GUIA1 PDI Andres Parra - Laura Hernandez

MACROPROCESO RECURSOS E INFRAESTRUCTURA Y LABORATORIOS
Nombre del Proceso:

CODIGO: LA-FM-007
GESTIÓN DE LABORATORIOS
Nombre del Documento: VERSION: 6
FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021
INFORME LABORATORIO DE HERRAMIENTAS MATEMÁTICAS BÁSICAS UTILIZADAS EN

EL PROCESAMIENTO DE IMÁGENES DIGITALES No 1
I
Grupo n 1. Laura Natalia Hernández Vela 4. Nota
t
e 2. Andres Ricardo Parra 5.
g
r
A2 a
n 3. 6.
t
e
s
Resultados obtenidos
SEASON I
CÓDIGO:
from google.colab import drive
drive.mount('/content/drive')
txt_path = 'drive/MyDrive/colab/'
!pip install pydicom
import pydicom as dcm
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.image as image

Nombre del Proceso:
CODIGO: LA-FM-007
#user defined functions
def perform_normalize(data):
min_val = np.min(data);
max_val = np.max(data);
new_data = (data-min_val)/(max_val-min_val)
return new_data
# up image
obj_dcm =
dcm.dcmread(txt_path+'1.3.6.1.4.1.5962.99.1.2786334768.1849416866.1385765836
848.2.0.dcm')
img = perform_normalize(obj_dcm.pixel_array)
# negative_tranform
img_neg = obj_dcm.pixel_array
max_val = np.max(img)
# log_tranform
img_log = np.log(1 + img)
img_neg = max_val - img
# gamma_correction
gamma = 2.2
img_gam = (img/max_val)**gamma
Nombre del Proceso:
CODIGO: LA-FM-007
# plots image
fig, ax = plt.subplots (2,2)
ax[0,0].imshow(img, cmap = 'gray')
ax[0,1].imshow(img_neg, cmap = 'gray')
ax[1,1].imshow(img_gam, cmap = 'gray')
ax[1,0].imshow(img_log, cmap = 'gray')
plt.savefig(txt_path+'bassic_transforms_guia1')
plt.show()
IMAGEN RESULTADO
FIGURA1. imagen sesión 1 guia 1

Nombre del Proceso:
CODIGO: LA-FM-007
SEASON II
CÓDIGO
txt_path = 'drive/MyDrive/colab/'
import numpy as np
# up image
obj_dcm =
dcm.dcmread(txt_path+'1.3.6.1.4.1.5962.99.1.2786334768.1849416866.13857
65836848.2.0.dcm')
img = obj_dcm.pixel_array
#normalize image
min_val = np.min(img);
max_val = np.max(img);
img_nrm = 255*((img-min_val)/(max_val - min_val))
img_nrm = (np.around(img_nrm)).astype('uint8')
Nombre del Proceso:
CODIGO: LA-FM-007
# negative_tranform
max_val = np.max(img_nrm)
img_neg = max_val - img_nrm
img_neg = (np.around(img_neg)).astype('uint8')
# log_tranform
img_log = (np.around(img_log)).astype('uint8')
# gamma_correction
gamma = 2.2
img_gam = (img_nrm/max_val)**gamma
img_gam = (np.around(img_gam)).astype('uint8')
# histogram
def perform_histogram(data):
H = np.zeros(256, dtype = int)
for k in range (256):
img_vec = data.flatten()
temp = (img_vec == k).astype('int')
H[k] = np.sum(temp)
return H
Nombre del Proceso:
CODIGO: LA-FM-007
# acommulate
def perform_acummulate(H):
C =np.zeros(256, dtype=int);
for m in range(256):
temp = 0
for k in range(m):
temp = temp + H[k]
C[m] = temp
return C
# image dimensions
M, N = img_nrm.shape
H = perform_histogram(img_nrm)
C = perform_acummulate(H)
#equalization
img_equ = np.zeros((M,N))
for i in range(M):
for j in range(N):
r = img_nrm[i,j]
img_equ[i,j] = C[r]*(256/(M*N)) -1
img_equ = (np.around(img_equ)).astype('uint8')
Nombre del Proceso:
CODIGO: LA-FM-007
#plots results
plt.figure(1)
plt.imshow(img_nrm, cmap = 'gray')
plt.title('Original')
plt.colorbar()
plt.axis('off')
plt.savefig(txt_path+'SESION2_guia1_NORM')
plt.show()
plt.figure(2)
plt.title('histogram')
plt.plot(perform_histogram(img_nrm))
plt.grid('on')
plt.savefig(txt_path+'SESION2_guia1_NORMH')
plt.show()
plt.figure(3)
plt.title('acummulate')
plt.plot(perform_acummulate(perform_histogram(img_nrm)))
plt.grid('on')
plt.savefig(txt_path+'SESION2_guia1_NORMA')
plt.show()
Nombre del Proceso:
CODIGO: LA-FM-007
plt.figure(4)
plt.imshow(img_equ, cmap = 'gray')
plt.title('Equalized Image')
plt.colorbar()
plt.axis('off')
plt.savefig(txt_path+'SESION2_guia1_EQU')
plt.show()
plt.figure(5)
plt.plot(perform_histogram(img_equ))
plt.grid('on')
plt.savefig(txt_path+'SESION2_guia1_EQUH')
plt.show()
plt.figure(6)
plt.plot(perform_acummulate(perform_histogram(img_equ)))
plt.grid('on')
plt.savefig(txt_path+'SESION2_guia1_EQUA')
plt.show()
Nombre del Proceso:
CODIGO: LA-FM-007
plt.figure(7)
plt.imshow(img_neg, cmap = 'gray')
plt.title('Negative_Image')
plt.colorbar()
plt.axis('off')
plt.savefig(txt_path+'SESION2_guia1_NEG')
plt.show()
plt.figure(8)
plt.plot(perform_histogram(img_neg))
plt.grid('on')
plt.savefig(txt_path+'SESION2_guia1_NEGH')
plt.show()
plt.figure(9)
plt.plot(perform_acummulate(perform_histogram(img_neg)))
plt.grid('on')
plt.savefig(txt_path+'SESION2_guia1_NEGA')
plt.show()
Nombre del Proceso:
CODIGO: LA-FM-007
plt.figure(10)
plt.imshow(img_log, cmap = 'gray')
plt.title('LOGARITMO')
plt.colorbar()
plt.axis('off')
plt.savefig(txt_path+'SESION2_guia1_LOG')
plt.show()
plt.figure(11)
plt.plot(perform_histogram(img_log))
plt.grid('on')
plt.savefig(txt_path+'SESION2_guia1_LOGH')
plt.show()
plt.figure(12)
plt.plot(perform_acummulate(perform_histogram(img_log)))
plt.grid('on')
plt.savefig(txt_path+'SESION2_guia1_LOGA')
plt.show()
Nombre del Proceso:
CODIGO: LA-FM-007
plt.figure(13)
plt.imshow(img_gam, cmap = 'gray')
plt.title('GAMMA')
plt.colorbar()
plt.axis('off')
plt.savefig(txt_path+'SESION2_guia1_GAM')
plt.show()
plt.figure(14)
plt.plot(perform_histogram(img_gam))
plt.grid('on')
plt.savefig(txt_path+'SESION2_guia1_GAMH')
plt.show()
plt.figure(15)
plt.plot(perform_acummulate(perform_histogram(img_gam)))
plt.grid('on')
plt.savefig(txt_path+'SESION2_guia1_GAMA')
plt.show()
Nombre del Proceso:
CODIGO: LA-FM-007
IMÁGENES RESULTADOS fgh

Nombre del Proceso:
CODIGO: LA-FM-007

Nombre del Proceso:
CODIGO: LA-FM-007

Nombre del Proceso:
CODIGO: LA-FM-007

Nombre del Proceso:
CODIGO: LA-FM-007

Nombre del Proceso:
CODIGO: LA-FM-007
* SEASON III
# guardar en google drive
txt_path ='drive/MyDrive/colab/'
import numpy as np
import cv2 as cv
def perform_normalize(data):
min_val=np.min(data);
max_val = np.max(data);
new_data = (data-min_val)/(max_val-min_val)
new_data = (np.around(255*new_data)).astype('uint8')
return new_data
#load dcm medical image
obj_dcm = dcm.dcmread (txt_path+'I2')
img=perform_normalize(obj_dcm.pixel_array)
Nombre del Proceso:
CODIGO: LA-FM-007
# negative_tranform
max_val = np.max(img)
# log_tranform
img_neg = max_val - img
img_log = (np.around(img_log)).astype('uint8')
# gamma_correction
gamma = 2.2
img_gam = (img/max_val)**gamma
#rotation
height, width = img.shape[:2]
center = (img.shape[1]//2+10, img.shape[1]//2-10)
angle = 45
scale = 1
rot_mat = cv.getRotationMatrix2D( center, angle, scale )
dst = cv.warpAffine(img,rot_mat,(height,width))
height1, width1 = img_neg.shape[:2]

Nombre del Proceso:
CODIGO: LA-FM-007
center1 = (img_neg.shape[1]//2+10, img_neg.shape[1]//2-10)
angle1 = 30
scale1 = 0.5
rot_mat1 = cv.getRotationMatrix2D( center1, angle1, scale1 )
dst1 = cv.warpAffine(img_neg,rot_mat1,(height1,width1))
height2, width2 = img_log.shape[:2]
center2 = (img_log.shape[1]//2+25, img_log.shape[1]//2-45)
angle2 = 180
scale2 = 0.8
dst2 = cv.warpAffine(img_log,rot_mat2,(height2,width2))
height3, width3 = img_gam.shape[:2]
center3 = (img_gam.shape[1]//2+5, img_gam.shape[1]//2-23)
angle3 = 130
scale3 = 1.3
dst3 = cv.warpAffine(img_gam,rot_mat3,(height3,width3))
Nombre del Proceso:
CODIGO: LA-FM-007
plt.imshow(dst,cmap = 'gray')
plt.title('Normal 45 grados')
plt.savefig(txt_path+'prueba1')
plt.show()
plt.imshow(dst1,cmap = 'gray')
plt.title('reducido negativa a 30°')
plt.show()
plt.title('reducido logaritmo 180° trasladada')
plt.show()
plt.title('aumentada gamma 130° trasladada')
plt.show()
Nombre del Proceso:
CODIGO: LA-FM-007
RESULTADOS
FIGURA2. IMAGEN NORMAL.
FIGURA3. IMAGEN REDUCIDA A LA MITAD

Nombre del Proceso:
CODIGO: LA-FM-007
FIGURA4. IMAGEN REDUCIDA EL TRIPLE.
FIGURA5. IMAGEN REDUCIDA EL CUÁDRUPLE.

Nombre del Proceso:
CODIGO: LA-FM-007
FIGURA6. IMAGEN AUMENTADA EL DOBLE.
FIGURA7. IMAGEN AUMENTADA EL TRIPLE.

Nombre del Proceso:
CODIGO: LA-FM-007
FIGURA8. IMAGEN AUMENTADA EL CUÁDRUPLE.
FIGURA9. IMAGEN ROTACIÓN 60°.

Nombre del Proceso:
CODIGO: LA-FM-007
FIGURA10. IMAGEN ROTADA 150° Y AUMENTADA EL DOBLE
FIGURA11. IMAGEN ROTACIÓN, TRASLACIÓN, REDUCCIÓN.

Nombre del Proceso:
CODIGO: LA-FM-007
FIGURA12. IMAGEN, ROTACIÓN. TRASLACIÓN, REDUCCIÓN.

Nombre del Proceso:
CODIGO: LA-FM-007

Nombre del Proceso:
CODIGO: LA-FM-007
Análisis e interpretación de resultados

IN THIS GUIDE WE EVIDENCE THAT THE PYTHON TOOL IS VERY COMPLEX
BECAUSE IT ALLOWS US TO UPLOAD IMAGES IN .DCM FORMAT, WHICH ALLOWS
US TO MAKE A SERIES OF ARRANGEMENTS, EITHER TO IMPROVE THEIR
SHARPNESS, CREATE NEW FILTERS OR SIMPLY ELIMINATE NOISES, THESE
PARTICULAR FUNCTIONS IN THE IMAGES THEY ALLOW US TO MAKE A GOOD
DIAGNOSIS SINCE THROUGH ARRANGEMENTS AND CODES WE CAN SEE
DIFFERENT PATHOLOGIES WITH GREATER CLARITY IN DIFFERENT IMAGE
SPECTRUM THE HISTOGRAM GRAPHICS.
Conclusiones
● TO BE ABLE TO DISPLAY AN IMAGE THAT IS OUTSIDE THE PARAMETERS, IT IS

NECESSARY TO PARAMETERIZE IT WITH THE 'UNIT8' FUNCTION, WHICH ALLOWS US
TO DISPLAY THE IMAGE AS WELL AS ITS HISTOGRAMS, OTHERWISE THIS TYPE OF
PARAMETERIZATION IS DONE, THE SAFEST IS THAT THE PLATFORM SHOWS US A
ERROR.
● IT IS NECESSARY TO TAKE INTO ACCOUNT THE SPACES AND THE CLOSURE OF THE
CYCLES BECAUSE IF THE PRIORITY OF THE FUNCTIONS IS NOT TAKEN INTO
ACCOUNT, AN ERROR CAN BE MADE AS WELL AS IN THE DEFINITION OF VARIABLES,
THEY NEED TO BE ON THE SAME CODE SPACE.
● YOU CAN MAKE FILTERS, NOISE REMOVAL, ROTATE, ENLARGE AND REDUCE AN
IMAGE USING THE APPROPRIATE CODE ALSO YOU CAN MANIPULATE ITS DIFFERENT
SPECTRUM.
Nombre del Proceso:
CODIGO: LA-FM-007
● Enumerate the different methods to modify the spatial resolution of an image, make a short explanation of
each method.
the method to rotate the image is 'cv.getRotationMatrix2D' which is made up of 3 variables in its
syntax; these are, center, angle and scale with this method we can change the values of the
different variables, but before this a parameterization must be done with the 'cv.warpAffine'
method which allows us to standardize the image in its height and width for better visualize the
change made to the image.

GUIA1 PDI Andres Parra - Laura Hernandez

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

GUIA1 PDI Andres Parra - Laura Hernandez

Cargado por

Copyright:

Formatos disponibles

MACROPROCESO RECURSOS E INFRAESTRUCTURA Y LABORATORIOS

Nombre del Proceso:

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

INFORME LABORATORIO DE HERRAMIENTAS MATEMÁTICAS BÁSICAS UTILIZADAS EN

from google.colab import drive

!pip install pydicom

import pydicom as dcm

import matplotlib.pyplot as plt

import matplotlib.image as image

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

#user defined functions

img_log = np.log(1 + img)

img_neg = max_val - img

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

fig, ax = plt.subplots (2,2)

ax[0,0].imshow(img, cmap = 'gray')

ax[0,1].imshow(img_neg, cmap = 'gray')

ax[1,1].imshow(img_gam, cmap = 'gray')

ax[1,0].imshow(img_log, cmap = 'gray')

FIGURA1. imagen sesión 1 guia 1

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

!pip install pydicom

import pydicom as dcm

import matplotlib.pyplot as plt

import matplotlib.image as image

img_nrm = 255*((img-min_val)/(max_val - min_val))

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

img_neg = max_val - img_nrm

img_log = np.log(1 + img)

H = np.zeros(256, dtype = int)

for k in range (256):

temp = (img_vec == k).astype('int')

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

temp = temp + H[k]

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

plt.imshow(img_nrm, cmap = 'gray')

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

plt.imshow(img_equ, cmap = 'gray')

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

plt.imshow(img_neg, cmap = 'gray')

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

plt.imshow(img_log, cmap = 'gray')

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

plt.imshow(img_gam, cmap = 'gray')

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

IMÁGENES RESULTADOS fgh

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

from google.colab import drive

!pip install pydicom

import pydicom as dcm

import matplotlib.pyplot as plt

import matplotlib.image as image

#load dcm medical image

obj_dcm = dcm.dcmread (txt_path+'I2')

FORMATO PRÁCTICAS DE LABORATORIOS FECHA: 16/noviembre/2021

img_log = np.log(1 + img)

img_neg = max_val - img

height, width = img.shape[:2]

center = (img.shape[1]//2+10, img.shape[1]//2-10)

rot_mat = cv.getRotationMatrix2D( center, angle, scale )