-
Notifications
You must be signed in to change notification settings - Fork 0
/
filtros.py
223 lines (178 loc) · 6.44 KB
/
filtros.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
#Imagen a analizar
#Las fotos de entrada estan en formato png o jpeg
prueba = './Imagenes/Test/photo8.jpg'
#####################################################################################################################################
##Filtro Gaussiano
#####################################################################################################################################
from matplotlib import pyplot as plt
plt.rcParams['image.cmap'] = 'gray'
import numpy as np
import cv2
from skimage import io,filters
tornillo = io.imread(prueba)
#El modulo io tiene utilidades para leer y escribir imagenes en varios formatos.
#io.imread lectura y escritura de las imagenes via imread
#Redimensionamiento de la imagen de entrada
fixed_size = tuple((500, 400))
tornillo = cv2.resize(tornillo, fixed_size)
#Gauss
bs0 = filters.gaussian(tornillo, sigma=1)
bs1 = filters.gaussian(tornillo, sigma=3)
bs2 = filters.gaussian(tornillo, sigma=5)
bs3 = filters.gaussian(tornillo, sigma=15)
f, (ax0, ax1, ax2, ax3) = plt.subplots(1, 4, figsize=(16, 5))
ax0.imshow(bs0)
ax0.set_title('$\sigma=1$')
ax1.imshow(bs1)
ax1.set_title('$\sigma=3$')
ax2.imshow(bs2)
ax2.set_title('$\sigma=5$')
ax3.imshow(bs2)
ax3.set_title('$\sigma=15$')
plt.show()
#Bibliografia consultada
#https://scikit-image.org/docs/dev/api/skimage.filters.html#skimage.filters.gaussian
#####################################################################################################################################
##Filtro Sobel y Roberts
#####################################################################################################################################
from skimage import color
image = io.imread(prueba)
image = color.rgb2gray(image)
edge_roberts = filters.roberts(image)
edge_sobel = filters.sobel(image)
sobel_v=filters.sobel_v(image)
sobel_h=filters.sobel_h(image)
fig, axes = plt.subplots(ncols=4, sharex=True, sharey=True,
figsize=(8, 4))
axes[0].imshow(edge_roberts, cmap=plt.cm.gray)
axes[0].set_title('Operador cruzado de Robert')
axes[1].imshow(edge_sobel, cmap=plt.cm.gray)
axes[1].set_title('Operador de Sobel')
axes[2].imshow(sobel_v, cmap=plt.cm.gray)
axes[2].set_title('Operador de Sobel vertical')
axes[3].imshow(sobel_h, cmap=plt.cm.gray)
axes[3].set_title('Operador de Sobel horizontal')
for ax in axes:
ax.axis('off')
plt.tight_layout()
plt.show()
#Bibliografia consultada
#https://scikit-image.org/docs/dev/auto_examples/edges/plot_edge_filter.html#sphx-glr-auto-examples-edges-plot-edge-filter-py
#####################################################################################################################################
##Filtro Gaussiano + Sobel
#####################################################################################################################################
from skimage import img_as_float, img_as_ubyte
image = io.imread(prueba)
tornillo = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
tornillo = cv2.resize(tornillo, (500,400))
bg = cv2.GaussianBlur(tornillo, (3, 3), 0)
bc = filters.sobel(tornillo)
fig, (ax0, ax1, ax2) = plt.subplots(1, 3, figsize=(15, 15))
ax0.imshow(tornillo)
ax0.set_title('Original')
ax1.imshow(bg)
ax1.set_title('Filtro Gauss')
ax2.imshow(-bc)
ax2.set_title("Filtros Gauss+Sobel")
plt.show()
#####################################################################################################################################
##Perona Malik
#####################################################################################################################################
from scipy import misc, ndimage
#Inicializacion
iterations = 30
delta = 0.14
kappa = 15
#Convertir la imagen de entrada
im = misc.imread(prueba, flatten=True)
im = im.astype('float64')
#Condicion inicial
u = im
# Distancia al pixel central
dx = 1
dy = 1
dd = np.sqrt(2)
#2D diferentes finitas ventanas
windows = [
np.array(
[[0, 1, 0], [0, -1, 0], [0, 0, 0]], np.float64
),
np.array(
[[0, 0, 0], [0, -1, 0], [0, 1, 0]], np.float64
),
np.array(
[[0, 0, 0], [0, -1, 1], [0, 0, 0]], np.float64
),
np.array(
[[0, 0, 0], [1, -1, 0], [0, 0, 0]], np.float64
),
np.array(
[[0, 0, 1], [0, -1, 0], [0, 0, 0]], np.float64
),
np.array(
[[0, 0, 0], [0, -1, 0], [0, 0, 1]], np.float64
),
np.array(
[[0, 0, 0], [0, -1, 0], [1, 0, 0]], np.float64
),
np.array(
[[1, 0, 0], [0, -1, 0], [0, 0, 0]], np.float64
),
]
for r in range(iterations):
#Aproximacion de gradientes
nabla = [ ndimage.filters.convolve(u, w) for w in windows ]
#Aproximacion de la funcion de difusion
diff = [ 1./(1 + (n/kappa)**2) for n in nabla]
#Actualizar imagen
terms = [diff[i]*nabla[i] for i in range(4)]
terms += [(1/(dd**2))*diff[i]*nabla[i] for i in range(4, 8)]
u = u + delta*(sum(terms))
# Kernel para el gradiente en la direccion x
Kx = np.array(
[[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]], np.int32
)
# Kernel para el gradiente en la direccion y
Ky = np.array(
[[1, 2, 1], [0, 0, 0], [-1, -2, -1]], np.int32
)
#Aplicar kernel a la imagen
Ix = ndimage.filters.convolve(u, Kx)
Iy = ndimage.filters.convolve(u, Ky)
#Retorna (Ix, Iy)
G = np.hypot(Ix, Iy)
fig, (ax0, ax1, ax2) = plt.subplots(1, 3, figsize=(15, 15))
ax0.imshow(im)
ax0.set_title('Original')
ax1.imshow(u)
ax1.set_title('Despues de la difusion')
ax2.imshow(G)
ax2.set_title("Gradiente despues de la difusion")
plt.show()
#Bibliografia consultada
#https://github.com/fubel/PeronaMalikDiffusion/blob/master/main.py
#####################################################################################################################################
##Filtro Laplace, Median, Frangi y Prewitt
#####################################################################################################################################
#GAUSS
image = io.imread(prueba)
gris = color.rgb2gray(image)
#OTROS FILTROS
laplace = filters.laplace(gris)
median = filters.median(gris)
frangi = filters.frangi(gris)
prewitt = filters.prewitt(gris)
f, (ax0, ax1,ax2, ax3, ax4) = plt.subplots(1, 5, figsize=(16, 5))
ax0.imshow(image)
ax0.set_title('Original')
ax1.imshow(frangi)
ax1.set_title('Filtro Frangi')
ax2.imshow(prewitt)
ax2.set_title('Filtro Prewitt')
ax3.imshow(laplace)
ax3.set_title('Filtro Laplace')
ax4.imshow(median)
ax4.set_title('Filtro Median')
plt.show()
#Bibliografia consultada
#https://scikit-image.org/docs/dev/api/skimage.filters.html#skimage.filters.sobel