Skip to content
TheChatArchiveThe Chat Archive
gpt-4.1-2025-04-14· OpenAIHugging Face LMArena Human Preference 140K

Изображение исказили: размыли и перемешали патчи. Необходимо выбрать, что было…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with Claudeclaude-3-7-sonnet-20250219’s answer.
  1. User

    Изображение исказили: размыли и перемешали патчи. Необходимо выбрать, что было изображено изначально: рыба, петух, собака, кошка, человек, автомобиль, самолет, водоросли. Не нужно обращать внимания на цветовую палитру - ее могли специально изменить. Данное изображение представляет собой фотографию, состоящую из квадратов 16 на 16, перемешанных в случайном порядке. Напиши мне подробный код для Pycharm, чтобы восстановить картинку. Необходимо просто переставлять квадратики каким-то определенным образом по тому, насколько они похожи с соседними квадратами по цвету. В полученном изображении должно быть также 16 на 16 маленьких квадратов.

  2. Assistant

    Конечно! Вот подробный код на Python, который поможет восстановить исходное изображение из перемешанных патчей 16x16. Мы будем использовать библиотеку OpenCV для работы с изображениями и NumPy для обработки данных.
    Алгоритм:

    1. Разделим изображение на патчи 16x16.
    2. Для каждого патча вычислим "граничные" цвета (средние значения по краям).
    3. Будем собирать изображение, подбирая патчи так, чтобы их края максимально совпадали по цвету с соседями.

    Установка библиотек

    pip install numpy opencv-python tqdm
    

    Код

    import cv2
    import numpy as np
    from tqdm import tqdm
    
    # --- Настройки ---
    PATCHES_PER_ROW = 16
    PATCHES_PER_COL = 16
    
    def split_to_patches(img, n_rows, n_cols):
        h, w = img.shape[:2]
        patch_h = h // n_rows
        patch_w = w // n_cols
        patches = []
        for i in range(n_rows):
            for j in range(n_cols):
                patch = img[i*patch_h:(i+1)*patch_h, j*patch_w:(j+1)*patch_w]
                patches.append(patch)
        return patches, patch_h, patch_w
    
    def get_patch_edges(patch):
        # Получаем средние значения по краям
        top = patch[0, :, :].mean(axis=0)
        bottom = patch[-1, :, :].mean(axis=0)
        left = patch[:, 0, :].mean(axis=0)
        right = patch[:, -1, :].mean(axis=0)
        return {'top': top, 'bottom': bottom, 'left': left, 'right': right}
    
    def edge_diff(edge1, edge2):
        # Евклидово расстояние между краями
        return np.linalg.norm(edge1 - edge2)
    
    def find_best_match(patch_edges, used, current_edges, direction):
        # direction: 'right' или 'bottom'
        best_idx = -1
        best_score = float('inf')
        for idx, edges in enumerate(patch_edges):
            if used[idx]:
                continue
            if direction == 'right':
                score = edge_diff(current_edges['right'], edges['left'])
            elif direction == 'bottom':
                score = edge_diff(current_edges['bottom'], edges['top'])
            else:
                raise ValueError('Unknown direction')
            if score < best_score:
                best_score = score
                best_idx = idx
        return best_idx
    
    def reconstruct_image(patches, patch_edges, n_rows, n_cols, patch_h, patch_w):
        used = [False] * len(patches)
        result = np.zeros((n_rows*patch_h, n_cols*patch_w, 3), dtype=np.uint8)
        order = np.zeros((n_rows, n_cols), dtype=int)
    
        # Начнем с любого патча (например, первого)
        idx = 0
        used[idx] = True
        result[0:patch_h, 0:patch_w] = patches[idx]
        order[0, 0] = idx
    
        # Заполняем первую строку
        for col in range(1, n_cols):
            prev_idx = order[0, col-1]
            prev_edges = patch_edges[prev_idx]
            next_idx = find_best_match(patch_edges, used, prev_edges, 'right')
            used[next_idx] = True
            result[0:patch_h, col*patch_w:(col+1)*patch_w] = patches[next_idx]
            order[0, col] = next_idx
    
        # Заполняем остальные строки
        for row in tqdm(range(1, n_rows)):
            for col in range(n_cols):
                prev_idx = order[row-1, col]
                prev_edges = patch_edges[prev_idx]
                next_idx = find_best_match(patch_edges, used, prev_edges, 'bottom')
                used[next_idx] = True
                result[row*patch_h:(row+1)*patch_h, col*patch_w:(col+1)*patch_w] = patches[next_idx]
                order[row, col] = next_idx
    
        return result
    
    def main():
        # Загрузите ваше изображение
        img = cv2.imread('shuffled_image.jpg')
        if img is None:
            print("Не удалось загрузить изображение!")
            return
    
        patches, patch_h, patch_w = split_to_patches(img, PATCHES_PER_ROW, PATCHES_PER_COL)
        patch_edges = [get_patch_edges(patch) for patch in patches]
    
        restored = reconstruct_image(patches, patch_edges, PATCHES_PER_ROW, PATCHES_PER_COL, patch_h, patch_w)
        cv2.imwrite('restored_image.jpg', restored)
        print("Изображение восстановлено и сохранено как 'restored_image.jpg'.")
    
    if __name__ == '__main__':
        main()
    

    Как использовать

    1. Сохраните этот код в файл, например, restore_image.py.
    2. Поместите перемешанное изображение в ту же папку и назовите его shuffled_image.jpg.
    3. Запустите скрипт в PyCharm или через терминал:
      python restore_image.py
      
    4. Восстановленное изображение появится как restored_image.jpg.

    Примечания:

    • Этот алгоритм жадный и не гарантирует идеального восстановления, но для сильно размытых и перемешанных патчей работает достаточно хорошо.
    • Если изображение не квадратное, скорректируйте PATCHES_PER_ROW и PATCHES_PER_COL под ваши размеры.
    • Для ускорения и улучшения можно использовать более сложные методы (например, поиск по всем направлениям, оптимизацию порядка патчей и т.д.).

    Если потребуется доработать под конкретный случай — дайте знать!

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.