Initial commit with project files

1_Grundlagen/ü3/README.md

@@ -0,0 +1,36 @@
+# Übung 3: Diskretisierung und Quantisierung
+
+In dieser Übung wird die Quantisierung und Diskretisierung von Bildern betrachtet. In den folgenden Abbildungen sind beide
+Methoden visualisiert.
+
+Quantisierung | Diskretisierung
+:---:|:---
+![](https://upload.wikimedia.org/wikipedia/commons/thumb/7/70/Quantized.signal.svg/2880px-Quantized.signal.svg.png) | ![](https://upload.wikimedia.org/wikipedia/commons/thumb/1/15/Zeroorderhold.signal.svg/2880px-Zeroorderhold.signal.svg.png)
+[Link zum Bild](https://upload.wikimedia.org/wikipedia/commons/thumb/7/70/Quantized.signal.svg/2880px-Quantized.signal.svg.png) | [Link zum Bild](https://upload.wikimedia.org/wikipedia/commons/thumb/1/15/Zeroorderhold.signal.svg/2880px-Zeroorderhold.signal.svg.png)
+
+
+## Aufgabe a) Diskretisierung
+In der Datei [a.py](a.py) wird ein Bild geladen. Das Bild hat die Größe 1526 x 1600 (Breite x Höhe).
+
+Diskretisieren Sie das Bild mit dem Faktor *k* **ohne** und **mit** Verwendung der Funktion `cv2.resize()`. Dabei kann 
+*k* die Werte 4, 8, und 13.5 annehmen. Zeigen Sie die Bilder für den direkten Vergleich an! Achten Sie dabei darauf,
+dass die Bilder in der gleichen Größe dargestellt werden.
+
+
+## Aufgabe b) Quantisierung
+In der Datei [b.py](b.py) wird ein Bild geladen. Das Bild ist im BGR-Farbraum repräsentiert und hat eine 8-Bit Quantisierung 
+(Wertebereich {0, ..., 255}. 
+
+Führen Sie folgende Schritte durch:
+ 1. Quantisieren Sie das Bild in den Wertebereich {0, ..., 127}
+ 2. Quantisieren Sie das Bild aus Schritt 1 in den Wertebereich {0, ..., 3}
+ 3. Quantisieren Sie das Bild aus Schritt 2 zurück in den Wertebereich {0, ..., 255}
+
+Zeigen Sie die Bilder aus allen Schritten für den direkten Vergleich an:
+ 
+ - Wie bewerten Sie die Qualität der Bilder?
+ - Was fällt auf?
+
+
+
+

1_Grundlagen/ü3/a.py

@@ -0,0 +1,22 @@
+import numpy as np
+import cv2
+
+# Hiermit kann die Methode für die Berechnung ausgewählt werden
+METHOD = "MANUELL"  # OpenCV
+
+# Einlesen des Bildes
+filepath = "../../data/flower.jpeg"
+img = cv2.imread(filepath)
+
+h, w, c = img.shape
+print("Originale Breite:", w)
+print("Originale Höhe:", h)
+
+scales = [4, 8, 13.5]
+images = []
+
+# todo Methode MANUELL implementieren und 'images' mit diskretisierten Bildern füllen
+
+# todo Methode OpenCV implementieren und 'images' mit diskretisierten Bildern füllen
+
+# todo Bilder darstellen

1_Grundlagen/ü3/b.py

@@ -0,0 +1,13 @@
+import numpy as np
+import cv2
+
+# Hiermit kann die Methode für die Berechnung ausgewählt werden
+METHOD = "MANUELL"  # OpenCV
+
+# Einlesen des Bildes
+filepath = "../../data/lena.png"
+img = cv2.imread(filepath)
+
+h, w, c = img.shape
+
+# todo Schritte 1-3 implementieren!

1_Grundlagen/ü3/l_a.py

@@ -0,0 +1,46 @@
+import numpy as np
+import cv2
+
+# Hiermit kann die Methode für die Berechnung ausgewählt werden
+METHOD = "MANUELL"  # OpenCV, MANUELL
+
+# Einlesen des Bildes
+filepath = "../../data/flower.jpeg"
+img = cv2.imread(filepath)
+
+h, w, c = img.shape
+print("Originale Breite:", w)
+print("Originale Höhe:", h)
+
+scales = [4, 8, 13.5]
+images = []
+
+for scale in scales:
+    new_w, new_h = round(w / scale), round(h / scale)
+
+    if METHOD == "OpenCV":
+        new_image = cv2.resize(img, (new_w, new_h))
+        # Frage 1: Welche Interpolations-Methode wird hier verwendet?
+
+    elif METHOD == "MANUELL":
+        new_image = np.zeros((new_h, new_w, c), dtype=np.uint8)
+        for x in range(new_w):
+            for y in range(new_h):
+                x_projected, y_projected = min(w - 1, round(x * scale)), min(h - 1, round(y * scale))
+                new_image[y, x] = img[y_projected, x_projected]
+                # Frage 1: Welche Interpolations-Methode wird hier verwendet?
+                # Frage 2: Welches Mapping wird hier verwendet (For- oder Backwardmapping)?
+
+    else:
+        raise Exception("Da ist wohl ein Fehler unterlaufen!")
+
+    images.append(new_image)
+
+# Bilder darstellen
+show_w, show_h = 1200, 1200
+img = cv2.resize(img, (show_w, show_h))
+cv2.imshow("Original", img)
+for scale, image in zip(scales, images):
+    image = cv2.resize(image, (show_w, show_h))
+    cv2.imshow("Scale %s" % scale, image)
+cv2.waitKey(0)

1_Grundlagen/ü3/l_b.py

@@ -0,0 +1,36 @@
+import numpy as np
+import cv2
+
+# Einlesen des Bildes
+filepath = "../../data/lena.png"
+img = cv2.imread(filepath)
+
+'''
+Anwendung der Schritte:
+    0. Für die Berechnung werden die Bilder in das kontinuierliche np.float64 konvertiert. 
+    1. In Wertebereich {0, ..., 127}
+    2. In Wertebereich {0, ..., 3}
+    3. In Wertebereich {0, ..., 255}
+'''
+
+img_step0 = img.astype(np.float64)
+img_step1 = np.round(127 * np.copy(img_step0) / 255)
+img_step2 = np.round(3 * np.copy(img_step1) / 127)
+img_step3 = np.round(255 * np.copy(img_step2) / 3)
+
+'''
+Für die Darstellung von np.float64 Bildern wird der Wertebereich von {0,  ..., n_max} in [0, 1] projeziert.
+Dabei entspricht der Wert 1 dem ehemaligen Maximum n_max.
+'''
+
+img_step0 = img_step0 / 255
+img_step1 = img_step1 / 127
+img_step2 = img_step2 / 3
+img_step3 = img_step3 / 255
+
+cv2.imshow("Schritt 0", img_step0)
+cv2.imshow("Schritt 1", img_step1)
+cv2.imshow("Schritt 2", img_step2)
+cv2.imshow("Schritt 3", img_step3)
+
+cv2.waitKey(0)