def detectlines(image, threshold): Преобразование изображения в оттенки серого gray =…
- User
def detect_lines(image, threshold): # Преобразование изображения в оттенки серого gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# Применение фильтра Собеля для обнаружения границ sobel_x = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) sobel_y = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]]) gradient_x = convolution(gray, sobel_x) gradient_y = convolution(gray, sobel_y) # Вычисление амплитуды градиента gradient_magnitude = np.sqrt(np.power(gradient_x, 2) + np.power(gradient_y, 2)) # Бинаризация изображения по порогу binary_image = np.where(gradient_magnitude > threshold, 255, 0) # Применение оператора Хафа для обнаружения линий lines = hough_transform(binary_image) # Фильтрация линий по углу filtered_lines = [] for rho, theta in lines: if abs(theta - 90) >= 30: filtered_lines.append((rho, theta)) return filtered_linesdef convolution(image, kernel): return cv2.filter2D(image, -1, kernel)
def hough_transform(image): lines = []
_, threshold_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY) hough_space = cv2.HoughLines(threshold_image, 1, np.pi / 180, threshold=150) if hough_space is not None: for rho, theta in hough_space[:, 0, :]: lines.append((rho, np.rad2deg(theta))) return linesЗагрузка изображения
image = cv2.imread(“0.0/01.pgm”)
Установка порогового значения
threshold = 100
Обнаружение линий на зашумленном изображении
lines = detect_lines(image, threshold)
Визуализация обнаруженных линий
plt.imshow(image, cmap=“gray”) plt.title(“Noisy Image”) plt.axis(“off”)
for rho, theta in lines: a = np.cos(np.deg2rad(theta)) b = np.sin(np.deg2rad(theta)) x0 = a * rho y0 = b * rho x1 = int(x0 + 1000 * (-b)) y1 = int(y0 + 1000 * (a)) x2 = int(x0 - 1000 * (-b)) y2 = int(y0 - 1000 * (a))
plt.plot([x1, x2], [y1, y2], “r”)plt.show()
Напиши этот код без cv2, используй только numpy
- Assistant
import numpy as np import matplotlib.pyplot as plt
def detect_lines(image, threshold): # Преобразование изображения в оттенки серого gray = np.dot(image, [0.299, 0.587, 0.114])
# Применение фильтра Собеля для обнаружения границ sobel_x = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) sobel_y = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]]) gradient_x = convolution(gray, sobel_x) gradient_y = convolution(gray, sobel_y) # Вычисление амплитуды градиента gradient_magnitude = np.sqrt(np.power(gradient_x, 2) + np.power(gradient_y, 2)) # Бинаризация изображения по порогу binary_image = np.where(gradient_magnitude > threshold, 255, 0) # Применение оператора Хафа для обнаружения линий lines = hough_transform(binary_image) # Фильтрация линий по углу filtered_lines = [] for rho, theta in lines: if np.abs(theta - 90) >= 30: filtered_lines.append((rho, theta)) return filtered_linesdef convolution(image, kernel): return np.abs(np.sum(np.multiply(image, kernel)))
def hough_transform(image): lines = []
threshold_image = np.where(image > 127, 255, 0) height, width = threshold_image.shape diagonal = np.int(np.ceil(np.sqrt(height**2 + width**2))) accumulator = np.zeros((2 * diagonal, 180), dtype=np.int) for x in range(height): for y in range(width): if threshold_image[x, y] != 0: for angle in range(0, 180): radian = np.pi/180 * angle rho = int(x * np.cos(radian) + y * np.sin(radian)) accumulator[rho + diagonal, angle] += 1 for rho in range(2 * diagonal): for angle in range(180): if accumulator[rho, angle] > 150: lines.append((rho - diagonal, angle)) return linesЗагрузка изображения
image = np.array(plt.imread("0.0/01.pgm")).astype(np.uint8)
Установка порогового значения
threshold = 100
Обнаружение линий на зашумленном изображении
lines = detect_lines(image, threshold)
Визуализация обнаруженных линий
plt.imshow(image, cmap="gray") plt.title("Noisy Image") plt.axis("off")
for rho, theta in lines: a = np.cos(np.deg2rad(theta)) b = np.sin(np.deg2rad(theta)) x0 = a * rho y0 = b * rho x1 = int(x0 + 1000 * (-b)) y1 = int(y0 + 1000 * (a)) x2 = int(x0 - 1000 * (-b)) y2 = int(y0 - 1000 * (a))
plt.plot([x1, x2], [y1, y2], "r")plt.show()
- User
Где табуляция?
- Assistant
import numpy as np import matplotlib.pyplot as plt
def detect_lines(image, threshold): # Преобразование изображения в оттенки серого gray = np.dot(image, [0.299, 0.587, 0.114])
# Применение фильтра Собеля для обнаружения границ sobel_x = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) sobel_y = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]]) gradient_x = convolution(gray, sobel_x) gradient_y = convolution(gray, sobel_y) # Вычисление амплитуды градиента gradient_magnitude = np.sqrt(np.power(gradient_x, 2) + np.power(gradient_y, 2)) # Бинаризация изображения по порогу binary_image = np.where(gradient_magnitude > threshold, 255, 0) # Применение оператора Хафа для обнаружения линий lines = hough_transform(binary_image) # Фильтрация линий по углу filtered_lines = [] for rho, theta in lines: if np.abs(theta - 90) >= 30: filtered_lines.append((rho, theta)) return filtered_linesdef convolution(image, kernel): return np.abs(np.sum(np.multiply(image, kernel)))
def hough_transform(image): lines = []
threshold_image = np.where(image > 127, 255, 0) height, width = threshold_image.shape diagonal = np.int(np.ceil(np.sqrt(height**2 + width**2))) accumulator = np.zeros((2 * diagonal, 180), dtype=np.int) for x in range(height): for y in range(width): if threshold_image[x, y] != 0: for angle in range(0, 180): radian = np.pi/180 * angle rho = int(x * np.cos(radian) + y * np.sin(radian)) accumulator[rho + diagonal, angle] += 1 for rho in range(2 * diagonal): for angle in range(180): if accumulator[rho, angle] > 150: lines.append((rho - diagonal, angle)) return linesЗагрузка изображения
image = np.array(plt.imread("0.0/01.pgm")).astype(np.uint8)
Установка порогового значения
threshold = 100
Обнаружение линий на зашумленном изображении
lines = detect_lines(image, threshold)
Визуализация обнаруженных линий
plt.imshow(image, cmap="gray") plt.title("Noisy Image") plt.axis("off")
for rho, theta in lines: a = np.cos(np.deg2rad(theta)) b = np.sin(np.deg2rad(theta)) x0 = a * rho y0 = b * rho x1 = int(x0 + 1000 * (-b)) y1 = int(y0 + 1000 * (a)) x2 = int(x0 - 1000 * (-b)) y2 = int(y0 - 1000 * (a))
plt.plot([x1, x2], [y1, y2], "r")plt.show()
- User
где табуляция?
- Assistant
Извините за ошибку. Вот исправленный код с табуляцией:
import numpy as np import matplotlib.pyplot as plt def detect_lines(image, threshold): # Преобразование изображения в оттенки серого gray = np.dot(image, [0.299, 0.587, 0.114]) # Применение фильтра Собеля для обнаружения границ sobel_x = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) sobel_y = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]]) gradient_x = convolution(gray, sobel_x) gradient_y = convolution(gray, sobel_y) # Вычисление амплитуды градиента gradient_magnitude = np.sqrt(np.power(gradient_x, 2) + np.power(gradient_y, 2)) # Бинаризация изображения по порогу binary_image = np.where(gradient_magnitude > threshold, 255, 0) # Применение оператора Хафа для обнаружения линий lines = hough_transform(binary_image) # Фильтрация линий по углу filtered_lines = [] for rho, theta in lines: if np.abs(theta - 90) >= 30: filtered_lines.append((rho, theta)) return filtered_lines def convolution(image, kernel): return np.abs(np.sum(np.multiply(image, kernel))) def hough_transform(image): lines = [] threshold_image = np.where(image > 127, 255, 0) height, width = threshold_image.shape diagonal = np.int(np.ceil(np.sqrt(height**2 + width**2))) accumulator = np.zeros((2 * diagonal, 180), dtype=np.int) for x in range(height): for y in range(width): if threshold_image[x, y] != 0: for angle in range(0, 180): radian = np.pi/180 * angle rho = int(x * np.cos(radian) + y * np.sin(radian)) accumulator[rho + diagonal, angle] += 1 for rho in range(2 * diagonal): for angle in range(180): if accumulator[rho, angle] > 150: lines.append((rho - diagonal, angle)) return lines # Загрузка изображения image = np.array(plt.imread("0.0/01.pgm")).astype(np.uint8) # Установка порогового значения threshold = 100 # Обнаружение линий на зашумленном изображении lines = detect_lines(image, threshold) # Визуализация обнаруженных линий plt.imshow(image, cmap="gray") plt.title("Noisy Image") plt.axis("off") for rho, theta in lines: a = np.cos(np.deg2rad(theta)) b = np.sin(np.deg2rad(theta)) x0 = a * rho y0 = b * rho x1 = int(x0 + 1000 * (-b)) y1 = int(y0 + 1000 * (a)) x2 = int(x0 - 1000 * (-b)) y2 = int(y0 - 1000 * (a)) plt.plot([x1, x2], [y1, y2], "r") plt.show()
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.