Skip to content
Snippets Groups Projects
Commit f401b85a authored by Carla Elena Gomez Alvarado's avatar Carla Elena Gomez Alvarado
Browse files

Update revision path llamado de imagenes. Procesamiento_digital_imagenes_bordes.ipynb

parent 9f999031
No related branches found
No related tags found
No related merge requests found
Hide whitespace changes
Inline Side-by-side
Procesamiento_digital_imagenes_bordes.ipynb
+ 4
− 4
View file @ f401b85a
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
import cv2 import cv2
import numpy as np import numpy as np
from matplotlib import pyplot as plt from matplotlib import pyplot as plt
from PIL import Image from PIL import Image
from PIL.ExifTags import TAGS from PIL.ExifTags import TAGS
from numpy import asarray from numpy import asarray
from numpy.fft import fft2, fftshift, fftfreq, ifft2 #Python DFT from numpy.fft import fft2, fftshift, fftfreq, ifft2 #Python DFT
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
#imagename = "Data/crateres.jpg" #imagename = "Data_Mars/crateres.jpg"
#imagename = "Data/Perseverance_ZR0_0074.png" -codigo adicional para recorte de bordes negros. #imagename = "Data_Mars/Perseverance_ZR0_0074.png" -codigo adicional para recorte de bordes negros.
#imagename = "Data/mastcamz_2_prints.jpg" #imagename = "Data_Mars/mastcamz_2_prints.jpg"
imagename = "Data/Data_Mars_Mars8.png" imagename = "Data_Mars/Data_Mars_Mars8.png"
# read the image data using PIL # read the image data using PIL
image = Image.open(imagename) image = Image.open(imagename)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
display (image) display (image)
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
crateres.jpg : Image downloaded from : https://mars.nasa.gov/mars2020-raw-images/pub/ods/surface/sol/00000/ids/edr/browse/edl/ELM_0000_0666952859_600ECM_N0000030LVS_04000_0000LUJ00_800.jpg crateres.jpg : Image downloaded from : https://mars.nasa.gov/mars2020-raw-images/pub/ods/surface/sol/00000/ids/edr/browse/edl/ELM_0000_0666952859_600ECM_N0000030LVS_04000_0000LUJ00_800.jpg
Perseverance_ZR=_0074.png : Image downloaded from : Perseverance_ZR=_0074.png : Image downloaded from :
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
img = cv2.imread(imagename, 0) # load an image img = cv2.imread(imagename, 0) # load an image
#3 = np.asarray(imagename, dtype = np.float32) # Image class instance, I1, to float32 Numpy array, a #3 = np.asarray(imagename, dtype = np.float32) # Image class instance, I1, to float32 Numpy array, a
img_float32 = np.float32(img) img_float32 = np.float32(img)
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
Para procesar la imagen se lee como cv2.imread y luego se le aplica la DFT Para procesar la imagen se lee como cv2.imread y luego se le aplica la DFT
DFT: Discrete Fourier Transform. DFT: Discrete Fourier Transform.
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
hist =cv2.calcHist([img],[0],None,[256],[0,256]) hist =cv2.calcHist([img],[0],None,[256],[0,256])
plt.plot(hist,color='blue') plt.plot(hist,color='blue')
plt.xlabel('Intensidad de Iluminacion') plt.xlabel('Intensidad de Iluminacion')
plt.ylabel('Pixels Bins') plt.ylabel('Pixels Bins')
plt.show() plt.show()
plt.hist(np.concatenate((img),axis=0),bins=250) plt.hist(np.concatenate((img),axis=0),bins=250)
plt.xlabel('Intensidad de Iluminacion') plt.xlabel('Intensidad de Iluminacion')
plt.ylabel('Pixels Bins') plt.ylabel('Pixels Bins')
plt.show() plt.show()
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
#transform,ar el array de la imagen en punto flotante para ser procesado. #transform,ar el array de la imagen en punto flotante para ser procesado.
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT) dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift =np.fft.fftshift(dft) dft_shift =np.fft.fftshift(dft)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
# convert image to numpy array # convert image to numpy array
data = asarray(image) data = asarray(image)
print(type(data)) print(type(data))
# caracteristicas de la imagen # caracteristicas de la imagen
print(data.shape) print(data.shape)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
#Muestra cada valor de cada pixel de la imagen como array en Numpy #Muestra cada valor de cada pixel de la imagen como array en Numpy
#print(data) #print(data)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
#imagen en el espacio de las frecuencias : #imagen en el espacio de las frecuencias :
f = np.fft.fft2(img) #fft2 para 2 dimensiones f = np.fft.fft2(img) #fft2 para 2 dimensiones
fshift = np.fft.fftshift(f) # para centrar las frecuencias bajas. fshift = np.fft.fftshift(f) # para centrar las frecuencias bajas.
# fft2 tiene valors imaginarios por ello se saca el espectro real o de magnitud. # fft2 tiene valors imaginarios por ello se saca el espectro real o de magnitud.
magnitude_sprectrum = 20*np.log(np.abs(fshift)) magnitude_sprectrum = 20*np.log(np.abs(fshift))
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
f.shape f.shape
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
fft2(f) fft2(f)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
#Matplotlib para crear 2 subplots en la misma linea para comparar la imagen original y #Matplotlib para crear 2 subplots en la misma linea para comparar la imagen original y
#la imagen transformada en el espectro de frecuencias. #la imagen transformada en el espectro de frecuencias.
plt.subplot(121),plt.imshow(img , cmap = 'gray') plt.subplot(121),plt.imshow(img , cmap = 'gray')
plt.title('Original Image'), plt.xticks([]),plt.yticks([]) plt.title('Original Image'), plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_sprectrum , cmap = 'gray') plt.subplot(122),plt.imshow(magnitude_sprectrum , cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]),plt.yticks([]) plt.title('Magnitude Spectrum'), plt.xticks([]),plt.yticks([])
plt.show plt.show
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
#Filtro pasa alto HPF en el dominio de las frencuencias para demarcar contornos: #Filtro pasa alto HPF en el dominio de las frencuencias para demarcar contornos:
rows, cols = img.shape rows, cols = img.shape
crow, ccol = int(rows/2), int(cols/2) crow, ccol = int(rows/2), int(cols/2)
#remover las frecuencias bajas usando una plantilla circular #remover las frecuencias bajas usando una plantilla circular
mask=np.ones((rows,cols,2),np.uint8) mask=np.ones((rows,cols,2),np.uint8)
r = 40 r = 40
center = [crow, ccol] center = [crow, ccol]
x, y = np.ogrid[:rows, :cols] x, y = np.ogrid[:rows, :cols]
mask_area = (x - center[0]) ** 2 + (y - center[1]) ** 2 <= r*r mask_area = (x - center[0]) ** 2 + (y - center[1]) ** 2 <= r*r
mask[mask_area] = 1 mask[mask_area] = 1
fshift=dft_shift*mask fshift=dft_shift*mask
fshift_mask_mag=2000*np.log(cv2.magnitude(fshift[:,:,0],fshift[:,:,1])) fshift_mask_mag=2000*np.log(cv2.magnitude(fshift[:,:,0],fshift[:,:,1]))
f_ishift =np.fft.ifftshift(fshift) f_ishift =np.fft.ifftshift(fshift)
img_back =cv2.idft(f_ishift) img_back =cv2.idft(f_ishift)
img_back =cv2.magnitude(img_back[:,:,0],img_back[:,:,1]) img_back =cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
#fshift[crow-30:crow+30,ccol-30:ccol+30]=0 #fshift[crow-30:crow+30,ccol-30:ccol+30]=0
f_ishift = np.fft.ifftshift(fshift) f_ishift = np.fft.ifftshift(fshift)
img_back = np.fft.ifft2(f_ishift) img_back = np.fft.ifft2(f_ishift)
img_back = np.abs(img_back) img_back = np.abs(img_back)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
#Filtro pasa Banda BPF aplicando dos circulos concentricos #Filtro pasa Banda BPF aplicando dos circulos concentricos
rows, cols = img.shape rows, cols = img.shape
crow, ccol = int(rows/2), int(cols/2) # circulo centro crow, ccol = int(rows/2), int(cols/2) # circulo centro
#remover las frecuencias bajas usando una plantilla circular #remover las frecuencias bajas usando una plantilla circular
rows, cols = img.shape rows, cols = img.shape
crow, ccol = int(rows/2), int(cols/2) crow, ccol = int(rows/2), int(cols/2)
mask=np.zeros((rows,cols,2),np.uint8) mask=np.zeros((rows,cols,2),np.uint8)
r_out = 40 r_out = 40
r_in = 4 r_in = 4
center = [crow, ccol] center = [crow, ccol]
x, y = np.ogrid[:rows, :cols] x, y = np.ogrid[:rows, :cols]
mask_area = np.logical_and(((x-center[0])**2 +(y-center[1])**2>= r_in**2), mask_area = np.logical_and(((x-center[0])**2 +(y-center[1])**2>= r_in**2),
((x-center[0])**2 +(y-center[1])**2<= r_out**2)) ((x-center[0])**2 +(y-center[1])**2<= r_out**2))
mask[mask_area] = 1 mask[mask_area] = 1
fshift=dft_shift*mask fshift=dft_shift*mask
fshift_mask_mag= 2000 * np.log(cv2.magnitude(fshift[:, :, 0], fshift[:, :, 1])) fshift_mask_mag= 2000 * np.log(cv2.magnitude(fshift[:, :, 0], fshift[:, :, 1]))
f_ishift =np.fft.ifftshift(fshift) f_ishift =np.fft.ifftshift(fshift)
img_back =cv2.idft(f_ishift) img_back =cv2.idft(f_ishift)
img_back =cv2.magnitude(img_back[:,:,0],img_back[:,:,1]) img_back =cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
#fshift[crow-30:crow+30,ccol-30:ccol+30]=0 #fshift[crow-30:crow+30,ccol-30:ccol+30]=0
fig = plt.figure(figsize=(20,20)) fig = plt.figure(figsize=(20,20))
fig.add_subplot(2, 2, 1), plt.imshow(img, cmap='gray') fig.add_subplot(2, 2, 1), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([]) plt.title('Input Image'), plt.xticks([]), plt.yticks([])
fig.add_subplot(2, 2, 2), plt.imshow(magnitude_sprectrum,cmap='gray') fig.add_subplot(2, 2, 2), plt.imshow(magnitude_sprectrum,cmap='gray')
plt.title('After FFT'), plt.xticks([]), plt.yticks([]) plt.title('After FFT'), plt.xticks([]), plt.yticks([])
fig.add_subplot(2, 2, 3), plt.imshow(fshift_mask_mag, cmap='gray') fig.add_subplot(2, 2, 3), plt.imshow(fshift_mask_mag, cmap='gray')
plt.title('FFT + Mask'), plt.xticks([]), plt.yticks([]) plt.title('FFT + Mask'), plt.xticks([]), plt.yticks([])
fig.add_subplot(2, 2, 4), plt.imshow(img_back, cmap='gray') fig.add_subplot(2, 2, 4), plt.imshow(img_back, cmap='gray')
plt.title('After FFT Inverse'), plt.xticks([]), plt.yticks([]) plt.title('After FFT Inverse'), plt.xticks([]), plt.yticks([])
plt.show() plt.show()
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
#Filtro pasa Banda BPF aplicando dos circulos concentricos #Filtro pasa Banda BPF aplicando dos circulos concentricos
rows, cols = img.shape rows, cols = img.shape
crow, ccol = int(rows/2), int(cols/2) # circulo centro crow, ccol = int(rows/2), int(cols/2) # circulo centro
#remover las frecuencias bajas usando una plantilla circular #remover las frecuencias bajas usando una plantilla circular
rows, cols = img.shape rows, cols = img.shape
crow, ccol = int(rows/2), int(cols/2) crow, ccol = int(rows/2), int(cols/2)
mask=np.zeros((rows,cols,2),np.uint8) mask=np.zeros((rows,cols,2),np.uint8)
#con diferentes radios tal que sean mayor que la zona central, tapando la mayor cantidad de bajas frencuencias. #con diferentes radios tal que sean mayor que la zona central, tapando la mayor cantidad de bajas frencuencias.
r_out = 80 r_out = 80
r_in = 4 r_in = 4
center = [crow, ccol] center = [crow, ccol]
x, y = np.ogrid[:rows, :cols] x, y = np.ogrid[:rows, :cols]
mask_area = np.logical_and(((x-center[0])**2 +(y-center[1])**2>= r_in**2), mask_area = np.logical_and(((x-center[0])**2 +(y-center[1])**2>= r_in**2),
((x-center[0])**2 +(y-center[1])**2<= r_out**2)) ((x-center[0])**2 +(y-center[1])**2<= r_out**2))
mask[mask_area] = 1 mask[mask_area] = 1
fshift=dft_shift*mask fshift=dft_shift*mask
fshift_mask_mag= 2000 * np.log(cv2.magnitude(fshift[:, :, 0], fshift[:, :, 1])) fshift_mask_mag= 2000 * np.log(cv2.magnitude(fshift[:, :, 0], fshift[:, :, 1]))
f_ishift =np.fft.ifftshift(fshift) f_ishift =np.fft.ifftshift(fshift)
img_back =cv2.idft(f_ishift) img_back =cv2.idft(f_ishift)
img_back =cv2.magnitude(img_back[:,:,0],img_back[:,:,1]) img_back =cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
fig = plt.figure(figsize=(20,20)) fig = plt.figure(figsize=(20,20))
fig.add_subplot(121),plt.imshow(img , cmap = 'gray') fig.add_subplot(121),plt.imshow(img , cmap = 'gray')
plt.title('Original Image'), plt.xticks([]),plt.yticks([]) plt.title('Original Image'), plt.xticks([]),plt.yticks([])
fig.add_subplot(122),plt.imshow(img_back , cmap = 'gray') fig.add_subplot(122),plt.imshow(img_back , cmap = 'gray')
plt.title('AFTER FFT Inverse image'), plt.xticks([]),plt.yticks([]) plt.title('AFTER FFT Inverse image'), plt.xticks([]),plt.yticks([])
plt.show() plt.show()
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
plt.subplot(131),plt.imshow(img, cmap='gray') plt.subplot(131),plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([]) plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(132),plt.imshow(img_back , cmap = 'gray') plt.subplot(132),plt.imshow(img_back , cmap = 'gray')
plt.title('Imagen con HPF'), plt.xticks([]),plt.yticks([]) plt.title('Imagen con HPF'), plt.xticks([]),plt.yticks([])
plt.subplot(133),plt.imshow(img_back) plt.subplot(133),plt.imshow(img_back)
plt.title('Imagen Final'), plt.xticks([]),plt.yticks([]) plt.title('Imagen Final'), plt.xticks([]),plt.yticks([])
plt.show plt.show
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
fig = plt.figure(figsize=(20,20)) fig = plt.figure(figsize=(20,20))
fig.add_subplot(121),plt.imshow(img , cmap = 'gray') fig.add_subplot(121),plt.imshow(img , cmap = 'gray')
plt.title('Original Image'), plt.xticks([]),plt.yticks([]) plt.title('Original Image'), plt.xticks([]),plt.yticks([])
fig.add_subplot(122),plt.imshow(img_back , cmap = 'gray') fig.add_subplot(122),plt.imshow(img_back , cmap = 'gray')
plt.title('HPF image'), plt.xticks([]),plt.yticks([]) plt.title('HPF image'), plt.xticks([]),plt.yticks([])
plt.show plt.show
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
#Comparativa para la foto de las rocas #Comparativa para la foto de las rocas
#recortado de foto #recortado de foto
#Recortar una imagen #Recortar una imagen
crop= img[200:400,200:500] crop= img[200:400,200:500]
cv2.imshow('Seccion Imagen',crop) cv2.imshow('Seccion Imagen',crop)
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
#filtro Pasa bajos: LPF #filtro Pasa bajos: LPF
dft_shift= np.fft.fftshift(dft) dft_shift= np.fft.fftshift(dft)
rows, cols = img.shape rows, cols = img.shape
crow , ccol = int(rows/2), int(cols/2) crow , ccol = int(rows/2), int(cols/2)
mask= np.zeros((rows,cols,2),np.uint8) mask= np.zeros((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30]=1 mask[crow-30:crow+30,ccol-30:ccol+30]=1
fshift = dft_shift*mask fshift = dft_shift*mask
f_ishift=np.fft.ifftshift(fshift) f_ishift=np.fft.ifftshift(fshift)
img_back=cv2.idft(f_ishift) img_back=cv2.idft(f_ishift)
img_back=cv2.magnitude(img_back[:,:,0],img_back[:,:,1]) img_back=cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
fig = plt.figure(figsize=(20,20)) fig = plt.figure(figsize=(20,20))
fig.add_subplot(121),plt.imshow(img , cmap = 'gray') fig.add_subplot(121),plt.imshow(img , cmap = 'gray')
plt.title('Original Image'), plt.xticks([]),plt.yticks([]) plt.title('Original Image'), plt.xticks([]),plt.yticks([])
fig.add_subplot(122),plt.imshow(img_back , cmap = 'gray') fig.add_subplot(122),plt.imshow(img_back , cmap = 'gray')
plt.title('LPF image'), plt.xticks([]),plt.yticks([]) plt.title('LPF image'), plt.xticks([]),plt.yticks([])
plt.show plt.show
``` ```
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
......
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment