Tarea 1. Detección de Bordes

Para esta tarea, se nos pidió aplicar una máscara de convolución a una matriz de pixeles de la imagen.

Por ejemplo, en la siguiente imagen podemos ver como se toma un pixel central (borde rojo) y el área de acción del kernel que son los vecinos (borde verde). El cuadro del medio muestra la máscara(kernel) que se le aplicará a la matriz de pixeles de nuestra imagen y el último cuadro muestra el resultado de la multiplicación de estas dos anteriores, es decir se multiplica el valor de cada uno de ellos por el valor correspondiente del kernel y se hace una sumatoria de los resultados

En este caso por ejemplo sería: (40*0)+(42*1)+(46*0) + (46*0)+(50*0)+(55*0) + (52*0)+(56*0)+(58*0) = 42

El procedimiento que realicé para esta tarea fue el siguiente:

1.- Convertí la imagen original en escala de grises con la subrutina que ya había hecho para el laboratorio.
2.- Apliqué la máscara Sobel horizontal y vertical para la detección de bordes
3.- Normalicé la imagen
4.- Realicé la binarización

Imagenes resultantes:

Original

Escala de grises

Máscara

Binarizado

Original

Escala de grises

Máscara

Binarizado

Original

Escala de grises

Máscara

Binarizado

Los tiempos promedio que tomaron estás imagenes para realizar este procedimiento son:

• Primera imagen "Taz bebe": 321 x 394 pixeles tardó 4.13 segundos
• Segunda imagen "Google": 543 x 378 pixeles tardó 6.94 segundos
• Tercera imagen "Persona": 605 x 792 pixeles tardó 14.9 segundos

Código:

	from PIL import Image
	from sys import argv
	from math import floor
	import numpy
	import Image
	import time
	umbral = 100
	n_img = argv[1]
	img = Image.open('/home/carmensrz/'+ n_img)
	#tamaño de la imagen
	width, height = img.size
	#funcion para realizar el efecto de escala de grises
	def grayscale(img):
	imagen = img.convert("RGB")
	new_image = Image.new("RGB",(width,height))
	for i in range(width):
	for j in range(height):
	r,g,b = imagen.getpixel((i,j))
	average = int(floor((r+g+b)/3))
	#print r,g,b, average
	new_image.putpixel((i,j),(average,average,average))
	return new_image
	#funcion para filtro de convolucion, deteccion de bordes
	def convolucion(new_image, h):
	pix = new_image.load()
	F = Image.new("RGB",(width,height))
	k = len(h[0])
	for x in range(width):
	for y in range(height):
	suma = 0
	for i in range(k):
	#centrar la mascara
	z1 = (i - (k/2))
	for j in range(k):
	#centrar la mascara en la imagen
	z2 = (j - (k/2))
	#sin centrar z1=i z2=j
	try:
	suma += pix[x+z1,y+z2][0] * h[i][j]
	except:
	pass
	suma = int(floor(suma))
	F.putpixel((x,y),(suma,suma,suma))
	return F
	def b_w(imagen):
	new_image = Image.new("RGB",(width,height))
	for i in range(width):
	for j in range(height):
	r,g,b = imagen.getpixel((i,j))
	mayor = max(r,g,b)
	if(mayor<umbral):
	color = 0
	else:
	color = 255
	new_image.putpixel((i,j),(color,color,color))
	#img.save('byn_'+imagen)
	return new_image
	def normalizar(imagen):
	pix = imagen.load()
	imagen_norm = Image.new("RGB",(width,height))
	max = 0
	min = 0
	for i in range(width):
	for j in range(height):
	px = pix[i,j]
	mayor = max
	menor = min
	n_max = px[0]
	n_men = px[0]
	if n_max >= mayor:
	max = n_max
	if n_men <= menor:
	min = n_men
	print min, max
	prop = 256/(max-min)
	print prop
	for i in range(width):
	for j in range(height):
	r,g,b = imagen.getpixel((i,j))
	new_px = int(floor((g-min)*prop))
	imagen_norm.putpixel((i,j),(new_px,new_px,new_px))
	#img.save("norm_" + imagen)
	return imagen_norm
	def main():
	start = time.time()
	grises = grayscale(img)
	grises.save("Imagen1.jpg")
	#Aplicar mascara
	sx = [[-1,0,1],[-2,0,2],[-1,0,1]] #Sobel horizontal
	sy = [[1,2,1],[0,0,0],[-1,-2,-1]] #Sobel vertical
	#h = [[-1,1,1],[-1,-1,1],[-1,1,1]] #Prewit
	conv_gx = convolucion(grises,sx)
	conv_gx.save("Imagen2.jpg")
	conv_gy = convolucion(conv_gx,sy)
	conv_gy.save("Imagen3.jpg")
	i_norm = normalizar(conv_gy)
	i_norm.save("Imagen4.jpg")
	imagen_f = b_w(i_norm)
	imagen_f.save("Imagen5.jpg")
	fin = time.time()
	tiempo = fin - start
	print "Tiempo total: "+ str(tiempo)
	if __name__ == '__main__':
	main()

view raw gistfile1.py hosted with ❤ by GitHub

Liga a mi repositorio
https://github.com/carmensrz/VisionComputacional