Tarea 1. Laboratorio

Escala de Grises y Umbral

Para está tarea consistía en realizar un programa que dada una imagen cualquiera, obtuvieramos una copia de la imagen a escala de grises, luego por medio de umbrales, asignar pixeles, blanco, negro a la imagen. 

La imagen original que utilice para las pruebas es la siguiente:

Escala de Grises : 

Para obtener la imagen en escala de grises, utilice el método por promedio de los tres valores de rgb y al obtener este se asignara el mismo valor a los 3 en la imagen para ver el cambio.
Fórmula para el promedio
pix = (r + g + b)/3
imagen[i,j]=(pix, pix, pix)

Y esta es la imagen generada

Umbrales

En esté caso asigne diferentes valores(max y min) para notar la diferencia que hay cuando toma valor. Es decir, si el pixel resultaba menor al umbral inferior (80), lo pintaba en negro, si el pixel resultaba mayor al umbral superior (170) lo pintaba de blanco, y si quedaba entre los valores de los umbrales el pixel permanecia en el valor gris.

Jugando un poco con el umbral

Aquí vemos como hay cambio al tomar un valor mayor y predomina mas el blanco

max = 50

min = 20

En las siguientes imagenes observamos que con los valores de umbral asignados la imagen se ve con mayor color en negros y grises. 

max =170

min = 85

max = 200

min =100

Código

	import pygame, sys, os # Importe pygame para la creacion de la ventana
	from PIL import Image #Importar para trabajar con modulo Image de (PIL)
	from sys import argv # Importe para tabajar con argumentos
	#Convierte la imagen en escala de grises
	def pixel():
	ima = argv[1]
	im = Image.open(ima)
	imagen=im.load()
	ancho, alto = im.size
	for i in range(ancho):
	for j in range(alto):
	(r,g,b)= im.getpixel((i,j))
	pix = (r + g + b)/3
	imagen[i,j]=(pix, pix, pix)
	nueva= 'nueva.png'
	im.save(nueva)
	#aplicarumbral
	def umb():
	ima2 = argv[1]
	im = Image.open(ima2)
	imagen2 = im.load()
	ancho, alto = im.size
	for i in range(ancho):
	for j in range(alto):
	(r,g,b) = im.getpixel((i,j))
	bn= (r+g+b)/3
	if (bn < 100):
	bn = 0
	if (bn > 220):
	bn=255
	imagen2[i,j] = (bn, bn, bn)
	nueva = 'otra.png'
	im.save(nueva)
	def main():
	pygame.init() # Inicializa pygame
	screen = pygame.display.set_mode((380, 300)) #Crea la ventana con las dimensiones de la imagen
	pygame.display.set_caption('Imagenes') #Se define el nombre de la ventana
	imagen = pixel() # La imagen toma los nuevos valores
	imagen_umbral = umb()
	img = pygame.image.load(imagen) # Carga nuestra imagen
	screen = pygame.display.get_surface() # Se utiliza para mostrar la imagen en la ventana
	while True: # Ciclo para las acciones en la ventana
	for event in pygame.event.get():
	if event.type == pygame.QUIT:
	sys.exit()
	screen.blit(img, (0,0)) # muestra la posicion de la imagen en x = 0 y y=0
	pygame.display.update()
	if __name__ == "__main__":
	main()

view raw grisyumb.py hosted with ❤ by GitHub

Aquí mi Repositorio

Puntos Extras

Para la primer entrada de Visión computacional se hablara un poco de la segmentación de la imagen.
Una de las tareas más fundamentales de la visión es la segmentación de imagen, el intento de un grupo de
píxeles imagen en segmentos visuales significativos.

Aquí en el caso más simple, una región de color uniforme puede ser un segmento buena imagen
(por ejemplo, en la flor ). En otros casos, un segmento puede ser una buena textura región o capas semanticamente significativos compuestos de regiones desconectadas y todo el camino a objetos complejos.


La diversidad de tipos de segmento ha llevado a una amplia variedad de enfoques para
segmentación de imágenes:

• Algoritmos para la extracción de las regiones de color uniforme 
• Algoritmos para la extracción de las regiones de textura 
• Algoritmo para regiones con una distribución de color distinto empírico 
• Algunos algoritmos emplean señales de simetría para la segmentación de imágenes 
• Otros utilizan las señales de alto nivel semánticos proporcionados por clases de objetos (es decir, basada en la clase segmentación.

Por ejemplo:
La segmentación por composición: un buen segmento S (por ejemplo, la mantequilla ° y la cúpula o) puede ser fácill y compuesta de otras regiones en el segmento.Las regiones R1, R2 están compuestas de otras regiones correspondientes en S (utilizando transformaciones T1, T2, respectivamente).

La gran diversidad de tipos de segmento de imagen se ha incrementado la necesidad de idear una

enfoque de segmentación unificada. proporciona un marco unificado probabilístico, que permite un plug-in "de una amplia variedad de modelos paramétricos y la captura de distinta índole segmento.
 Esto se limita a un conjunto predefinido de tipos de segmento, y cada objeto específico tiene un segmento de diferentes tipos (por ejemplo, caras, texto, textura, etc) requiere su propio modelo paramétrico explícito.
Por otra parte, la adición de un modelo paramétrico de nuevo a este marco requiere un algoritmo significativo y de un cuidadoso rediseño.

Bibliografia
http://scholar.google.com/citations?view_op=view_citation&hl=es&user=N_maL_AAAAAJ&citation_for_view=N_maL_AAAAAJ:u-x6o8ySG0sC

(: