Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 11 vistas

    Calculo de Error

    Cargado por

    SC

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Calculo de Error

    Cargado por

    SC
    11 vistas7 páginas

    Título original

    Calculo de error

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    11 vistas7 páginas

    Calculo de Error

    Cargado por

    SC

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 7

    In [1]:  # Universidad Nacional de Loja

    #Descompresión de Métodos Intuitivos


    # Nombre : Diego Iñiguez
    # Ciclo: 6to 'A'

    In [2]:  import numpy as np


    matriz_original = np.random.randint(256 , size=(10,10))

    In [3]:  print(matriz_original)

    [[220 158 119 174 51 191 197 229 63 73]


    [ 51 78 209 95 108 64 31 104 173 24]
    [243 65 75 153 32 52 56 104 239 161]
    [211 191 90 54 20 25 17 84 42 127]
    [193 83 87 204 180 58 28 22 231 61]
    [167 134 193 50 150 83 238 18 172 193]
    [117 238 193 146 170 32 16 124 90 9]
    [ 9 146 101 117 77 57 56 44 52 26]
    [ 83 14 100 122 223 72 214 42 122 130]
    [112 70 33 51 242 52 252 58 209 37]]
    In [4]:  #Comprension
    cont = 0
    cont1 = 0
    promedios =[]
    while cont < matriz_original.shape[0]:
    while cont1 < matriz_original.shape[1]:
    sub_array = matriz_original[cont:cont+2,cont1:cont1+2]
    prom =0
    for fila in sub_array:
    for elemento in fila:
    prom+=elemento
    prom = int(prom/(sub_array.shape[0]*sub_array.shape[1]))
    promedios.append(prom)
    cont1+=2
    cont1 = 0
    cont+=2
    promedios_mat_orig=(np.asarray(promedios).reshape(5,5))
    promedios_mat_orig

    Out[4]: array([[126, 149, 103, 140, 83],


    [177, 93, 32, 65, 142],
    [144, 133, 117, 76, 164],
    [127, 139, 84, 60, 44],
    [ 69, 76, 147, 141, 124]])
    In [5]:  # Descomprension
    cant=0 # Contador de filas
    cant1=0 # Contador de elementos
    recons=[] # Matriz_original
    reconstr=[] # Matriz 2
    while cant<promedios_mat_orig.shape[0]: # Iteracion de la matriz comprimida
    while cant1< promedios_mat_orig.shape[1]: # Iteracion de elemntos de la matriz comprimida
    sub = promedios_mat_orig[cant,cant1] # Toma valor de fila
    recons.append(sub) # Agrega un valor en la matriz 1
    recons.append(sub) # Repite el valor de la matriz 1
    cant1+=1
    cant1=0
    cant+=1
    reconst=(np.asarray(recons).reshape(5,10)) # Matriz con elementos repetidos dos veces
    for i in range (reconst.shape[0]): # Cada elemento de la matriz creada
    a=reconst[i] # Selecciona una fila
    reconstr.append(a) # le agrega a la matriz 2
    reconstr.append(a) # Se repite la fila anterior en la matriz
    i+=1
    reconstruccion=(np.asarray(reconstr).reshape(10,10)) # Matriz reconstruida
    print(reconstruccion)

    [[126 126 149 149 103 103 140 140 83 83]


    [126 126 149 149 103 103 140 140 83 83]
    [177 177 93 93 32 32 65 65 142 142]
    [177 177 93 93 32 32 65 65 142 142]
    [144 144 133 133 117 117 76 76 164 164]
    [144 144 133 133 117 117 76 76 164 164]
    [127 127 139 139 84 84 60 60 44 44]
    [127 127 139 139 84 84 60 60 44 44]
    [ 69 69 76 76 147 147 141 141 124 124]
    [ 69 69 76 76 147 147 141 141 124 124]]
    In [6]:  # Calculo de error MSE & RMSE
    c=0
    d=0
    for i in range (matriz_original.shape[1]): # fila de la matriz original
    #print(matriz_original.shape[0])
    for j in range(matriz_original.shape[0]): # iteracion para la matriz original y de la reconstruccion
    h = matriz_original[i,j]
    f = reconstruccion[i,j]
    #print(f)
    e = h-f
    c = e**2
    d+= c
    j+=1
    j=0
    i=+1
    MSE = d/(matriz_original.shape[0]*matriz_original.shape[1]) # Calculo MSE
    print('El valor del error MSE es' ,MSE)
    RMSE = MSE**(0.5) # Calculo de RMSE
    print('El valor del error RMSE es' ,RMSE)

    El valor del error MSE es 3491.08


    El valor del error RMSE es 59.08536197739674
    In [7]:  #Calculo de error PSNR
    import math
    maximfilas=[]
    for j in range (matriz_original.shape[0]):
    qa=np.asarray(matriz_original[j])
    qqa=max(qa) # escoje el maximo valor de la filas
    #print(qqa)
    j+=1
    maximfilas.append(qqa) # se genera un vector con los maximo valores
    maxi=max(maximfilas)
    #print(maxi)
    PSNR = 20*(math.log10(maxi/RMSE)) # se calcula el error PSNR
    print('El valor del error PSNR es' ,PSNR)

    El valor del error PSNR es 12.598412805402397

    In [8]:  #Calculo de error SNR


    a=0
    for i in range (matriz_original.shape[1]):
    for j in range(matriz_original.shape[0]):
    c= matriz_original[i,j]
    e=c**2
    a+=e
    j+=a
    j=0
    i=+1
    b=a/(matriz_original.shape[0]*matriz_original.shape[1])
    SNR = 20*(math.log10((b **0.5/RMSE))) # Calculo del error RMSE
    print('El valor del error SNR es' ,SNR)

    El valor del error SNR es 6.926933613909822


    In [9]:  # Calculo de la diferencia y la imagen diferencia con a=1
    i= 0
    j= 0
    X=[]
    x1=[]
    for i in range (matriz_original.shape[1]):
    for j in range(matriz_original.shape[0]):
    pi=matriz_original[i,j]
    qi=reconstruccion[i,j]
    e=pi-qi
    #print(e)
    diff=e # Diferencia entre la matriz original y la reconstruida
    b=128 # valor medio de un pixel
    ee=e+b
    #print(ee)
    a=1
    X.append(ee*a)
    x1.append(diff)
    j+=1
    j=0
    i=+1
    imgdif=(np.asarray(X).reshape(10,10))
    x2=((np.asarray(x1).reshape(10,10)))
    print('Imagene diferente con a=1 es ',imgdif)
    print('Diferencia entre ambas imagenes',x2)

    Imagene diferente con a=1 es [[222 160 98 153 76 216 185 217 108 118]
    [ 53 80 188 74 133 89 19 92 218 69]
    [194 16 110 188 128 148 119 167 225 147]
    [162 142 125 89 116 121 80 147 28 113]
    [177 67 82 199 191 69 80 74 195 25]
    [151 118 188 45 161 94 290 70 136 157]
    [118 239 182 135 214 76 84 192 174 93]
    [ 10 147 90 106 121 101 124 112 136 110]
    [142 73 152 174 204 53 201 29 126 134]
    [171 129 85 103 223 33 239 45 213 41]]
    Diferencia entre ambas imagenes [[ 94 32 -30 25 -52 88 57 89 -20 -10]
    [ -75 -48 60 -54 5 -39 -109 -36 90 -59]
    [ 66 -112 -18 60 0 20 -9 39 97 19]
    [ 34 14 -3 -39 -12 -7 -48 19 -100 -15]
    [ 49 -61 -46 71 63 -59 -48 -54 67 -103]
    [ 23 -10 60 -83 33 -34 162 -58 8 29]
    [ -10 111 54 7 86 -52 -44 64 46 -35]
    [-118 19 -38 -22 -7 -27 -4 -16 8 -18]
    [ 14 -55 24 46 76 -75 73 -99 -2 6]
    [ 43 1 -43 -25 95 -95 111 -83 85 -87]]

    In [ ]: 

    También podría gustarte