Update revision path llamado de imagenes. Procesamiento_digital_imagenes_bordes.ipynb

Procesamiento_digital_imagenes_bordes.ipynb

@@ -22,10 +22,10 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "#imagename = \"Data/crateres.jpg\"\n",
-    "#imagename = \"Data/Perseverance_ZR0_0074.png\" -codigo adicional para recorte de bordes negros.\n",
-    "#imagename = \"Data/mastcamz_2_prints.jpg\"\n",
-    "imagename = \"Data/Data_Mars_Mars8.png\"\n",
+    "#imagename = \"Data_Mars/crateres.jpg\"\n",
+    "#imagename = \"Data_Mars/Perseverance_ZR0_0074.png\" -codigo adicional para recorte de bordes negros.\n",
+    "#imagename = \"Data_Mars/mastcamz_2_prints.jpg\"\n",
+    "imagename = \"Data_Mars/Data_Mars_Mars8.png\"\n",
     " \n",
     "# read the image data using PIL\n",
     "image = Image.open(imagename)"
 %% Cell type:code id: tags:
 
 ``` python
 import cv2
 import numpy as np
 from matplotlib import pyplot as plt
 from PIL import Image
 from PIL.ExifTags import TAGS
 from numpy import asarray
 from numpy.fft import fft2, fftshift, fftfreq, ifft2 #Python DFT
 
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
-#imagename = "Data/crateres.jpg"
-#imagename = "Data/Perseverance_ZR0_0074.png" -codigo adicional para recorte de bordes negros.
-#imagename = "Data/mastcamz_2_prints.jpg"
-imagename = "Data/Data_Mars_Mars8.png"
+#imagename = "Data_Mars/crateres.jpg"
+#imagename = "Data_Mars/Perseverance_ZR0_0074.png" -codigo adicional para recorte de bordes negros.
+#imagename = "Data_Mars/mastcamz_2_prints.jpg"
+imagename = "Data_Mars/Data_Mars_Mars8.png"
 
 # read the image data using PIL
 image = Image.open(imagename)
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 display (image)
 ```
 
 %% 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
 
 Perseverance_ZR=_0074.png : Image downloaded from :
 
 %% Cell type:code id: tags:
 
 ``` python
 img = cv2.imread(imagename, 0) # load an image
 
 #3 = np.asarray(imagename, dtype = np.float32)  # Image class instance, I1, to float32 Numpy array, a
 
 img_float32 = np.float32(img)
 ```
 
 %% Cell type:markdown id: tags:
 
 Para procesar la imagen se lee como cv2.imread  y luego se le aplica la DFT
 
 DFT: Discrete Fourier Transform.
 
 
 %% Cell type:code id: tags:
 
 ``` python
 hist =cv2.calcHist([img],[0],None,[256],[0,256])
 plt.plot(hist,color='blue')
 plt.xlabel('Intensidad de Iluminacion')
 plt.ylabel('Pixels Bins')
 plt.show()
 
 plt.hist(np.concatenate((img),axis=0),bins=250)
 plt.xlabel('Intensidad de Iluminacion')
 plt.ylabel('Pixels Bins')
 plt.show()
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 #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_shift =np.fft.fftshift(dft)
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 # convert image to numpy array
 data = asarray(image)
 print(type(data))
 # caracteristicas de la imagen
 print(data.shape)
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 #Muestra cada valor de cada pixel de la imagen como array en Numpy
 #print(data)
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 #imagen en el espacio de las frecuencias :
 
 f = np.fft.fft2(img) #fft2 para 2 dimensiones
 fshift = np.fft.fftshift(f) # para centrar las frecuencias bajas.
 #  fft2 tiene valors imaginarios por ello se saca el espectro real o de magnitud.
 magnitude_sprectrum = 20*np.log(np.abs(fshift))
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 f.shape
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 fft2(f)
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 #Matplotlib para crear 2 subplots en la misma linea para comparar la imagen original y
 #la imagen transformada en el espectro de frecuencias.
 plt.subplot(121),plt.imshow(img , cmap = 'gray')
 plt.title('Original Image'), plt.xticks([]),plt.yticks([])
 plt.subplot(122),plt.imshow(magnitude_sprectrum , cmap = 'gray')
 plt.title('Magnitude Spectrum'), plt.xticks([]),plt.yticks([])
 plt.show
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 #Filtro pasa alto HPF en el dominio de las frencuencias para demarcar contornos:
 
 
 rows, cols = img.shape
 crow, ccol = int(rows/2), int(cols/2)
 
 #remover las frecuencias bajas usando una plantilla circular
 
 mask=np.ones((rows,cols,2),np.uint8)
 r = 40
 center = [crow, ccol]
 x, y = np.ogrid[:rows, :cols]
 mask_area = (x - center[0]) ** 2 + (y - center[1]) ** 2 <= r*r
 mask[mask_area] = 1
 
 fshift=dft_shift*mask
 
 fshift_mask_mag=2000*np.log(cv2.magnitude(fshift[:,:,0],fshift[:,:,1]))
 
 f_ishift =np.fft.ifftshift(fshift)
 img_back =cv2.idft(f_ishift)
 img_back =cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
 
 #fshift[crow-30:crow+30,ccol-30:ccol+30]=0
 
 
 f_ishift = np.fft.ifftshift(fshift)
 
 img_back = np.fft.ifft2(f_ishift)
 
 img_back = np.abs(img_back)
 
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 #Filtro pasa Banda BPF  aplicando dos circulos concentricos
 
 rows, cols = img.shape
 crow, ccol = int(rows/2), int(cols/2)  # circulo centro
 
 
 #remover las frecuencias bajas usando una plantilla circular
 
 rows, cols = img.shape
 crow, ccol = int(rows/2), int(cols/2)
 
 mask=np.zeros((rows,cols,2),np.uint8)
 r_out = 40
 r_in = 4
 center = [crow, ccol]
 x, y = np.ogrid[:rows, :cols]
 
 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))
 
 
 mask[mask_area] = 1
 
 fshift=dft_shift*mask
 
 fshift_mask_mag= 2000 * np.log(cv2.magnitude(fshift[:, :, 0], fshift[:, :, 1]))
 
 f_ishift =np.fft.ifftshift(fshift)
 img_back =cv2.idft(f_ishift)
 img_back =cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
 
 #fshift[crow-30:crow+30,ccol-30:ccol+30]=0
 
 fig = plt.figure(figsize=(20,20))
 
 fig.add_subplot(2, 2, 1), plt.imshow(img, cmap='gray')
 plt.title('Input Image'), plt.xticks([]), plt.yticks([])
 fig.add_subplot(2, 2, 2), plt.imshow(magnitude_sprectrum,cmap='gray')
 plt.title('After FFT'), plt.xticks([]), plt.yticks([])
 fig.add_subplot(2, 2, 3), plt.imshow(fshift_mask_mag, cmap='gray')
 plt.title('FFT + Mask'), plt.xticks([]), plt.yticks([])
 fig.add_subplot(2, 2, 4), plt.imshow(img_back, cmap='gray')
 plt.title('After FFT Inverse'), plt.xticks([]), plt.yticks([])
 plt.show()
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 #Filtro pasa Banda BPF  aplicando dos circulos concentricos
 
 rows, cols = img.shape
 crow, ccol = int(rows/2), int(cols/2)  # circulo centro
 
 
 #remover las frecuencias bajas usando una plantilla circular
 
 rows, cols = img.shape
 crow, ccol = int(rows/2), int(cols/2)
 
 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.
 r_out = 80
 r_in = 4
 center = [crow, ccol]
 x, y = np.ogrid[:rows, :cols]
 
 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))
 
 
 mask[mask_area] = 1
 
 fshift=dft_shift*mask
 
 fshift_mask_mag= 2000 * np.log(cv2.magnitude(fshift[:, :, 0], fshift[:, :, 1]))
 
 f_ishift =np.fft.ifftshift(fshift)
 img_back =cv2.idft(f_ishift)
 img_back =cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
 
 
 
 
 fig = plt.figure(figsize=(20,20))
 
 fig.add_subplot(121),plt.imshow(img , cmap = 'gray')
 plt.title('Original Image'), plt.xticks([]),plt.yticks([])
 fig.add_subplot(122),plt.imshow(img_back , cmap = 'gray')
 plt.title('AFTER FFT Inverse image'), plt.xticks([]),plt.yticks([])
 plt.show()
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 plt.subplot(131),plt.imshow(img, cmap='gray')
 plt.title('Input Image'), plt.xticks([]), plt.yticks([])
 plt.subplot(132),plt.imshow(img_back , cmap = 'gray')
 plt.title('Imagen con HPF'), plt.xticks([]),plt.yticks([])
 plt.subplot(133),plt.imshow(img_back)
 plt.title('Imagen Final'), plt.xticks([]),plt.yticks([])
 plt.show
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 fig = plt.figure(figsize=(20,20))
 
 fig.add_subplot(121),plt.imshow(img , cmap = 'gray')
 plt.title('Original Image'), plt.xticks([]),plt.yticks([])
 fig.add_subplot(122),plt.imshow(img_back , cmap = 'gray')
 plt.title('HPF image'), plt.xticks([]),plt.yticks([])
 plt.show
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 #Comparativa para la foto de las rocas
 #recortado de foto
 #Recortar una imagen
 crop= img[200:400,200:500]
 
 
 cv2.imshow('Seccion Imagen',crop)
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 #filtro Pasa bajos: LPF
 
 dft_shift= np.fft.fftshift(dft)
 
 rows, cols = img.shape
 
 crow , ccol = int(rows/2), int(cols/2)
 
 mask= np.zeros((rows,cols,2),np.uint8)
 mask[crow-30:crow+30,ccol-30:ccol+30]=1
 
 
 fshift = dft_shift*mask
 f_ishift=np.fft.ifftshift(fshift)
 img_back=cv2.idft(f_ishift)
 img_back=cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 fig = plt.figure(figsize=(20,20))
 
 fig.add_subplot(121),plt.imshow(img , cmap = 'gray')
 plt.title('Original Image'), plt.xticks([]),plt.yticks([])
 fig.add_subplot(122),plt.imshow(img_back , cmap = 'gray')
 plt.title('LPF image'), plt.xticks([]),plt.yticks([])
 plt.show
 ```
 
 %% Cell type:code id: tags:
 
 ``` python
 ```