(image) 

Подобно красной фигуре, полученной выше, для создания зеленой фигуры нам нужно только включить ее очерчивающие пиксели в зеленом канале.

 # создание 9изображение x9 пикселей с 3 каналами
изображение = np.zeros((9,9,3)).astype(np.uint8)
# включение пикселей, очерчивающих фигуру j в зеленом канале (канал 1)
изображение[1, 2:-2, 1] = 255
изображение[1:-1, 4, 1] = 255
изображение[-2, 2:4, 1] = 255
plt.imshow(image) 

Аналогичным образом, для создания синей фигуры на черном фоне включаются только контурные пиксели в синем канале, как показано выше.

 # создание изображения 9x9 пикселей с 3 каналами
изображение = np.zeros((9,9,3)).astype(np.uint8)
# включение пикселей, очерчивающих фигуру j в синем канале (канал 2)
изображение[1, 2:-2, 2] = 255
изображение[1:-1, 4, 2] = 255
изображение[-2, 2:4, 2] = 255
plt.imshow(image) 

Теперь кое-что посложнее. Цель состоит в том, чтобы создать изображение фигуры «J» бирюзового цвета на бордовом фоне. Чтобы создать бордовый фон, бордовые значения RGB (128, 0, 32) должны быть реплицированы по соответствующим каналам для пикселей, составляющих фон.

В том же флюгере для создания бирюзового цвета фигуры «J» бирюзовые значения RGB (0, 128, 128) должны быть назначены контурным пикселям в соответствующих каналах, как показано на изображении выше, и воспроизведены в кодовом блоке. ниже.

 # создание массива
изображение = np.zeros((9,9,3)).astype(np.uint8)
# назначение цвета фона в каждом канале
изображение[:,:,0] = 128
изображение[:,:,1] = 0
изображение[:,:,2] = 32
# выделение фигуры j в каждом канале
изображение[1, 2:-2, 0] = 0
изображение[1, 2:-2, 1] = 128
изображение[1, 2:-2, 2] = 128
изображение[1:-1, 4, 0] = 0
изображение[1:-1, 4, 1] = 128
изображение[1:-1, 4, 2] = 128
изображение[-2, 2:4, 0] = 0
изображение[-2, 2:4, 1] = 128
изображение[-2, 2:4, 2] = 128
plt.imshow(изображение) 

Color To Grayscale

Поскольку единственное, что отличает цветные изображения от изображений в градациях серого в цифровом контексте, — это количество каналов, теоретически, если мы сможем найти способ сжать все 3 канала цветного изображения в один канал, мы сможем преобразовать цветные изображения в изображения в градациях серого. Теория работает.

Для этого существует несколько методов, однако самый простой способ — просто взять среднее значение соответствующих пикселей по каналам.

 # вычисление среднего значения пикселей по каналам
изображение = изображение.среднее (ось = 2) 

Изображения в градациях серого В Matplotlib

Как указывалось ранее, изображения в градациях серого (черно-белые) имеют только один канал, подобно одиночным массивам, использованным в предыдущих разделах. Однако при визуализации этих одиночных массивов нам пришлось использовать параметр cmap в Matplotlib. Причина этого заключается в том, что Matplotlib неявно не распознает одноканальные массивы как данные изображения, поэтому они не визуализируются как оттенки серого, а визуализируются как карты цветов.

Однако, чтобы создать версию приведенного выше изображения в градациях серого (которое было заархивировано путем установки cmap=’gray’), нам нужно создать трехканальный массив, установить пиксели фона равными нулю и включить пиксели контура на каждом канале, чтобы полная интенсивность (255), так как это создаст черный фон и белую фигуру (255, 255, 255).