Witam wszystkich na moim kanale. Witam wszystkich na moim kanale. Dzisiaj rozmawiamy o obrazach w bibliotece Matplotlib.

Obrazy w bibliotece Matplot lib

Praca z obrazami w Matplot lib jest możliwa dzięki bibliotece Pillow. Biblioteka Matplot lib sama w sobie wspiera tylko obrazy w formacie PNG. Przykłady użyte w tym materiale będą korzystać z biblioteki Pillow jeżeli Matplot lib nie będzie w stanie odczytać obrazu. W przykładach będzie wykorzystany obraz w formacie PNG, ale należy pamiętać, że jeżeli planujecie używać innych formatów obrazów, to zapoznanie się z wymaganiemi Pillow jest konieczne.

Spróbujemy wczytać obraz, używając polecenia mpimg.imread. Dalej zobaczymy co udało nam się odczytać, używając polecenia print. Jak można zauważyć obraz to tablica 3D, w tym konkretnym przypadku o wymiarach 1224 x 1632 x 4 Pierwsze dwie wartości to rozmiar obrazu w pixelach. Trzecia wartość określa kolor punktu na obrazie.

Matplot lib zmienił kolor z każdego kanału na wartość typu float w przedziale od 0.0 do 1.0. Każda lista wewnętrzna reprezentuje pixel. Jest to kolorowy obraz czyli obraz RGBA (A to wartość alpha, inaczej przezroczystość: 1 - nie przezroczysty, 0 - przezroczysty). Obraz czarno-biały będzie miał 3 (trzy) jednakowe wartości bez wartości alpha. Obraz, który będzie charakteryzował się tylko jasnością powierzchniową (luminance image), będzie miał tylko jedną wartość.

Matplot lib wspiera tylko typy float32 i uint8 dla obrazów RGB i RGBA. W przypadku obrazów czarno-białych Matplot lib wspiera tylko float32. Jeżeli twoje dane nie spełniają tych wymagań, prawdopodobnie będziesz musiał zmienić format twoich danych.

Mamy nasze dane w postaci tablicy numpy. Trzeba je zwizualizować. W tym celu użyjemy biblioteki Matplot lib i polecenia imshow(). W wyniku wywołania tego polecenia dostajemy obiekt rysunku. Używając tego obiektu, możemy w łatwy sposób manipulować rysunkiem.

Pseudokolor na wykresach z obrazami

Pseudokolor może być użyteczny do podkreślenia kontrastu i łatwiejszej wizualizacji danych. To jest szczególnie użyteczne w trakcie przeprowadzenia prezentacji danych z użyciem rzutników - zazwyczaj ich kontrast jest słaby. Pseudokolor może być zastosowany tylko w obrazach jednokanałowych czyli takich, które charakteryzują się tylko jasnością powierzchniową (luminance image).

Do przykładu używamy zdjęcia RGB. Aby zastosować pseudokolor należy wziąć tylko jeden kolor. Jak zaobserwujemy na poniższym przykładzie - nie jest ważne (lub mało ważne) jaki kanał weźmiemy.

• Do trzech zmiennych lum_img_channel przypisujemy wartości każdego kanału.

• Dodajemy rysunek z trzema wykresami o wymiarach 15 x 15, używając funkcji subplot, zwracając obiekty rysunku i osi.

• Do każdej osi reprezentującej miejsce na rysunku dodajemi rysunek z pseudokolorami, używając jednej z trzech zmiennych z pseudokolorami. Dodanie rysunku realizujemy poprzez wywołanie metody imshow obiektu osi. Jako parametry metody przekazujemy dane kanału czyli odpowiednia zmienna lum_img_channel oraz nazwa mapy kolorów, którą chcemy użyć. W naszym przykładzie będziemy używać mapy „summer”, „winter” i „hot”.

Można zmieniać mapy kolorów na istniejącym wykresie, używając metody set_cmap(). Link do listy dostępnych map kolorów zostanie umieszczony w opisie do wideo.

Czasem może okazać się pomocne dla zrozumienia wizualizacji jakie wartości reprezentuje kolor. Do wyświetlania panelu kolorów służy metoda plt.colorbar. Warto sobie przypomnieć, że panel kolorów nie zaktualizuje się automatycznie, jeżeli zmienimy mapę kolorów. W celu aktualizacji panelu kolorów należy ponownie narysować wykres i dodać jeszcze raz panel kolorów.

Sprawdzenie specyficznych zakresów danych obrazu

W niektórych rozwiązaniach biznesowych może pojawić się zadanie zwiększenia kontrastu w konkretnym regionie obrazu, nie zwracając uwagi na pogorszenie kontrastu w innych regionach. W tym celu najlepszym narzędziem będzie histogram czyli użycie metody hist().

Wszystko “najciekawsze” będzie w okolicach szczytów histogramu. Można dodać extra kontrast do określonego regionu, określając jego górną i/lub dolną granicę.

Zawsze można ustawić wartość clim na zwróconym obiekcie.

Schematy interpolacji

Interpolacja oblicza na podstawie różnych algorytmów matematycznych, jaki kolor lub wartość pixela “powinna być” użyta. To się zdarza, kiedy wymiary obrazów są zmieniane. Liczba pixeli zmienia się, ale nadal chcemy pozyskać tą samą informację. Obraz to zestaw danych dyskretnych, czyli przy zmianie rozmiaru powstają brakujące miejsca. Interpolacja służy do tego, aby te miejsca wypełnić.

W poniższym przykładzie używamy biblioteli Pillow do załadowania obrazu i zmniejszenia jego wymiarów. Jeżeli nie podamy argumentu interpolation zostanie użyta wartość domyślna - bilinear. Na wykresie są również przykłady z interpolacjami typu nearest i bicubic. Interpolacja nearest w zasadzie nie robi interpolacji, a bicubic tworzy rozmyte obrazy. Jeżeli chodzi o interpolacje bicubic, to użytkownicy preferują mieć rozmyte obrazy, a nie z dużymi pixelami.

To był ostatni przykład na dziś. Dziękuję za uwagę. Jeżeli wideo było pomocne i dowiedziałeś się czegoś nowego to proszę zlajkuj go. Jeżeli wciąż masz pytania, to proszę zadaj je w komentarzu do wideo. A jeżeli chcesz być na bieżąco i dowiadywać się jako pierwszy o nowych wideo to subskrybuj na kanał i kliknij dzwonek. Tekst do tego wideo oraz przykłady kodu są dostępne na mojej stronie internetowej – link w opisie do wideo. Dziękuję.

Kod z przykładami w wideo w formacie Jupyter Notebook jest dostępny tu.