SERVICIO NACIONAL DE ADIESTRAMIENTO EN TRABAJO INDUSTRIAL

FORMACIÓN PROFESIONAL

CURSO DE PRÁCTICA INTENSIVA

CUADERNO DE INFORMES

1
 DIRECCIÓN ZONAL

___________________________
_

FORMACIÓN PROFESIONAL

CFP/UCP/ESCUELA: __________________________________________________

ESTUDIANTE: CRISTIAN RODRIGUEZ RICOPA

ID: 1289720

BLOQUE:

CARRERA: INGENIERIA DE SOFWARE CON INTELIGENCIA

ARTIFICIAL

INSTRUCTOR: CHRISTIAN ALFREDO AREVALO JESUS

SEMESTRE: V

FECHA: DEL: 13 DE MARZO AL: 8 DE JULIO DEL 2023

2
 INSTRUCCIONES PARA EL USO DEL
CUADERNO DE INFORMES

1. PRESENTACIÓN.

El Cuaderno de Informes es un documento de auto control, en el cual el

estudiante, registra diariamente, durante la semana, las tareas, operaciones que
ejecuta en su aprendizaje, es un medio para desarrollar la Competencia de
Redactar Informes.

2. INSTRUCCIONES PARA EL USO DEL CUADERNO DE INFORMES.

2.1 En la hoja de informe semanal, el estudiante registrará diariamente los

trabajos que ejecuta, indicando el tiempo correspondiente. El día de asistencia
registrará los contenidos que desarrolla. Al término de la semana totalizará las
horas.
De las tareas ejecutadas durante la semana, el ESTUDIANTE seleccionará la
tarea más significativa (1) y él hará una descripción del proceso de ejecución
con esquemas, diagramas y dibujos correspondientes que aclaren dicho
proceso.
2.2 Semanalmente, el Instructor revisará y calificará el Cuaderno de Informes
haciendo las observaciones y recomendaciones que considere convenientes,
en los aspectos relacionados a la elaboración de un Informe Técnico (letra
normalizada, dibujo técnico, descripción de la tarea y su procedimiento,
normas técnicas, seguridad, etc.
2.3 Escala de calificación vigesimal:

CUANTITATIVA CUALITATIVA CONDICIÓN

16,8 – 20,0 Excelente
13,7 – 16,7 Bueno Aprobado
10,5 – 13,6 Aceptable
00 – 10,4 Deficiente Desaprobado

3
 INFORME SEMANAL

..............SEMESTRE SEMANA N°

DÍA TAREAS EFECTUADAS HORAS

LUNES
CLASE EN SENATI 06

MARTES PROCESAMIENTO DE IMÁGENES EN PYTHON

06

MIÉRCOLES PROCESAR IMAGEN DE LARVAS

06

JUEVES CODIFICACION NUMERICA DE LARVAS 06

VIERNES
IMPRIMIR EN 3D RECIPIENTE DE LARVAS 06

SÁBADO
CLASE EN SENATI (CREACIONES APP ANDROI) 06

TOTAL
36

4
 Imágenes digitales
Podemos definir una imagen como una función bidimensional f son
las coordenadas espaciales, y el valor de f en cualquier x es
la intensidad de la imagen en dicho punto.

Desde este punto de vista, una imagen puede considerarse como una función
continua definida sobre un conjunto continuo (imagen analógica) o como una
función discreta definida sobre un dominio discreto (imagen digital). Ambos
puntos de vista resultan útiles en el procesamiento de imágenes.

Convertir una imagen analógica a digital requiere que tanto las coordenadas
como la intensidad sean digitalizadas. Digitalizar las coordenadas se
llama muestrear, mientras que digitalizar la intensidad se
denomina cuantizar. Entonces, cuando todas las cantidades son discretas,
llamamos a la imagen una imagen digital.

El camino opuesto, de digital a analógico, es también posible y se

denomina interpolación.

Coordenadas
El resultado de muestrear y cuantizar es una matriz de números. El tamaño de
la imagen es el número de filas por el número de columnas, . La indexación de
la imagen en Python sigue la convención habitual

Módulos de Python
Para instalar OpenCV en Anaconda python, ejecutar en el terminal

$ conda install -c conda-forge opencv

Y lo importamos junto con los otros módulos

import cv2 as cv # open vision library OpenCV
import numpy as np # funciones numéricas (arrays,
matrices, etc.)
import matplotlib.pyplot as plt # funciones para representación
gráfica
Inicio

Lectura, visualización y escritura de imágenes con el

módulo Image
Python soporta los formatos de imagen más habituales. Cargemos la
image lena.jpg La sintaxis de lectura es
a1 = cv.imread('lena.jpg')
Ha leído la imagen como BGR. Para funcionar con pyplot la necesitamos RGB.
La convertimos de BGR a RGB
a2 = cv.cvtColor(a1, cv.COLOR_BGR2RGB)
El tipo de dato habitual para una imagen es uint8, es decir, un entero sin
28=25628=256 valores que se
signo representado en 8 bits. Esto nos da
distribuyen en el rango de [0,255][0,255] para cada pixel.
5
print(type(a2))
<class 'numpy.ndarray'>
La variable a2 es un array numpy.
print(a2.shape)
(512, 512, 3)
Tiene 512 filas, 512 columnas y 3 capas.
dt = np.dtype(a2[0,0,0])
print(dt.name)
uint8
Y sus elementos son enteros sin signo de 8 bits.
Para ver la imagen
plt.figure()
plt.imshow(a2)
plt.show()

Podemos convertirla a otro formato, en este caso a una imagen de escala de

grises, que son con las que trabajaremos en este curso:
a3 = cv.imread('lena.jpg',cv.IMREAD_GRAYSCALE)
plt.figure()
plt.imshow(a3, cmap='gray')
plt.show()

6
Para guardar la imagen en disco
image = cv.imwrite('lena_gris.tif', a3)
Inicio

Tipos de imágenes y conversiones

Existen tres tipos principales de imágenes:

• La imagen de intensidad es una matriz de datos cuyos valores han

sido escalados para que representen intensidades de una escala de
grises. Los elementos de una imagen de intensidad son de clase uint8
(enteros almacenados en 8 bits) o de clase uint16 (enteros almacenados
en 16 bits) y pueden almacenar,
respectivamente, 28=25628=256 valores en el
rango [0,255][0,255], o 216=65536216=65536 valores en el
rango [0,65535][0,65535]. Cuando la imagen es de clase float32, los
valores son números en punto flotante (que se almacenan en 32 bits).
En este último caso, los valores suelen tomarse en el rango [0,1][0,1] o
en el rango [0,255][0,255], indistintamente.
• La imagen binaria es una imagen en blanco y negro. Cada pixel tiene
asignado un valor lógico de 0 ó 1.
• La imagen en color es como la imagen de intensidad pero tiene tres
canales, es decir, a cada pixel le corresponden tres valores de intensidad
(RGB) en lugar de uno.

Cuando realizamos transformaciones matemáticas de imágenes, normalmente

necesitamos que la imagen sea de tipo float. Pero cuando la leemos y
almacenamos ahorramos espacio usando codificación entera sin signo.
Podemos usar las órdenes siguientes:
a4 = a3.astype(np.float32)
convierte una matrix uint8 en una matriz de tipo float32.

7
a5 = a4.astype(np.uint8)
image = cv.imwrite('lena_gris.tif', a5)
Primero convierte la matriz a4 de float32 a uint8, y luego la guarda en el
disco.
Una vez que tenemos definida la imagen como una matriz con
elementos float32, podemos comenzar a trabajar con ella.

Ejemplo

Vamos a

• seleccionar una parte de la imagen, mediante la restricción de los índices

de la misma,
• crear un plot,
• guardar el resultado.

Comenzamos seleccinando una parte de la imagen:

a = np.copy(a4)
ojo_de_Lena = a[251:283,317:349]
Seguimos con la creación de los plots
plt.figure()

plt.subplot(121)
plt.imshow(a,cmap='gray',interpolation='nearest')
plt.title('Lena'),plt.axis('off')

plt.subplot(122)
plt.imshow(ojo_de_Lena,cmap='gray',interpolation='nearest')
plt.title('El ojo derecho de Lena'),plt.axis('off')

plt.show()

Y terminamos guardando la imagen

ojo_de_Lena = ojo_de_Lena.astype(np.uint8)
image = cv.imwrite('OjoLena.jpg', ojo_de_Lena)

8
 Ejercicios

Ejercicio 1
Escribir una función con
• Entrada: una imagen de cualquier tipo y el rango para los
píxeles (x,y)(�,�) a extraer.
• Salida: una matriz de datos float32 correspondiente a los índices
indicados de la imagen original y una figura de ella.

Aplicar la función para extraer la cabeza del cameraman de la

imagen cameraman.tif.
%run Ejercicio1.py

Ejercicio 2
Las máscaras son filtros geométricos de una imagen. Por ejemplo, si queremos
seleccionar una región de una imagen, podemos hacerlo multiplicando la matriz
de la imagen original por una matriz de igual tamaño que contenga unos en la
región que queremos conservar y ceros en el resto. En este ejercicio
seleccionaremos una región circular de la imagen lena_gray_512.tif de radio
150. Seguir los pasos siguientes:

• Leer la imagen y convertirla a float.

• Crear una matriz de la misma dimensión rellena de ceros.
• Modificar esta matriz de forma que contenga unos en un círculo de
radio 150150, es decir,
si(i−cy)2+(j−cx)2<1502(�−��)2+(�−��)2<1502,
con (cx,cy)(��,��) como centro (píxel arriba, píxel abajo) de la
imagen.
• Multiplicar la imagen por la máscara.
• Mostrar el resultado.

9
Cuando se multiplica por cero, se convierten a negro los píxeles de fuera del
círculo. Modifica el programa para hacer visible esos píxeles con la mitad de su
intensidad.
%run Ejercicio2.py

Ejercicio 3
El degradado lineal es un efecto en el que se oscurece una imagen desde una
parte de la misma hasta la parte opuesta alterando la intensidad original de un
modo proporcional. Por ejemplo, en la degradación vertical, podemos
implementar este filtro mediante una máscara que sea constante por columnas
pero tome un valor decreciente por filas, desde 1 en la primera fila a cero en la
última.

Construir dicha matriz y crear el degradado de la imagen de Lena. Visualizar la

imagen original y la filtrada.

Nota: un modo de resolverlo es usando bucles y condicionales. Pero vectorizar

ahorra tiempo de ejecución: con el comando numpy.linspace puede definirse
la degradación, y mediante numpy.tile puede construirse, repitiendo el vector
obtenido con numpy.linspace, la matriz máscara.
%run Ejercicio3.py

10
Ejercicio 4
Construir, como array numpy, la imagen de un tablero de ajedrez, donde cada
casilla tiene un tamaño de 250×250250×250 pixels. Mostrar el resultado en
el terminal iPython. Se puede usar la orden numpy.tile.
%run Ejercicio4.py

Ejercicio 5
Construir, como array numpy, la imagen de círculos concéntricos mostrada
debajo. La imagen tiene un tamaño de 500×500500×500 pixels. Cada
circunferencia tiene una anchura aproximada de 44 ó 55 pixels. Mostrar el
resultado en el terminal iPython.
%run Ejercicio5.py

11
Ejercicio 6
Construir, como array numpy, la imagen de la servilleta mostrada debajo. Cada
casilla tiene un tamaño de 10×1010×10 pixels. Mostrar el resultado en el
terminal iPython. Se puede usar la orden numpy.tile.
%run Ejercicio6.py

Ejercicio 7

12
Construir, como array numpy, la imagen mostrada debajo. La imagen tiene un
tamaño de 500×500500×500 pixels. Cada círculo tiene un radio
de 1010 pixels y los centros de los círculos están separados 5050 píxeles.
Mostrar el resultado en el terminal iPython.
%run Ejercicio7.py

13
 EVALUACIÓN DEL INFORME DE TRABAJO SEMANAL
NOTA

OBSERVACIONES Y RECOMENDACIONES
DEL INSTRUCTOR:

FIRMA DEL ESTUDIANTE: FIRMA DEL INSTRUCTOR:

PROPIEDAD INTELECTUAL DEL SENATI. PROHIBIDA SU

REPRODUCCIÓN Y VENTA SIN LA AUTORIZACIÓN
CORRESPONDIENTE

14
15