对图片进行seam-carving代码

Seam-carving是一种图像处理技术，它可以对图片进行尺寸调整而不损失图像的重要信息。实现该技术的主要步骤是确定图像中的最小能量路径（seam）并将路径中的像素删除或插入来改变图像的尺寸。以下是一个简单的seam-carving代码实现。

首先，我们需要计算图像的能量矩阵。能量可以用图像中像素的梯度来计算。在本例中，我们采用Sobel算子计算像素梯度。代码如下：

import numpy as np
from scipy.ndimage import convolve

def calc_energy(img):
    gray = np.average(img, axis=2)
    h_kernel = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])
    v_kernel = h_kernel.T
    h_grad = np.abs(convolve(gray, h_kernel))
    v_grad = np.abs(convolve(gray, v_kernel))
    energy = h_grad + v_grad
    return energy

在得到能量矩阵后，我们需要找出最小能量路径。在本例中，我们使用动态规划算法来找到路径。代码如下：

def find_seam(energy):
    M, N = energy.shape
    seam = np.zeros(M, dtype=int)
    # 初始化路径矩阵
    path = np.zeros((M, N), dtype=int)
    path[0, :] = energy[0, :]
    # 动态规划，计算每个像素的最小能量路径
    for i in range(1, M):
        for j in range(N):
            if j == 0:
                idx = np.argmin(path[i - 1, j:j + 2])
                seam[i] = j + idx
                path[i, j] = energy[i, j] + path[i - 1, j + idx]
            elif j == N - 1:
                idx = np.argmin(path[i - 1, j - 1:j + 1])
                seam[i] = j - 1 + idx
                path[i, j] = energy[i, j] + path[i - 1, j - 1 + idx]
            else:
                idx = np.argmin(path[i - 1, j - 1:j + 2])
                seam[i] = j - 1 + idx
                path[i, j] = energy[i, j] + path[i - 1, j - 1 + idx]
    return seam

最后，我们需要利用找到的最小能量路径来缩小或者扩大图像。代码如下：

def seam_carving(img, out_size):
    in_h, in_w = img.shape[:2]
    out_h, out_w = out_size

    # 计算图像能量矩阵
    energy = calc_energy(img)

    if in_w > out_w:
        # 图像宽度缩小
        for i in range(in_w - out_w):
            # 找到最小能量路径
            seam = find_seam(energy)
            # 将路径上的像素删除
            for j in range(in_h):
                img[j, seam[j]:-1] = img[j, seam[j]+1:]
                energy[j, seam[j]:-1] = energy[j, seam[j]+1:]
                if seam[j] > 0:
                    energy[j, seam[j]-1] = calc_energy(img[j:j+1, seam[j]-1:seam[j]])[0, 0]
                if seam[j] < in_w - 2:
                    energy[j, seam[j]] = calc_energy(img[j:j+1, seam[j]:seam[j]+1])[0, 0]
            img = img[:, :-1]
            energy = energy[:, :-1]
    elif in_w < out_w:
        # 图像宽度扩大
        for i in range(out_w - in_w):
            # 找到最小能量路径
            seam = find_seam(energy)
            # 插入新像素
            mask = np.ones((in_h, in_w), dtype=bool)
            for j in range(in_h):
                mask[j, seam[j]] = False
            img_new = np.zeros((in_h, in_w + 1, 3))
            img_new[:, :-1][mask] = img[mask]
            for j in range(in_h):
                if seam[j] == 0:
                    img_new[j, seam[j]] = img[j, seam[j]]
                else:
                    img_new[j, seam[j]] = (img[j, seam[j] - 1] + img[j, seam[j]]) / 2
                    img_new[j, seam[j] + 1:] = img[j, seam[j]:]
            img = img_new.copy()
            # 更新能量矩阵
            energy = calc_energy(img)
    return img

通过上述代码，我们可以实现一个简单的seam-carving算法，对图像进行尺寸调整。