Beruflich Dokumente
Kultur Dokumente
Facultad de Ingeniería
Programa de Ingeniería Mecatrónica
LABORATORIO N° 01
DOCENTE :
ING. ASTO RODRIGUEZ, Emerson
CICLO :
2020 I
Trujillo, Perú
2020
INDICE
INDICE ..................................................................................................................................... ii
RESUMEN .................................................................................................................................1
4. ANEXOS ............................................................................................................................2
ANEXO A1 ............................................................................................................................2
ANEXO A2 ............................................................................................................................4
RESUMEN
imágenes con numpy, esto se logró reordenando una imagen dividida en partes y
desordenada, para esto primero se trabajó un ejemplo en el cual vimos los comandos
necesarios para importar, imprimir, dividir, separar por capas de color, cambiar formato
para ordenar sólo una capa de la imagen y luego ordenar la imagen en conjunto de todas
sus capas de color. Al terminar con los códigos correspondientes a cada proceso, se logró
obtener una imagen ordenada a su forma original en una capa, así como en todas sus
capas. Es decir, una fue exportada en la capa G en escala de grises, mientras que la otra
imagen fue exportada en todas sus capas lo que genera que se vea a colores.
1. DESARROLLO DEL LABORATORIO
1.1.Resultados de la experiencia
a) Resultado 1
b) Resultado 2
a) Averigüe como leer y mostrar una imagen usando skimage. Muestre un ejemplo:
código, luego, podemos utilizar el módulo iode scikit-image para leer y mostrar
como argumento y la función show para mostrar toda la ventana o figure que
io.imshow(img)
io.show()
img = io.imread("lenna.png")
io.imshow(img)
io.show()
import cv2
import numpy as np
img = cv2.imread("IMAGENES/car_plate.jpg")
plt.imshow(img)
plt.show()
2.1.Recomendaciones
está dentro de la carpeta de trabajo del jupyter notebook que estamos trabajando,
así como asegurarse que el nombre y el formato de la imagen sean los correctos.
transformaciones a aplicar.
c) Trabajar cada capa de color por separado, imprimiendo 3 imágenes, una para
cada capa y cuando todas estén ordenadas, cambiar el formato de estás a RGB y
2.2.Conclusiones
c) Para poner transformar una imagen por partes según sus coordenadas, primero es
necesario separar esta imagen en sus capas de color en formato BGR y luego
Freund, J., Rücker, B., & Hitpass, B. (2014). BPMN 2.0 Manual de Referencia y Guía
https://numython.github.io/posts/2016/01/introduccion-scikit-image-procesamiento/
ANEXO A1
import cv2
import numpy as np
img = cv2.imread("Imagenes/puzzle.png")
plt.imshow(img)
plt.show()
img_b=img[:,:,0]
img_g=img[:,:,1]
img_r=img[:,:,2]
print(img.shape)
c1 = img_g[0:150,0:150]
c2 = img_g[0:150,150:]
c3 = img_g[150:,0:150]
c4 = img_g[150:,150:]
plt.subplot(221)
plt.imshow(c1, cmap="gray")
plt.subplot(222)
plt.imshow(c2, cmap="gray")
plt.subplot(223)
plt.imshow(c3, cmap="gray")
plt.subplot(224)
plt.imshow(c4, cmap="gray")
plt.show()
c1=c1.T
c2=c2.T.T[::-1,:]
c3=c3.T.T[::-1,:]
c4=c4.T[:,::-1]
plt.subplot(221)
plt.imshow(c1, cmap="gray")
plt.subplot(222)
plt.imshow(c2, cmap="gray")
plt.subplot(223)
plt.imshow(c3, cmap="gray")
plt.subplot(224)
plt.imshow(c4, cmap="gray")
plt.show()
# Unimos las divisiones
img_g[0:150,0:150]=c1
img_g[0:150,150:]=c2
img_g[150:,0:150]=c3
img_g[150:,150:]=c4
plt.imshow(img_g, cmap="gray")
plt.show()
plt.imsave("Puzzle_Reconstruido_g.png",img_g, cmap="gray")
ANEXO A2
import cv2
import numpy as np
img = cv2.imread("IMAGENES/puzzle.png")
plt.imshow(img)
plt.show()
img_b=img[:,:,0]
img_g=img[:,:,1]
img_r=img[:,:,2]
# Imprimimos las dimensiones de la imagen
print(img.shape)
#Reconstruccion de la imagen en B
img_b[0:150,0:150]=img_b[0:150,0:150].T
img_b[0:150,150:]=img_b[0:150,150:][::-1,:]
img_b[150:,0:150]=img_b[150:,0:150][::-1,:]
img_b[150:,150:]=img_b[150:,150:].T[:,::-1]
#Reconstruccion de la imagen en G
img_g[0:150,0:150]=img_g[0:150,0:150].T
img_g[0:150,150:]=img_g[0:150,150:][::-1,:]
img_g[150:,0:150]=img_g[150:,0:150][::-1,:]
img_g[150:,150:]=img_g[150:,150:].T[:,::-1]
#Reconstruccion de la imagen en R
img_r[0:150,0:150]=img_r[0:150,0:150].T
img_r[0:150,150:]=img_r[0:150,150:][::-1,:]
img_r[150:,0:150]=img_r[150:,0:150][::-1,:]
img_r[150:,150:]=img_r[150:,150:].T[:,::-1]
plt.subplots(1,3,figsize=(18,6))
plt.subplot(131)
plt.imshow(img_r)
plt.subplot(132)
plt.imshow(img_g)
plt.subplot(133)
plt.imshow(img_b)
plt.show()
img=np.zeros((300,300,3),dtype=np.uint8)
img[:,:,0]=img_r
img[:,:,1]=img_g
img[:,:,2]=img_b
plt.imshow(img)
plt.show()
plt.imsave("Puzzle_Reconstruido.png",img)