Numpy Yeniden Boyutlandırma / Yeniden Ölçeklendirme Resmi

Uyuşmuş bir dizi iken bir görüntü alıp görüntünün ölçeğini değiştirmek istiyorum.

Örneğin bir koka-kola şişesinin bu resmine sahibim: şişe-1

Bu, uyuşmuş bir şekil dizisine dönüşür (528, 203, 3)ve bu ikinci görüntünün boyutunu söylemek için bunu yeniden boyutlandırmak istiyorum: şişe-2

Şeklinde olan (140, 54, 3).

Orijinal görüntüyü korurken görüntünün boyutunu belirli bir şekle nasıl değiştirebilirim? Diğer yanıtlar, her iki veya üçüncü satırı çıkarmanızı önerir, ancak benim yapmak istediğim şey, temelde bir resim düzenleyici aracılığıyla, ancak python koduyla resmi küçültmek. Numpy / SciPy'de bunu yapacak kütüphane var mı?

Evet, yükleyebilir opencv(bu, görüntü işleme ve bilgisayar görüşü için kullanılan bir kitaplıktır) ve cv2.resizeişlevi kullanabilirsiniz . Ve örneğin şunu kullanın:

import cv2
import numpy as np

img = cv2.imread('your_image.jpg')
res = cv2.resize(img, dsize=(54, 140), interpolation=cv2.INTER_CUBIC)

Bu imgnedenle, orijinal görüntüyü resiçeren uyuşmuş bir dizi, yeniden boyutlandırılan görüntüyü içeren uyuşmuş bir dizi . Önemli bir husus, interpolationparametredir: Bir görüntünün nasıl yeniden boyutlandırılacağının birkaç yolu vardır. Özellikle görüntüyü küçülttüğünüz ve orijinal görüntünün boyutu yeniden boyutlandırılan görüntünün boyutunun bir katı olmadığı için. Olası enterpolasyon şemaları şunlardır:

• INTER_NEAREST - en yakın komşu enterpolasyonu
• INTER_LINEAR - çift doğrusal enterpolasyon (varsayılan olarak kullanılır)
• INTER_AREA- piksel alanı ilişkisini kullanarak yeniden örnekleme. Hareli olmayan sonuçlar verdiği için görüntü yok etme için tercih edilen bir yöntem olabilir. Ancak görüntü yakınlaştırıldığında INTER_NEARESTyönteme benzer .
• INTER_CUBIC - 4x4 piksel çevresinde bikübik enterpolasyon
• INTER_LANCZOS4 - 8x8 piksel bölgesi üzerinde bir Lanczos enterpolasyonu

Çoğu seçenekte olduğu gibi, her yeniden boyutlandırma şeması için bir stratejinin diğerine tercih edilebileceği senaryolar olması anlamında "en iyi" seçeneği yoktur.

Bunu yapmak için tek başına numpy kullanmak mümkün olsa da, işlem yerleşik değildir. Bununla birlikte, scikit-imagebu tür görüntü manipülasyonunu yapmak için (numpy üzerine kurulu olan) kullanabilirsiniz.

Scikit-Image yeniden ölçekleme belgeleri burada .

Örneğin, resminizle aşağıdakileri yapabilirsiniz:

from skimage.transform import resize
bottle_resized = resize(bottle, (140, 54))

Bu sizin için enterpolasyon, kenar yumuşatma, vb. Gibi şeylerle ilgilenecektir.

Google'dan buraya gelen numpyve Makine Öğrenimi uygulamalarında kullanmak üzere dizilerdeki görüntüleri alt örneklemenin hızlı bir yolunu arayan kişiler için işte süper hızlı bir yöntem ( buradan uyarlanmıştır ). Bu yöntem yalnızca girdi boyutları çıktı boyutlarının bir katı olduğunda çalışır.

Aşağıdaki örnekler 128x128'den 64x64'e alt örnekleme (bu kolayca değiştirilebilir).

Son sipariş veren kanallar

# large image is shape (128, 128, 3)
# small image is shape (64, 64, 3)
input_size = 128
output_size = 64
bin_size = input_size // output_size
small_image = large_image.reshape((output_size, bin_size, 
                                   output_size, bin_size, 3)).max(3).max(1)

İlk sipariş veren kanallar

# large image is shape (3, 128, 128)
# small image is shape (3, 64, 64)
input_size = 128
output_size = 64
bin_size = input_size // output_size
small_image = large_image.reshape((3, output_size, bin_size, 
                                      output_size, bin_size)).max(4).max(2)

Gri tonlamalı görüntüler için 3aşağıdaki 1gibi değiştirin :

İlk sipariş veren kanallar

# large image is shape (1, 128, 128)
# small image is shape (1, 64, 64)
input_size = 128
output_size = 64
bin_size = input_size // output_size
small_image = large_image.reshape((1, output_size, bin_size,
                                      output_size, bin_size)).max(4).max(2)

Bu yöntem, maksimum havuzlamanın eşdeğerini kullanır. Bulduğum bunu yapmanın en hızlı yolu.

Ek kitaplıklar kullanmadan Python'da bir görüntüyü ölçeklendirmek / yeniden boyutlandırmak için basit bir yöntem arayan biri buraya geldiyse, işte çok basit bir görüntü yeniden boyutlandırma işlevi:

#simple image scaling to (nR x nC) size
def scale(im, nR, nC):
  nR0 = len(im)     # source number of rows 
  nC0 = len(im[0])  # source number of columns 
  return [[ im[int(nR0 * r / nR)][int(nC0 * c / nC)]  
             for c in range(nC)] for r in range(nR)]

Örnek kullanım: (30 x 30) bir görüntüyü (100 x 200) olarak yeniden boyutlandırma:

import matplotlib.pyplot as plt

def sqr(x):
  return x*x

def f(r, c, nR, nC):
  return 1.0 if sqr(c - nC/2) + sqr(r - nR/2) < sqr(nC/4) else 0.0

# a red circle on a canvas of size (nR x nC)
def circ(nR, nC):
  return [[ [f(r, c, nR, nC), 0, 0] 
             for c in range(nC)] for r in range(nR)]

plt.imshow(scale(circ(30, 30), 100, 200))

Çıktı:

Bu, görüntüleri küçültmek / ölçeklendirmek için çalışır ve numpy dizilerle iyi çalışır.

SciPy'nin imresize()yöntemi başka bir yeniden boyutlandırma yöntemiydi, ancak SciPy v 1.3.0'dan itibaren kaldırılacak. SciPy, PIL görüntüsünü yeniden boyutlandırma yöntemini ifade eder :Image.resize(size, resample=0)

boyut - İstenen boyut, piksel cinsinden, 2'li grup olarak: (genişlik, yükseklik).
yeniden örnekleme - İsteğe bağlı bir yeniden örnekleme filtresi. Bu, PIL.Image.NEAREST (en yakın komşuyu kullan), PIL.Image.BILINEAR (doğrusal enterpolasyon), PIL.Image.BICUBIC (kübik spline enterpolasyonu) veya PIL.Image.LANCZOS (yüksek kaliteli bir alt örnekleme filtresi) olabilir. ). Atlanırsa veya görüntünün modu “1” veya “P” ise, PIL.Image.NEAREST olarak ayarlanır.

Buraya bağlantı verin: https://pillow.readthedocs.io/en/3.1.x/reference/Image.html#PIL.Image.Image.resize

Numpy / SciPy'de bunu yapacak kütüphane var mı

Elbette. Bunu OpenCV, scikit-image veya PIL olmadan yapabilirsiniz.

Görüntü yeniden boyutlandırma, temel olarak her pikselin koordinatlarını orijinal görüntüden yeniden boyutlandırılan konumuna eşlemektir.

Bir görüntünün koordinatlarının tamsayı olması gerektiğinden (matris olarak düşünün), eşlenen koordinatın ondalık değerleri varsa, piksel değerini tamsayı konumuna yaklaştırmak için enterpolasyon yapmalısınız (örneğin, bu konuma en yakın pikseli elde etmek bilinir olarak en yakın komşu interpolasyon ).

Tek ihtiyacınız olan, bu enterpolasyonu sizin için yapan bir işlevdir. SciPy vardır interpolate.interp2d.

Bunu, arraşağıdaki gibi , numpy dizisindeki bir görüntüyü yeniden boyutlandırmak için kullanabilirsiniz :

W, H = arr.shape[:2]
new_W, new_H = (600,300)
xrange = lambda x: np.linspace(0, 1, x)

f = interp2d(xrange(W), xrange(H), arr, kind="linear")
new_arr = f(xrange(new_W), xrange(new_H))

Elbette, görüntünüz RGB ise, her kanal için enterpolasyon yapmanız gerekir.

Daha fazlasını anlamak isterseniz, Resizing Images - Computerphile'ı izlemenizi öneririm .

import cv2
import numpy as np

image_read = cv2.imread('filename.jpg',0) 
original_image = np.asarray(image_read)
width , height = 452,452
resize_image = np.zeros(shape=(width,height))

for W in range(width):
    for H in range(height):
        new_width = int( W * original_image.shape[0] / width )
        new_height = int( H * original_image.shape[1] / height )
        resize_image[W][H] = original_image[new_width][new_height]

print("Resized image size : " , resize_image.shape)

cv2.imshow(resize_image)
cv2.waitKey(0)