Manejo de imágenes con Python

Clase 7 de 25 • Curso de Redes Neuronales Convolucionales con Python y Keras

Felipe Palta

student•

Siguiendo el reto del profe, decidí hacer un especie de collage un poco más divertido:

Dejo el código aquí:

#Extraer Capas R G y B de la img:
Cr = Im[:,:,0]
Cg = Im[:,:,1]
Cb = Im[:,:,2]

#Dimensión de la imagen:
fil,col,capas = Im.shape

#Calculo la mitad del alto y ancho de la img:
y = int(fil/2)
x = int(col/2)

#Imagen auxiliar de zeros:
aux_dim = np.zeros([y,x])

#Genero cuadrante 1:
aux_C1 = Im[0:y,0:x]

#Genero cuadrante 2:
r_aux = Cr[0:y,x:col]
aux_C2 = np.dstack((r_aux,aux_dim,aux_dim)).astype(np.uint8)

#Genero cuadrante 3:
g_aux = Cg[y:fil,0:x]
aux_C3 = np.dstack((aux_dim,g_aux,aux_dim)).astype(np.uint8)

#Genero cuadrante 4:
b_aux = Cb[y:fil,x:col]
aux_C4 = np.dstack((aux_dim,aux_dim,b_aux)).astype(np.uint8)

#Contatenar la parte de arriba y de abajo
ParteArriba = cv2.hconcat([aux_C1,aux_C2])
ParteAbajo = cv2.hconcat([aux_C3,aux_C4])

#Concatenar imagen final 
ImgFinal = cv2.vconcat([ParteArriba,ParteAbajo])

plt.figure()
plt.figure(figsize=(7,7))
plt.imshow(ImgFinal)

Alarcon7a

student•

ohh wow, que creativo, muy genial

Alonso Gil Pelaez

student•

<code> #Nota: no olviden hacer 
import cv2

Carlos Felipe Saldarriaga Bejarano

student•

No estoy del todo seguro con lo que plantea el profesor al inicio de la clase y para ello traigo 4 ejemplos de Nhaga

Carlos Felipe Saldarriaga Bejarano

student•

Una más de cerca :3

Alarcon7a

student•

hermosa Nhaga, buen trabajo!!

Sergio Esteban Gamboa Muñoz

student•

Mi solucion del reto

Alarcon7a

student•

esta genial

Gonzalo Rojas Alvarez

student•

Oh no pequeña Marta, q te hize. Yo solo quería sacar un promedio de los canales RGB XD

HERBERTH FITZROY GARCIA CHURA

student•

Yo hice un código que permita dividir en sectores rectangulares la imagen de Mara y pinte con los diferentes filtros que aprendimos en esta clase (Puedes determinar cuantas columnas y filas deseas en la imagen)

DivisionesV=2
DivisionesH=2

AnchoActual = im.shape[1]//DivisionesV
AlturaActual = im.shape[0]//DivisionesH
fila = im[0:AlturaActual,0:1]
elemento = np.concatenate((im[0:1,0:im.shape[1]],im[0:1,0:1]), axis=1)
k=0

for j in range(DivisionesH):
    for i in range(DivisionesV):
        if(k%4==0):
            fila = np.concatenate((fila, (red[AlturaActual*j:AlturaActual*(j+1),AnchoActual*i:AnchoActual*(i+1)])), axis=1)
        if(k%4==1):
            fila = np.concatenate((fila, (green[AlturaActual*j:AlturaActual*(j+1),AnchoActual*i:AnchoActual*(i+1)])), axis=1)
        if(k%4==2):
            fila = np.concatenate((fila, (blue[AlturaActual*j:AlturaActual*(j+1),AnchoActual*i:AnchoActual*(i+1)])), axis=1)
        if(k%4==3):
            fila = np.concatenate((fila, (im[AlturaActual*j:AlturaActual*(j+1),AnchoActual*i:AnchoActual*(i+1)])), axis=1)
        k=k+1
    elemento = np.concatenate((elemento, fila))
    fila = im[0:AlturaActual,0:1]
    

plt.imshow(elemento)

Alarcon7a

student•

que maravillaaa!!!

Daniel Alejandro Lopez

student•

Algo de código:

from skimage import io

image_color = io.imread(os.path.join(WORK_DIRECTORY,'photo_validation','a.jpg'))
image_color[270:420,90:240,:]=255-image_color[270:420,75:225,:]
image_color[0:250,250:440,1:2]=0
plt.imshow(image_color)

Alarcon7a

student•

genial

Miguel Rodríguez

student•

Use PCA para ver como quedaba la imagen, use n_componentes=300. Me guie con este articulo para ello.

Miguel Rodríguez

student•

Recorte la imagen para tener menos ruido, ahora usando n_components=170 la imagen es un poco mas clara.

Alarcon7a

student•

ohh wow, es un excelente aporte, no se me hubiera ocurrido.

Diaz Mauricio

student•

Nicolas Cordoba

student•

Una librerìa en python que abstrae todos estos conceptos de las imagenes es Pillow

Luisa Jaimes

student•

Estoy realizando el mismo ejercicio pero con una imagen diferente

Pero no me aparecen las capas de datos que la conforman. En ese caso ¿qué se debería hacer? Gracias pd: el curso está increíble

Alarcon7a

student•

tendras una imagen a escala de grises o en otro formato?

Joel Alejandro Tovar Ramos

student•

Pude copiar una seccion de la imagen, voltearla y pegarla en otra seccion

En la imagen se puede apreciar que Brownie es la perrita mas linda

Hernan Camilo Rodriguez Jimenez

student•

Realizando algunos pequeños cambios para las matrices negativas.

Santiago Andres León Daza

student•

Quise superponer una imagen sobre otra aplicando un filtro y cierta transparencia, este es mi resultado:

import cv2
imr = cv2.imread('/kaggle/input/cnn-data-sources/Mara.jpeg')
imzoom_neg_pos = cv2.imread('/kaggle/input/cnn-data-sources/Mara.jpeg')

zoom = im[270:530, 150:400]
imzoom_neg_pos = cv2.resize(zoom, (imzoom_neg_pos.shape[1], imzoom_neg_pos.shape[0]))
overlay = cv2.addWeighted(im, 1, imzoom_neg_pos, 1, 0)

plt.imshow(cv2.cvtColor(overlay, cv2.COLOR_BGR2RGB))

Jhon Freddy Tavera Blandon

student•

Cristian Tinipuclla

student•

🤭😅

im_p=io.imread('/kaggle/input/cnn-data-sources/yo.png')
rp= im_p[:,:,0]
plt.imshow(rp[0:250,110:290],cmap='twilight')

Sebastian Manassero

student•

Yo modifique asi la imagen

Alarcon7a

student•

muy interesante

David Geronimo Quiroga Torres

student•

Experimentando ando

Julio Emmanuel Meza Rangel

student•

Apliqué un filtro sepia

sepia_rojo = 0.393 * r + 0.769 * g + 0.189 * b
sepia_verde = 0.349 * r + 0.686 * g + 0.168 * b
sepia_azul = 0.272 * r + 0.534 * g + 0.131 * b

sepia_rojo[sepia_rojo > 255] = 255
sepia_verde[sepia_verde > 255] = 255
sepia_azul[sepia_azul > 255] = 255

sepia = np.dstack((sepia_rojo, sepia_verde, sepia_azul)).astype(np.uint8)


plt.imshow(sepia)

Claudio Fernando Abarca Barrera

student•

¿Por qué se utiliza " .astype(np.uint8) " cuando se hace el stack de dimensiones?

Alarcon7a

student•

para cambiar los datos del array a enteros, los pixeles van de 0 a 255 en enteros

Claudio Fernando Abarca Barrera

student•

No había notado que la matriz de ceros usaba el tipo float. Gracias por tu respuesta!

Cristian Sebastian Suarez Catama

student•

Me divertí y aprendí bastante con este reto, acá el resultado

Manejo de imágenes con Python

Redes convolucionales y su importancia

La importancia del computer vision

¿Qué herramientas usaremos para redes neuronales convolucionales?

¿Qué son las redes convolucionales?

Mi primera red neuronal convolucional

Creando nuestra primera red convolucional

Entrenando nuestra primera red convolucional

Manejo de imágenes

Consejos para el manejo de imágenes

Manejo de imágenes con Python

Fundamentos de redes neuronales convolucionales

Kernel en redes neuronales

El kernel en acción

Padding y Strides

Capa de pooling

Arquitectura de redes convolucionales

Resolviendo un problema de clasificación

Clasificación con redes neuronales convolucionales

Creación de red convolucional para clasificación

Entrenamiento de un modelo de clasificación con redes convolucionales

Optimización de red neuronal convolucional

Data augmentation

Aplicando data augmentation

Callbacks: early stopping y checkpoints

Batch normalization

Optimización de modelo de clasificación

Entrenamiento de nuestro modelo de clasificación optimizado

Resolviendo una competencia de Kaggle

Clasificando entre perros y gatos

Entrenamiento del modelo de clasificación de perros y gatos

Resumen y siguientes pasos

Siguientes pasos con redes neuronales convolucionales

Comparte tu proyecto de clasificación con redes convolucionales y certifícate