Python para Ciência de Dados - Numpy

Posted on agosto 7, 2018dezembro 19, 2018 by Matheus Martins

Hoje temos:

Processamenteo de imagem como array
Filtros aplicados a imagens

# coding: utf-8

# In[1]:


#Importar os pacotes que utizaremos
import numpy as np
from scipy import misc
import matplotlib.pyplot as plt
get_ipython().run_line_magic('matplotlib', 'inline')


# In[29]:


#Fazer a leitura da nossa imagem
from skimage import data

photo_data = misc.imread('./wifire/ima.jpg')

type(photo_data)


# In[3]:


plt.figure(figsize=(15,15))
plt.imshow(photo_data)


# In[4]:


#Vamos ver o shape dessa foto/desse array
photo_data.shape


# In[14]:


# print(photo_data)


# In[15]:


#Nós podemos também verificar o tamanho da imagem:
photo_data.size


# In[16]:


#É possível também visualizar qual o máximo e mínimo da imagem. E isso é importante porque
# os valores na escala RGB só podem ir de 0 a 255
photo_data.min(), photo_data.max()


# In[17]:


# Você pode ver  a média também
photo_data.mean()


# In[18]:


#Suponhamos que você quer ver qual o valor de um pixel. Você fará da seguinte forma:
"""
Você deve ter em mente que agora temos uma matriz com 3 dimensões, ou seja:
1. linha
2. coluna
3. valores das cores

Portanto, quando acessarmos um valor, ele retornará 3 valores, que são os valores do Red, Green e Blue - RGB
"""
photo_data[160][120]


# In[20]:


"""
Você pode querer acessar uma cor específica. Para isso, é só indicar qual o índice da cor:
0 - red
1 - green
2 - blue

Vamos pegar o valor do azul, na linha com índice 150 com a coluna índice 2543
"""
photo_data[150][2543][2]


# In[24]:


"""
Você pode também mudar os valores - lembre-se que agora a imagem é um array.
Vamos definir que todas as camadas da linha de indice 1000 e da coluna de indice 2000 ficarão preta.
"""
photo_data[1000,2000] = 0
plt.figure(figsize=(10,10))
plt.imshow(photo_data)


# In[30]:


"""
A gente mudou apenas uma pequena coisa. Nós podemos fazer isso para um range de valores também:
vamos mudar da linha de índice 500 até a coluna de índice 2000, alterando a cor para branco.
"""
photo_data[:500,:2000] = 255
plt.figure(figsize=(10,10))
plt.imshow(photo_data)


# In[35]:


"""
A gente pode mudar também só uma camada:
"""
photo_data = misc.imread('./wifire/ima.jpg')

photo_data[100:2300, : , 0] = 0
plt.figure(figsize=(10,10))
plt.imshow(photo_data)


# In[53]:


"""
A gente pode também criar filtros.
É importante lembrar que ambos devem ter as mesmas características, pois o nosso filtro não alterará nada,
só retornara um array com valores booleanos para podermos utilizar
"""
import imageio 

photo_data = imageio.imread('./wifire/ima.jpg')
print("Shape da nossa foto: ", photo_data.shape)
filtro_valores_baixos = photo_data < 50
print("Shape dos nossos valores baixos: ", filtro_valores_baixos.shape)



# In[55]:


#Filtrando resultados pequenos
plt.figure(figsize=(15,15))
plt.imshow(photo_data)
# Onde os valores forem menor que 50, como definido acima, deixe como 0
photo_data[filtro_valores_baixos] = 255
plt.figure(figsize=(15,15))
plt.imshow(photo_data)


# In[62]:


#Mais algumas operações
#criar um range de linhas:
photo_data = imageio.imread('./wifire/ima.jpg')

range_linhas = np.arange(len(photo_data))
range_colunas = range_linhas
print(type(range_linhas),range_linhas)


# In[63]:


# aqui ele pega os pares de cima, 00,11,22,33,44,55,66,77,88 e coloca como 255 para os valores do array
photo_data[range_linhas,range_colunas] = 255


# In[64]:


plt.figure(figsize=(15,15))
plt.imshow(photo_data)


# In[69]:


#Agora vamos fazer algo ainda mais legal: vamos tentar pegar um círculo dessa imagem.
"""
A seguir vamos passar o shape da nossa foto para o total de linhas, total de colunas e total de camadas.
"""
total_linhas, total_colunas, total_camadas = photo_data.shape
#Crie um grid com todas as linhas e com todas as colunas
X, Y = np.ogrid[:total_linhas, :total_colunas]
print(X.shape, Y.shape)
#


# In[70]:


#Agora vamos calcular a linha central e a coluna central
linha_central, coluna_central = total_linhas / 2, total_colunas / 2


# In[71]:


#Vamos ver a distância do centro:
dist_do_centro = (X - linha_central)**2 + (Y - linha_central)**2

#Calcular o radius
radius = (total_linhas / 2)**2

#Calcular a mascara circular que será onde a distancia do centro for mais que o radius
mascara_circular = (dist_do_centro > radius)


# In[74]:


#Filtrando com a mascara
photo_data = imageio.imread('./wifire/ima.jpg')
plt.figure(figsize=(15,15))
plt.imshow(photo_data)
photo_data[mascara_circular] = 0
plt.figure(figsize=(15,15))
plt.imshow(photo_data)


# ## Mais máscaras

# In[80]:


X, Y = np.ogrid[:total_linhas, :total_linhas]
metade_cima = X < linha_central

mascara_metade = np.logical_and(metade_cima, mascara_circular)


# In[84]:


photo_data = imageio.imread('./wifire/ima.jpg')
photo_data[mascara_metade] = 0
# import random
# photo_data[mascara_metade] = random.randint(200,255)
plt.figure(figsize=(15,15))
plt.imshow(photo_data)


# In[85]:


"""
Agora vamos criar máscaras para as cores. A primeira cor será a vermelha.
"""

foto = imageio.imread('./wifire/ima.jpg')
mascara_vermelha = foto[:,:,0] < 150

foto[mascara_vermelha] = 0
plt.figure(figsize=(15,15))
plt.imshow(foto)


# In[86]:


foto = imageio.imread('./wifire/ima.jpg')
mascara_verde = foto[:,:,1] < 150

plt.figure(figsize=(15,15))
plt.imshow(foto)


# In[87]:


foto = imageio.imread('./wifire/ima.jpg')
mascara_verde = foto[:,:,2] < 150

plt.figure(figsize=(15,15))
plt.imshow(foto)

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

224

225

226

227

228

229

230

231

232

233

234

235

236

237

238

239

240

241

242

243

244

245

246

247

248

249

250

251

252

253

254

255

256

257

258

259

260

261

262

263

264

265

266

267

268

269

270

271

272

273

274

275

276

277

278

279

280

281

282

283

284

285

286

287

# coding: utf-8

# In[1]:

#Importar os pacotes que utizaremos

import numpy as np

from scipy import misc

import matplotlib.pyplot as plt

get_ipython().run_line_magic('matplotlib', 'inline')

# In[29]:

#Fazer a leitura da nossa imagem

from skimage import data

photo_data = misc.imread('./wifire/ima.jpg')

type(photo_data)

# In[3]:

plt.figure(figsize=(15,15))

plt.imshow(photo_data)

# In[4]:

#Vamos ver o shape dessa foto/desse array

photo_data.shape

# In[14]:

# print(photo_data)

# In[15]:

#Nós podemos também verificar o tamanho da imagem:

photo_data.size

# In[16]:

#É possível também visualizar qual o máximo e mínimo da imagem. E isso é importante porque

# os valores na escala RGB só podem ir de 0 a 255

photo_data.min(), photo_data.max()

# In[17]:

# Você pode ver a média também

photo_data.mean()

# In[18]:

#Suponhamos que você quer ver qual o valor de um pixel. Você fará da seguinte forma:

"""

Você deve ter em mente que agora temos uma matriz com 3 dimensões, ou seja:

1. linha

2. coluna

3. valores das cores

Portanto, quando acessarmos um valor, ele retornará 3 valores, que são os valores do Red, Green e Blue - RGB

"""

photo_data[160][120]

# In[20]:

"""

Você pode querer acessar uma cor específica. Para isso, é só indicar qual o índice da cor:

0 - red

1 - green

2 - blue

Vamos pegar o valor do azul, na linha com índice 150 com a coluna índice 2543

"""

photo_data[150][2543][2]

# In[24]:

"""

Você pode também mudar os valores - lembre-se que agora a imagem é um array.

Vamos definir que todas as camadas da linha de indice 1000 e da coluna de indice 2000 ficarão preta.

"""

photo_data[1000,2000] = 0

plt.figure(figsize=(10,10))

plt.imshow(photo_data)

# In[30]:

"""

A gente mudou apenas uma pequena coisa. Nós podemos fazer isso para um range de valores também:

vamos mudar da linha de índice 500 até a coluna de índice 2000, alterando a cor para branco.

"""

photo_data[:500,:2000] = 255

plt.figure(figsize=(10,10))

plt.imshow(photo_data)

# In[35]:

"""

A gente pode mudar também só uma camada:

"""

photo_data = misc.imread('./wifire/ima.jpg')

photo_data[100:2300, : , 0] = 0

plt.figure(figsize=(10,10))

plt.imshow(photo_data)

# In[53]:

"""

A gente pode também criar filtros.

É importante lembrar que ambos devem ter as mesmas características, pois o nosso filtro não alterará nada,

só retornara um array com valores booleanos para podermos utilizar

"""

import imageio

photo_data = imageio.imread('./wifire/ima.jpg')

print("Shape da nossa foto: ", photo_data.shape)

filtro_valores_baixos = photo_data < 50

print("Shape dos nossos valores baixos: ", filtro_valores_baixos.shape)

# In[55]:

#Filtrando resultados pequenos

plt.figure(figsize=(15,15))

plt.imshow(photo_data)

# Onde os valores forem menor que 50, como definido acima, deixe como 0

photo_data[filtro_valores_baixos] = 255

plt.figure(figsize=(15,15))

plt.imshow(photo_data)

# In[62]:

#Mais algumas operações

#criar um range de linhas:

photo_data = imageio.imread('./wifire/ima.jpg')

range_linhas = np.arange(len(photo_data))

range_colunas = range_linhas

print(type(range_linhas),range_linhas)

# In[63]:

# aqui ele pega os pares de cima, 00,11,22,33,44,55,66,77,88 e coloca como 255 para os valores do array

photo_data[range_linhas,range_colunas] = 255

# In[64]:

plt.figure(figsize=(15,15))

plt.imshow(photo_data)

# In[69]:

#Agora vamos fazer algo ainda mais legal: vamos tentar pegar um círculo dessa imagem.

"""

A seguir vamos passar o shape da nossa foto para o total de linhas, total de colunas e total de camadas.

"""

total_linhas, total_colunas, total_camadas = photo_data.shape

#Crie um grid com todas as linhas e com todas as colunas

X, Y = np.ogrid[:total_linhas, :total_colunas]

print(X.shape, Y.shape)

# In[70]:

#Agora vamos calcular a linha central e a coluna central

linha_central, coluna_central = total_linhas / 2, total_colunas / 2

# In[71]:

#Vamos ver a distância do centro:

dist_do_centro = (X - linha_central)**2 + (Y - linha_central)**2

#Calcular o radius

radius = (total_linhas / 2)**2

#Calcular a mascara circular que será onde a distancia do centro for mais que o radius

mascara_circular = (dist_do_centro > radius)

# In[74]:

#Filtrando com a mascara

photo_data = imageio.imread('./wifire/ima.jpg')

plt.figure(figsize=(15,15))

plt.imshow(photo_data)

photo_data[mascara_circular] = 0

plt.figure(figsize=(15,15))

plt.imshow(photo_data)

# ## Mais máscaras

# In[80]:

X, Y = np.ogrid[:total_linhas, :total_linhas]

metade_cima = X < linha_central

mascara_metade = np.logical_and(metade_cima, mascara_circular)

# In[84]:

photo_data = imageio.imread('./wifire/ima.jpg')

photo_data[mascara_metade] = 0

# import random

# photo_data[mascara_metade] = random.randint(200,255)

plt.figure(figsize=(15,15))

plt.imshow(photo_data)

# In[85]:

"""

Agora vamos criar máscaras para as cores. A primeira cor será a vermelha.

"""

foto = imageio.imread('./wifire/ima.jpg')

mascara_vermelha = foto[:,:,0] < 150

foto[mascara_vermelha] = 0

plt.figure(figsize=(15,15))

plt.imshow(foto)

# In[86]:

foto = imageio.imread('./wifire/ima.jpg')

mascara_verde = foto[:,:,1] < 150

plt.figure(figsize=(15,15))

plt.imshow(foto)

# In[87]:

foto = imageio.imread('./wifire/ima.jpg')

mascara_verde = foto[:,:,2] < 150

plt.figure(figsize=(15,15))

plt.imshow(foto)