Изображение исказили: размыли и перемешали патчи. Необходимо выбрать, что было…
- 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.
- 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:- Разделим изображение на патчи 16x16.
- Для каждого патча вычислим "граничные" цвета (средние значения по краям).
- 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
- Сохраните этот код в файл, например,
restore_image.py. - Поместите перемешанное изображение в ту же папку и назовите его
shuffled_image.jpg. - Запустите скрипт в PyCharm или через терминал:
python restore_image.py - 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_ROWиPATCHES_PER_COLпод 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!
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.