Nano Hash - криптовалюты, майнинг, программирование

Дизеринг в JES/Jython

Моя цель — сгладить изображение в JES/Jython, используя метод Флойда-Стейнберга. Вот что у меня есть до сих пор:

def Dither_RGB (Canvas):
    for Y in range(getHeight(Canvas)):
        for X in range(getWidth(Canvas)):
            P     = getColor(Canvas,X,Y)
            E     = getColor(Canvas,X+1,Y)
            SW    = getColor(Canvas,X-1,Y+1)
            S     = getColor(Canvas,X,Y+1)
            SE    = getColor(Canvas,X+1,Y+1)
        return

Цель приведенного выше кода — просмотреть пиксели изображения и обработать соседние пиксели, необходимые для Флойда-Стейнберга.

У меня возникли проблемы с пониманием того, как вычислить и распределить различия в R, G, B между старым пикселем и новым пикселем.

Все, что может указать мне в правильном направлении, будет очень признательно.

python jes jython dithering
31.10.2013

Ответы:


1

Я ничего не знаю о методе, который вы пытаетесь реализовать, но в остальном: если предположить, что Canvas имеет тип Picture, вы не можете напрямую получить цвет таким образом. Цвет пикселя можно получить из переменной типа Pixel:

Пример. Ниже описана процедура получения цвета каждого пикселя из изображения и присвоения им точно такой же позиции в новом изображении:

def copy(old_picture):
  # Create a picture to be returned, of the exact same size than the source one
  new_picture = makeEmptyPicture(old_picture.getWidth(), old_picture.getHeight())

  # Process copy pixel by pixel
  for x in xrange(old_picture.getWidth()):
    for y in xrange(old_picture.getHeight()):
      # Get the source pixel at (x,y)
      old_pixel = getPixel(old_picture, x, y)
      # Get the pixel at (x,y) from the resulting new picture
      # which remains blank until you assign it a color
      new_pixel = getPixel(new_picture, x, y)
      # Grab the color of the previously selected source pixel
      # and assign it to the resulting new picture
      setColor(new_pixel, getColor(old_pixel))

  return new_picture

file = pickAFile()
old_pic = makePicture(file)
new_pic = copy(old_pic)

Примечание. Приведенный выше пример применим только в том случае, если вы хотите работать с новым изображением, не изменяя старое. Если ваш алгоритм требует изменения старого изображения на лету во время выполнения алгоритма, последний setColor будет применен непосредственно к исходному пикселю (нет необходимости ни в новом изображении, ни в операторе return).

Начиная с этого момента, вы можете вычислять все, что хотите, манипулируя значениями RGB пикселя (используя функции setRed(), setGreen() и setBlue(), применяемые к Pixel, или col = makeColor(red_val, green_val, blue_val) и применяя возвращенный цвет к пикселю, используя setColor(a_pixel, col) ).

Пример манипуляций с RGB здесь.

Некоторые другие здесь и особенно здесь.

02.11.2013
  • Обратите внимание, что можно получить некоторые очень полезные ресурсы/примеры JES, указав тег [jes] (с квадратными скобками) в поисковой системе stackoverflow... 03.11.2013
    • Новые материалы
    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..