MAV. Python.

Pillow

Matriz a partir de imagen

En la [entrada anterior] creamos una imagen a partir de los datos de una matriz. Ahora haremos el proceso inverso: obtener los datos numéricos que definen una imagen dada, lo que equivale a generar una matriz a partir de esos datos.

 

Lo interesante de lo que estamos haciendo es que podemos trabajar con datos numéricos para crear imágenes y viceversa: obtener los datos numéricos de los que se compone una imagen digitalizada. A partir de esto podemos realizar manipulaciones generales o específicas del color y, a partir de éste, también del dibujo y de las formas que conforman la imagen.

En el script que sigue obtenemos la matriz de datos de una imagen dada y, partiendo de ésta, volvemos a construir la imagen, en este caso, sin modificación alguna respecto a la original.

from PIL import Image
import numpy as np

#Cargar imagen

img_dir = 'img/Paisaje.jpg'
img = Image.open(img_dir)

#Visualizamos la imagen cargada

img.show()

#Convertimos la imagen en matriz

array_img = np.array(img)

#Visualizamos la matriz

print(array_img)

#Convertimos de nuevo la matriz en imagen

img_array = Image.fromarray(array_img)

#Visualizamos la imagen creada

img_array.show()

Para ello ha sido suficiente con importar ambas bibliotecas (Pillow y NumPy) y usar dos funciones específicas, una asociada a Numpy (array_img = np.array(img)) y otra a Pillow (img_array = Image.fromarray(array_img)). La primera para convertir la imagen en una matriz y la segunda para invertir el procedimiento.

A partir de aquí se nos abren todas las opciones que derivan del trabajo con matrices numéricas. Todo un mundo.

MAV. Python.

Pilow

Imagen a partir de una matriz

Cuando creamos por primera vez una imagen mediante Pilow lo primero que pensé fue que poco interés tenía la cosa; cuando sobre esa base unimos dos imágenes para componer una tercera, ya me pareció más interesante y a la vista del interés que tiene para la descomposición de la imagen en colores parece que el tema va ganando en interés. Añado ahora una razón más para valorar positivamente la creación de imágenes en Pilow.

Me refiero a la construcción de una imagen (sencilla, eso sí) no mediante la función ya conocida (img_base = Image.new("L",(d_x,d_y),"white")), sino mediante una nueva función que ilustra la relación entre Pilow y NumPy: la función  fromarray(array_base). Pero no adelantemos acontecimientos.

from PIL import Image

import numpy as np

#Crear array  de base

array_base = np.zeros([550,750,3], dtype = np.uint8)

#Agregar colores

array_base[:,0:300] = [255,128,0]

array_base[:,300:] = [0,0,255]

#Crear la imagen a partir del arreglo

img_array = Image.fromarray(array_base)

#Mostrar la imagen creada

img_array.show()

Mediante este script he creado una sencilla imagen a partir de datos numéricos organizados en una matriz tridimensional (array_base = np.zeros([550,750,3], dtype = np.uint8)) mediante la función np.zeros(), que recibe como primer parámetro una tupla con tres valores: ancho, alto y 3 canales de color como tercer dimensión.

Los dos primeros, además de definir el tamaño de la matriz, también nos sirven como referencias necesarias para concretar las posiciones de las diferentes configuraciones de color que compondrán la imagen final...

vg. array_base[:,0:300] = [255,128,0]

... atribuye al primer elemento la posición 0-0 a 0:300 (ejes x-y) y como color asignado la tupla [R.G.B] [255,128,0].

Posteriormente se construye la imagen a partir de esos datos mediante el método fromarray() que recibe como parámetro la variable imagen (img_array = Image.fromarray(array_base)).

Si en lugar de una imagen RGB quisiéramos crear una imagen en escala de grises deberíamos usar un script como el siguiente:

from PIL import Image

import numpy as np

#Crear array  de base

array_base = np.zeros([550,750], dtype = np.uint8)

#Agregar grises

array_base[:,0:300] = [50]

array_base[:,300:] = [235]

#Crear la imagen a partir del arreglo

img_array = Image.fromarray(array_base)

#Mostrar la imagen

img_array.show()

Puedes apreciar el cambio en la construcción del array (ahora array_base = np.zeros([550,750], dtype = np.uint8)) y en el procedimiento para agregar el color (vg array_base[:,0:300] = [50]). El resto es igual.

MAV. Python.

Pillow

Filtros a partir de la separación de colores

Hablando de filtros, toda imagen se puede entender como una mas o menos compleja combinación de los tres colores básicos (rojo-verde-azul), cuando de una imagen en color se trata, y de la menor o mayor intensidad de la presencia de cada uno de ellos, siendo su valor mínimo 0 y máximo 255. El blanco resulta de la máxima intensidad de los tres (255,255,255) y el negro de la mínima (0,0,0). A partir de aquí, podemos trabajar con una imagen como con una matriz de datos numéricos, lo que abre interesantes posibilidades de trabajo. La primera de ellas generar filtros basados en la manipulación de las intensidades de los colores básicos de la imagen.

La consecuencia de lo anterior, lo que realmente nos interesa, es el trabajo con la imagen como matriz de datos, siendo la cuestión de su uso como filtro más bien secundaria. Se trata, en realidad, de estudiar la interesante combinación del trabajo con Pillow y con NumPy, como recurso para facilitar el manejo de imágenes mediante código. Ahora nos centraremos en uno de los procedimientos básicos y seguiremos trabajando en esta dirección en las entradas que siguen.

Dicho esto empezaremos por importar las dos bibliotecas

from PIL import Image

import numpy as np

... y cargando una imagen con la que trabajar

img_dir = 'img/formas.jpg'

img = Image.open(img_dir)

Obtenemos sus dimensiones (ancho y alto)...

d_x, d_y = img.size

... para poder crear otra imagen de esas mismas dimensiones, la cual nos servirá de base para generar los filtros de color (observa que creamos la imagen de tipo escala de grises ("L") y le damos un fondo, en este caso blanco ("white")

img_base = Image.new("L",(d_x,d_y),"white")

Lo más interesante del procedimiento es la obtención de los datos de los tres canales de color de la imagen y su conversión en una matriz mediante el método splitz(), así de sencillo:

col_R, col_G , col_B = img.split()

A partir de aquí, podremos aplicar el filtro de color (R, G, B) sobre la imagen original combinándola con la imagen de base que creamos en blanco (también podría ser en negro), siendo suficiente con introducir el canal de color deseado y mantener el original de la imagen de base ocupando el lugar de los otros dos, v.g. para el rojo...

img_R = Image.merge('RGB',(col_R, img_base, img_base))

Si utilizamos los tres canales, el resultado es la imagen original

img_R = Image.merge('RGB',(col_R,col_G,col_B))

Datos. Python

Bibliotecas para el análisis de datos (II). Numpy

Mucho más compleja pero también mucho más potente que Stadistics, Numpy es una biblioteca fundamental para el trabajo en el ámbito científico y computacional. En lo tocante a los SEO, Numpy sobrepasa con mucho nuestras necesidades, pero dada su importancia en el ámbito del tratamiento de datos y por ser base para el manejo de otros paquetes de interés, es necesario un mínimo conocimiento de Numpy.

NumPy (Numeric Python) es el paquete que genera un objeto de matriz multidimensional, objetos derivados y una gran variedad de funciones para operaciones matemáticas, lógicas, ordenamiento, selección, álgebra lineal básica, operaciones estadísticas básicas, simulación aleatoria y otras.

Este trabajo con matrices sustituye al que realizamos en Python con listas. La flexibilidad de las listas Python tiene como contrapartida una pérdida de eficiencia en el uso de la memoria, siendo este es el punto fuerte de Numpy.

Conforme vayamos necesitando incorporar funciones de esta biblioteca, las iremos viendo en las secciones que corresponda, fundamentalmente en [Datos]. De momento dejo aquí [enlace a la página oficial del proyecto] para cualquier consulta que pueda ser necesaria. También dispones de una [guía actualizada] aunque por desgracia únicamente en inglés.

Otro material de interés es la guía de [DataScientest], que no es mucho, pero a falta de una guía en español, al menos sirve para hacernos una idea de esta biblioteca. De todas formas, aunque no llegue al nivel de la guía oficial, ni trate exclusivamente sobre NumPy, para empezar [Hidalgo Romero] es un documento imprescindible.

Para temas relacionados con la estadística me parece interesante [esta página].