123

conditions/sem02/lesson03/tasks.md

@@ -21,7 +21,7 @@ def sum_arrays_naive(
     ]
 ```
 
-Допишите код векторизованной функции в файле [task1](../solutions/sem02/lesson03/task1.py).
+Допишите код векторизованной функции в файле [task1](../../../solutions/sem02/lesson03/task1.py).
 
 **Входные данные:**  
 - `lhs` - одномерный массив чисел с плавающей точкой;
@@ -42,7 +42,7 @@ def sum_arrays_naive(
 def compute_poly_naive(abscissa: list[float]) -> list[float]:
     return [3 * (x ** 2) + 2 * x + 1 for x in abscissa]
 ```
-Допишите код векторизованной функции в файле [task1](../solutions/sem02/lesson03/task1.py).
+Допишите код векторизованной функции в файле [task1](../../../solutions/sem02/lesson03/task1.py).
 
 **Входные данные:**  
 - `abscissa` - одномерный массив чисел с плавающей точкой - область определения для вычисления полинома;
@@ -54,7 +54,7 @@ def compute_poly_naive(abscissa: list[float]) -> list[float]:
 
 Векторизуйте код функции `get_mutual_l2_distances_naive`.
 
-Допишите код векторизованной функции в файле [task1](../solutions/sem02/lesson03/task1.py).
+Допишите код векторизованной функции в файле [task1](../../../solutions/sem02/lesson03/task1.py).
 
 **Python функция**:
 ```python
@@ -92,7 +92,7 @@ def get_mutual_l2_distances_naive(
 
 ### Перевод из декартовых координат в сферические
 
-Допишите код функции `convert_from_sphere` в файле [task2](../solutions/sem02/lesson03/task2.py).
+Допишите код функции `convert_from_sphere` в файле [task2](../../../solutions/sem02/lesson03/task2.py).
 
 **Входные данные**:
 - `abscissa` - np.ndarray, абсциссы точек;
@@ -112,7 +112,7 @@ def get_mutual_l2_distances_naive(
 
 ### Перевод из сферических координат в декартовы
 
-Допишите код функции `convert_to_sphere` в файле [task2](../solutions/sem02/lesson03/task2.py).
+Допишите код функции `convert_to_sphere` в файле [task2](../../../solutions/sem02/lesson03/task2.py).
 
 **Входные данные**:
 - `distances` - np.ndarray, массив расстояний;
@@ -129,7 +129,7 @@ def get_mutual_l2_distances_naive(
 
 На вход подается одномерный массив чисел с плавающей точкой - значения некоторой функции на определенном отрезке. Ваша задача - вычислить индексы элементов, соответствующие точкам экстремума данной функции.
 
-Допишите код в файле [task3](../solutions/sem02/lesson03/task3.py).
+Допишите код в файле [task3](../../../solutions/sem02/lesson03/task3.py).
 
 **Входные данные**:
 - `ordinates` - np.ndarray числе с плавающей точкой, значения некоторой функции на определенном отрезке;

conditions/sem02/lesson04/tasks.md

@@ -0,0 +1,79 @@
+## Задача 1. Нечеткий парень
+
+В этом задании перед вами стоит задача реализовать фильтр размытия, аналогичный фильтрам размытия из различных редакторов фото. Но прежде чем переходить к реализации самого фильтра размытия, необходимо выполнить подготовительные шаги.
+
+### Часть 1. Паддингтон
+
+Слово паддинг (англ. *padding*) буквально можно перевести, как отступ. В контексте текущей задачи паддингом мы будем называть рамку вокруг изображения, шириной в заданное число пикселей, заполненную нулями. На картинке ниже приведен пример добавления паддинга шириной в 1 пиксель к входному изображению.
+
+![padding](./images/padding.jpg)
+
+Ваша задача - реализовать функцию добавления паддинга.
+
+Допишите код функции `pad_image` в файле [task1](../../../solutions/sem02/lesson04/task1.py).
+
+**Входные данные**:
+- `image` - двумерный или трехмерный массив - черно-белое или RGB изображение. Элементы массива - восьмибитные целые беззнаковые числа.
+- `pad_size` - натуральное число, ширина паддинга.
+
+**Выходные данные**:
+- Исходное изображение с добавленным паддингом. Т.е. `image`, заключенное в рамку из 0 шириной в `pad_size` пикселей.
+
+*Сторонние эффекты*:
+- Если значение `pad_size` меньше единицы, необходимо возбудить исключение `ValueError`.
+
+**ВАЖНО**: в это задании запрещено использовать функцию `np.pad`. Решения с использованием `np.pad` будут оценены в 0 баллов!
+
+### Часть 2. Размытие
+
+Теперь мы готовы реализовывать фильтр размытия. Размытие изображения работает достаточно просто:
+
+- Сначала задается размер окна размытия - $l_w$, которое можно интерпретировать, как степень размытия. Чем больше окно размытия, тем сильнее результирующая картинка будет размыта. Обычно в качестве размеров окна размытия используются нечетные целые числа.
+- Следующий шаг - это применение паддинга к входному изображению размеров $N \times M$, причем ширина паддинга соответствует следующему выражению: $\lfloor\frac{l_w}{2}\rfloor$.  
+- Затем, по всему изображению с паддингом запускается обход скользящим окном размеров $l_w \times l_w$, причем центр окна всегда находится в пикселях, соответствующих пикселям исходного изображения. Т.е. центр окна размытия проходит пиксели из области $[l_w, l_w + N] \times [l_w, l_w + M]$
+- В каждом положении окна размытия вычисляется среднее значений пикселей, попавших в окно. Результат записывается в новый массив, тех же размеров, что и исходное изображение.
+
+![blur](./images/conv.png)
+
+Ваша задача - реализовать функцию для размытия изображений.
+
+Допишите код функции `blur_image` в файле [task1](../../../solutions/sem02/lesson04/task1.py).
+
+**Входные данные**:
+- `image` - двумерный или трехмерный массив - черно-белое или RGB изображение. Элементы массива - восьмибитные целые беззнаковые числа.
+- `kernel_size` - натуральное нечетное число, размер окна размытия.
+
+**Выходные данные**:
+- Размытое изображение.
+
+*Сторонние эффекты*:
+- Если `kernel_size` четное число или `kernel_size` меньше 1, необходимо возбудить исключение `ValueError`.
+
+Ожидаемый результат:
+
+![cirlce](./images/compare.png)
+
+## Задача 2. Не вижу разницы
+
+Представим, что вы занимаетесь разработкой некоторого алгоритма дорисовки черно-белых изображений. Для дорисовки используется некоторая модель машинного обучения. Вызов модели занимает продолжительное время, и в некоторых случаях этот вызов не оправдан. Например, дорисовка с помощью модели машинного обучения не оправдана, когда изображение является однотонным (очень много больших областей одного и того же цвета). В этом случае можно было бы использовать цвет однотонных областей для дорисовки требуемых частей изображения.
+
+Для реализации такого подхода необходимо разработать алгоритм, который позволял бы определить самый распространенный цвет на изображении. Однако есть нюанс. Некоторые цвета черно-белого изображения плохо различимы человеком, и их необходимо рассматривать как один и тот же цвет. Определить плохо различимые цвета можно с помощью критерия `|image[i][j] - image[k][l]| < treshold`. Т.е. если значение разности яркости двух пикселей не превышает заранее заданного порога, то эти пиксели считаются пикселями одного цвета.
+
+Необходимо реализовать функцию для определения самого распространенного цвета черно-белого изображения с учетом оговоренных особенностей восприятия цвета. Также необходимо рассчитать процент пикселей изображения, окрашенных в самый распространенный цвет, чтобы понимать, возможна ли тривиальная дорисовка или нет.
+
+Допишите код функции pad_image в файле [task2](../../../solutions/sem02/lesson04/task2.py).
+
+**Входные данные**:
+- `image` - двумерный массив - черно-белое изображение. Элементы массива - восьмибитные целые беззнаковые числа.
+- `threshold` - натуральное число, порог для выявления неразличимых цветов.
+
+**Выходные данные**:
+- Кортеж. Первый элемент кортежа - восьмибитное целое беззнаковое число, самый распространенный цвет. Второй элемент кортежа - процент пикселей изображения, окрашенных в самый распространенный цвет.
+
+*Сторонние эффекты*:
+- Если значение `threshold` меньше единицы, необходимо возбудить исключение `ValueError`.
+
+
+
+
+

solutions/sem02/lesson04/requirements.txt

@@ -0,0 +1,3 @@
+matplotlib==3.8.0
+numpy==1.26.1
+opencv-python-headless==4.9.0.80

solutions/sem02/lesson04/task1.py

@@ -0,0 +1,27 @@
+import numpy as np
+
+
+def pad_image(image: np.ndarray, pad_size: int) -> np.ndarray:
+    # ваш код
+    return image
+
+
+def blur_image(
+    image: np.ndarray,
+    kernel_size: int,
+) -> np.ndarray:
+    # ваш код
+    return image
+
+
+if __name__ == "__main__":
+    import os
+    from pathlib import Path
+
+    from utils.utils import compare_images, get_image
+
+    current_directory = Path(__file__).resolve().parent
+    image = get_image(os.path.join(current_directory, "images", "circle.jpg"))
+    image_blured = blur_image(image, kernel_size=21)
+
+    compare_images(image, image_blured)

solutions/sem02/lesson04/task2.py

@@ -0,0 +1,10 @@
+import numpy as np
+
+
+def get_dominant_color_info(
+    image: np.ndarray[np.uint8],
+    threshold: int = 5,
+) -> tuple[np.uint8, float]:
+    # ваш код
+
+    return 0, 0

solutions/sem02/lesson04/utils/utils.py

@@ -0,0 +1,22 @@
+import cv2 as cv
+import matplotlib.pyplot as plt
+import numpy as np
+
+
+def get_image(path_to_image: str) -> np.ndarray:
+    image = cv.imread(path_to_image)
+    return cv.cvtColor(image, code=cv.COLOR_BGR2RGB)
+
+
+def compare_images(image1: np.ndarray, image2: np.ndarray) -> None:
+    _, (axis1, axis2) = plt.subplots(1, 2, figsize=(16, 8))
+    axis1: plt.Axes = axis1
+    axis2: plt.Axes = axis2
+
+    axis1.imshow(image1)
+    axis2.imshow(image2)
+
+    axis1.axis("off")
+    axis2.axis("off")
+
+    plt.show()