Python
Für die Codierung sind Numpy , SciPy und Scikit-Image erforderlich .
Für die Dekodierung ist nur PIL erforderlich .
Dies ist eine Methode, die auf Superpixel-Interpolation basiert. Zu Beginn wird jedes Bild in 70 Bereiche mit ähnlicher Größe und ähnlicher Farbe unterteilt. Beispielsweise ist das Landschaftsbild folgendermaßen unterteilt:
Der Schwerpunkt jeder Region befindet sich (zum nächsten Rasterpunkt in einem Raster mit nicht mehr als 402 Punkten) sowie die durchschnittliche Farbe (aus einer 216-Farben-Palette), und jede dieser Regionen ist als Zahl von 0 codiert bis 86832 , in der Lage, in 2,5 druckbaren ASCII-Zeichen gespeichert zu werden (tatsächlich 2,497 , so dass gerade genug Platz für die Codierung eines Graustufenbits bleibt ).
Wenn Sie aufmerksam sind, haben Sie vielleicht bemerkt, dass 140 / 2,5 = 56 Regionen und nicht 70, wie ich zuvor angegeben habe. Beachten Sie jedoch, dass jede dieser Regionen ein eindeutiges, vergleichbares Objekt ist, das in beliebiger Reihenfolge aufgeführt werden kann. Aus diesem Grund können wir die Permutation der ersten 56 Regionen verwenden, um für die anderen 14 zu codieren , und wir können auch ein paar Bits übrig haben, um das Seitenverhältnis zu speichern.
Insbesondere wird jede der zusätzlichen 14 Regionen in eine Zahl umgewandelt und dann jede dieser Zahlen miteinander verkettet (der aktuelle Wert wird mit 86832 multipliziert und die nächste addiert). Diese (gigantische) Zahl wird dann in eine Permutation für 56 Objekte umgewandelt.
Zum Beispiel:
from my_geom import *
# this can be any value from 0 to 56!, and it will map unambiguously to a permutation
num = 595132299344106583056657556772129922314933943196204990085065194829854239
perm = num2perm(num, 56)
print perm
print perm2num(perm)
wird ausgeben:
[0, 3, 33, 13, 26, 22, 54, 12, 53, 47, 8, 39, 19, 51, 18, 27, 1, 41, 50, 20, 5, 29, 46, 9, 42, 23, 4, 37, 21, 49, 2, 6, 55, 52, 36, 7, 43, 11, 30, 10, 34, 44, 24, 45, 32, 28, 17, 35, 15, 25, 48, 40, 38, 31, 16, 14]
595132299344106583056657556772129922314933943196204990085065194829854239
Die resultierende Permutation wird dann auf die ursprünglichen 56 Regionen angewendet . Die ursprüngliche Nummer (und damit die zusätzlichen 14 Regionen) kann ebenfalls extrahiert werden, indem die Permutation der 56 codierten Regionen in ihre numerische Darstellung umgewandelt wird.
Wenn die --greyscaleOption mit dem Encoder verwendet wird, werden stattdessen 94 Regionen (getrennt 70 , 24 ) mit 558 Rasterpunkten und 16 Graustufen verwendet.
Bei der Dekodierung wird jede dieser Regionen als 3D-Kegel behandelt, der sich von oben betrachtet bis ins Unendliche erstreckt und dessen Scheitelpunkt sich im Schwerpunkt der Region befindet (auch als Voronoi-Diagramm bezeichnet). Die Ränder werden dann zusammengemischt, um das Endprodukt zu erzeugen.
Zukünftige Verbesserungen
Die Abmessungen der Mona Lisa sind etwas unterschiedlich, da ich das Seitenverhältnis speichere. Ich muss ein anderes System verwenden. Behoben, indem angenommen wird, dass das ursprüngliche Seitenverhältnis irgendwo zwischen 1:21 und 21: 1 liegt, was ich für eine vernünftige Annahme halte.Die Hindenburg könnte stark verbessert werden. Die von mir verwendete Farbpalette enthält nur 6 Graustufen. Wenn ich einen Nur-Graustufen-Modus einführen würde, könnte ich die zusätzlichen Informationen verwenden, um die Farbtiefe, die Anzahl der Regionen, die Anzahl der Rasterpunkte oder eine beliebige Kombination der drei zu erhöhen. Ich habe --greyscaledem Encoder eine Option hinzugefügt , die alle drei unterstützt.2d Shapes würden wahrscheinlich besser aussehen, wenn die Überblendung deaktiviert ist. Ich werde wahrscheinlich eine Flagge dafür hinzufügen. Es wurde eine Encoder-Option zur Steuerung des Segmentierungsverhältnisses und eine Decoder-Option zur Deaktivierung der Überblendung hinzugefügt.- Mehr Spaß mit der Kombinatorik. 56! ist tatsächlich groß genug, um 15 zusätzliche Regionen und 15 zu speichern ! ist groß genug, um 2 weitere für insgesamt 73 zu speichern . Aber warte, es gibt noch mehr! Die Aufteilung dieses 73 - Objekt könnte auch mehr Informationen zu speichern , verwendet werden. Zum Beispiel gibt es 73 Auswahlmöglichkeiten 56 , um die ersten 56 Regionen auszuwählen , und dann 17 Auswahlmöglichkeiten 15 , um die nächsten 15 auszuwählen . Insgesamt 2403922132944423072 Partitionen, die groß genug sind, um 3 weitere Regionen für insgesamt 76 zu speichern. Ich würde müssen mit einer cleveren Art und Weise zu entwickeln, um eindeutig Anzahl aller Partitionen von 73 in Gruppen von 56 , 15 , 2 ... und zurück . Vielleicht nicht praktisch, aber ein interessantes Problem, über das man nachdenken sollte.
0VW*`Gnyq;c1JBY}tj#rOcKm)v_Ac\S.r[>,Xd_(qT6 >]!xOfU9~0jmIMG{hcg-'*a.s<X]6*%U5>/FOze?cPv@hI)PjpK9\iA7P ]a-7eC&ttS[]K>NwN-^$T1E.1OH^c0^"J 4V9X
0Jc?NsbD#1WDuqT]AJFELu<!iE3d!BB>jOA'L|<j!lCWXkr:gCXuD=D\BL{gA\ 8#*RKQ*tv\\3V0j;_4|o7>{Xage-N85):Q/Hl4.t&'0pp)d|Ry+?|xrA6u&2E!Ls]i]T<~)58%RiA
und
4PV 9G7X|}>pC[Czd!5&rA5 Eo1Q\+m5t:r#;H65NIggfkw'h4*gs.:~<bt'VuVL7V8Ed5{`ft7e>HMHrVVUXc.{#7A|#PBm,i>1B781.K8>s(yUV?a<*!mC@9p+Rgd<twZ.wuFnN dp
Das zweite ist mit der --greyscaleOption verschlüsselt .
3dVY3TY?9g+b7!5n`)l"Fg H$ 8n?[Q-4HE3.c:[pBBaH`5'MotAj%a4rIodYO.lp$h a94$n!M+Y?(eAR,@Y*LiKnz%s0rFpgnWy%!zV)?SuATmc~-ZQardp=?D5FWx;v=VA+]EJ(:%
Kodiert mit der --greyscaleOption.
.9l% Ge<'_)3(`DTsH^eLn|l3.D_na,,sfcpnp{"|lSv<>}3b})%m2M)Ld{YUmf<Uill,*:QNGk,'f2; !2i88T:Yjqa8\Ktz4i@h2kHeC|9,P` v7Xzd Yp&z:'iLra&X&-b(g6vMq
Codiert mit --ratio 60und decodiert mit --no-blendingOptionen.
encoder.py
from __future__ import division
import argparse, numpy
from skimage.io import imread
from skimage.transform import resize
from skimage.segmentation import slic
from skimage.measure import regionprops
from my_geom import *
def encode(filename, seg_ratio, greyscale):
img = imread(filename)
height = len(img)
width = len(img[0])
ratio = width/height
if greyscale:
raster_size = 558
raster_ratio = 11
num_segs = 94
set1_len = 70
max_num = 8928 # 558 * 16
else:
raster_size = 402
raster_ratio = 13
num_segs = 70
set1_len = 56
max_num = 86832 # 402 * 216
raster_width = (raster_size*ratio)**0.5
raster_height = int(raster_width/ratio)
raster_width = int(raster_width)
resize_height = raster_height * raster_ratio
resize_width = raster_width * raster_ratio
img = resize(img, (resize_height, resize_width))
segs = slic(img, n_segments=num_segs-4, ratio=seg_ratio).astype('int16')
max_label = segs.max()
numpy.place(segs, segs==0, [max_label+1])
regions = [None]*(max_label+2)
for props in regionprops(segs):
label = props['Label']
props['Greyscale'] = greyscale
regions[label] = Region(props)
for i, a in enumerate(regions):
for j, b in enumerate(regions):
if a==None or b==None or a==b: continue
if a.centroid == b.centroid:
numpy.place(segs, segs==j, [i])
regions[j] = None
for y in range(resize_height):
for x in range(resize_width):
label = segs[y][x]
regions[label].add_point(img[y][x])
regions = [r for r in regions if r != None]
if len(regions)>num_segs:
regions = sorted(regions, key=lambda r: r.area)[-num_segs:]
regions = sorted(regions, key=lambda r: r.to_num(raster_width))
set1, set2 = regions[-set1_len:], regions[:-set1_len]
set2_num = 0
for s in set2:
set2_num *= max_num
set2_num += s.to_num(raster_width)
set2_num = ((set2_num*85 + raster_width)*85 + raster_height)*25 + len(set2)
perm = num2perm(set2_num, set1_len)
set1 = permute(set1, perm)
outnum = 0
for r in set1:
outnum *= max_num
outnum += r.to_num(raster_width)
outnum *= 2
outnum += greyscale
outstr = ''
for i in range(140):
outstr = chr(32 + outnum%95) + outstr
outnum //= 95
print outstr
parser = argparse.ArgumentParser(description='Encodes an image into a tweetable format.')
parser.add_argument('filename', type=str,
help='The filename of the image to encode.')
parser.add_argument('--ratio', dest='seg_ratio', type=float, default=30,
help='The segmentation ratio. Higher values (50+) will result in more regular shapes, lower values in more regular region color.')
parser.add_argument('--greyscale', dest='greyscale', action='store_true',
help='Encode the image as greyscale.')
args = parser.parse_args()
encode(args.filename, args.seg_ratio, args.greyscale)
decoder.py
from __future__ import division
import argparse
from PIL import Image, ImageDraw, ImageChops, ImageFilter
from my_geom import *
def decode(instr, no_blending=False):
innum = 0
for c in instr:
innum *= 95
innum += ord(c) - 32
greyscale = innum%2
innum //= 2
if greyscale:
max_num = 8928
set1_len = 70
image_mode = 'L'
default_color = 0
raster_ratio = 11
else:
max_num = 86832
set1_len = 56
image_mode = 'RGB'
default_color = (0, 0, 0)
raster_ratio = 13
nums = []
for i in range(set1_len):
nums = [innum%max_num] + nums
innum //= max_num
set2_num = perm2num(nums)
set2_len = set2_num%25
set2_num //= 25
raster_height = set2_num%85
set2_num //= 85
raster_width = set2_num%85
set2_num //= 85
resize_width = raster_width*raster_ratio
resize_height = raster_height*raster_ratio
for i in range(set2_len):
nums += set2_num%max_num,
set2_num //= max_num
regions = []
for num in nums:
r = Region()
r.from_num(num, raster_width, greyscale)
regions += r,
masks = []
outimage = Image.new(image_mode, (resize_width, resize_height), default_color)
for a in regions:
mask = Image.new('L', (resize_width, resize_height), 255)
for b in regions:
if a==b: continue
submask = Image.new('L', (resize_width, resize_height), 0)
poly = a.centroid.bisected_poly(b.centroid, resize_width, resize_height)
ImageDraw.Draw(submask).polygon(poly, fill=255, outline=255)
mask = ImageChops.multiply(mask, submask)
outimage.paste(a.avg_color, mask=mask)
if not no_blending:
outimage = outimage.resize((raster_width, raster_height), Image.ANTIALIAS)
outimage = outimage.resize((resize_width, resize_height), Image.BICUBIC)
smooth = ImageFilter.Kernel((3,3),(1,2,1,2,4,2,1,2,1))
for i in range(20):outimage = outimage.filter(smooth)
outimage.show()
parser = argparse.ArgumentParser(description='Decodes a tweet into and image.')
parser.add_argument('--no-blending', dest='no_blending', action='store_true',
help="Do not blend the borders in the final image.")
args = parser.parse_args()
instr = raw_input()
decode(instr, args.no_blending)
my_geom.py
from __future__ import division
class Point:
def __init__(self, x, y):
self.x = x
self.y = y
self.xy = (x, y)
def __eq__(self, other):
return self.x == other.x and self.y == other.y
def __lt__(self, other):
return self.y < other.y or (self.y == other.y and self.x < other.x)
def inv_slope(self, other):
return (other.x - self.x)/(self.y - other.y)
def midpoint(self, other):
return Point((self.x + other.x)/2, (self.y + other.y)/2)
def dist2(self, other):
dx = self.x - other.x
dy = self.y - other.y
return dx*dx + dy*dy
def bisected_poly(self, other, resize_width, resize_height):
midpoint = self.midpoint(other)
points = []
if self.y == other.y:
points += (midpoint.x, 0), (midpoint.x, resize_height)
if self.x < midpoint.x:
points += (0, resize_height), (0, 0)
else:
points += (resize_width, resize_height), (resize_width, 0)
return points
elif self.x == other.x:
points += (0, midpoint.y), (resize_width, midpoint.y)
if self.y < midpoint.y:
points += (resize_width, 0), (0, 0)
else:
points += (resize_width, resize_height), (0, resize_height)
return points
slope = self.inv_slope(other)
y_intercept = midpoint.y - slope*midpoint.x
if self.y > midpoint.y:
points += ((resize_height - y_intercept)/slope, resize_height),
if slope < 0:
points += (resize_width, slope*resize_width + y_intercept), (resize_width, resize_height)
else:
points += (0, y_intercept), (0, resize_height)
else:
points += (-y_intercept/slope, 0),
if slope < 0:
points += (0, y_intercept), (0, 0)
else:
points += (resize_width, slope*resize_width + y_intercept), (resize_width, 0)
return points
class Region:
def __init__(self, props={}):
if props:
self.greyscale = props['Greyscale']
self.area = props['Area']
cy, cx = props['Centroid']
if self.greyscale:
self.centroid = Point(int(cx/11)*11+5, int(cy/11)*11+5)
else:
self.centroid = Point(int(cx/13)*13+6, int(cy/13)*13+6)
self.num_pixels = 0
self.r_total = 0
self.g_total = 0
self.b_total = 0
def __lt__(self, other):
return self.centroid < other.centroid
def add_point(self, rgb):
r, g, b = rgb
self.r_total += r
self.g_total += g
self.b_total += b
self.num_pixels += 1
if self.greyscale:
self.avg_color = int((3.2*self.r_total + 10.7*self.g_total + 1.1*self.b_total)/self.num_pixels + 0.5)*17
else:
self.avg_color = (
int(5*self.r_total/self.num_pixels + 0.5)*51,
int(5*self.g_total/self.num_pixels + 0.5)*51,
int(5*self.b_total/self.num_pixels + 0.5)*51)
def to_num(self, raster_width):
if self.greyscale:
raster_x = int((self.centroid.x - 5)/11)
raster_y = int((self.centroid.y - 5)/11)
return (raster_y*raster_width + raster_x)*16 + self.avg_color//17
else:
r, g, b = self.avg_color
r //= 51
g //= 51
b //= 51
raster_x = int((self.centroid.x - 6)/13)
raster_y = int((self.centroid.y - 6)/13)
return (raster_y*raster_width + raster_x)*216 + r*36 + g*6 + b
def from_num(self, num, raster_width, greyscale):
self.greyscale = greyscale
if greyscale:
self.avg_color = num%16*17
num //= 16
raster_x, raster_y = num%raster_width, num//raster_width
self.centroid = Point(raster_x*11 + 5, raster_y*11+5)
else:
rgb = num%216
r, g, b = rgb//36, rgb//6%6, rgb%6
self.avg_color = (r*51, g*51, b*51)
num //= 216
raster_x, raster_y = num%raster_width, num//raster_width
self.centroid = Point(raster_x*13 + 6, raster_y*13 + 6)
def perm2num(perm):
num = 0
size = len(perm)
for i in range(size):
num *= size-i
for j in range(i, size): num += perm[j]<perm[i]
return num
def num2perm(num, size):
perm = [0]*size
for i in range(size-1, -1, -1):
perm[i] = int(num%(size-i))
num //= size-i
for j in range(i+1, size): perm[j] += perm[j] >= perm[i]
return perm
def permute(arr, perm):
size = len(arr)
out = [0] * size
for i in range(size):
val = perm[i]
out[i] = arr[val]
return out
und teile das Bild in Palettenblöcke (in diesem Fall 2x2 Pixel) einer Vorder- und Rückseite.
