01/12/2021, 01:57 Lab6.

ipynb - Colaboratory

#VENKATESH GAURI SHANKAR

##Exp 5: To execute data normalization and segmentation methods and their different variants.

# importing packages

import pandas as pd

# create·data

df = pd.DataFrame([
                   [180000, 110, 18.9, 1400], 
                   [360000, 905, 23.4, 1800], 
                   [230000, 230, 14.0, 1300], 
                   [60000, 450, 13.5, 1500]], 
    
                   columns=['Col A', 'Col B',
                            'Col C', 'Col D'])

# view data

display(df)

Col A Col B Col C Col D

0 180000 110 18.9 1400

1 360000 905 23.4 1800

2 230000 230 14.0 1300

3 60000 450 13.5 1500

import matplotlib.pyplot as plt
df.plot(kind = 'bar')

<matplotlib.axes._subplots.AxesSubplot at 0x7f3157513cd0>

#Using The maximum absolute scaling- maximum absolute value/decimal scaling

# copy the data
https://colab.research.google.com/drive/17fGm-ez1cEMd3Dyk29obkuLRjbodJUvX#scrollTo=qfopj46wRN2A&printMode=true 1/8
01/12/2021, 01:57 Lab6.ipynb - Colaboratory

df_max_scaled = df.copy()

# apply normalization techniques
for column in df_max_scaled.columns:
  df_max_scaled[column] = df_max_scaled[column] / df_max_scaled[column].abs().max()
  
# view normalized data
display(df_max_scaled)

Col A Col B Col C Col D

0 0.500000 0.121547 0.807692 0.777778

1 1.000000 1.000000 1.000000 1.000000

2 0.638889 0.254144 0.598291 0.722222

3 0.166667 0.497238 0.576923 0.833333

import matplotlib.pyplot as plt
df_max_scaled.plot(kind = 'bar')

<matplotlib.axes._subplots.AxesSubplot at 0x7f3151425690>

##Using The min-max feature scaling-subtracting the minimum value of the feature then dividing by th

# copy the data
df_min_max_scaled = df.copy()

# apply normalization techniques
for column in df_min_max_scaled.columns:
  df_min_max_scaled[column] = (df_min_max_scaled[column] - df_min_max_scaled[column].min()) / (df_mi

# view normalized data
print(df_min_max_scaled)

Col A Col B Col C Col D

0 0.400000 0.000000 0.545455 0.2

1 1.000000 1.000000 1.000000 1.0

2 0.566667 0.150943 0.050505 0.0

3 0.000000 0.427673 0.000000 0.4

import matplotlib.pyplot as plt
df min max scaled.plot(kind = 'bar')
https://colab.research.google.com/drive/17fGm-ez1cEMd3Dyk29obkuLRjbodJUvX#scrollTo=qfopj46wRN2A&printMode=true 2/8
01/12/2021, 01:57 Lab6.ipynb - Colaboratory
_ _ _ p ( )

<matplotlib.axes._subplots.AxesSubplot at 0x7f315091b690>

##Using The z-score method-distribution with a mean of 0 and a typical deviation of 1

# copy the data
df_z_scaled = df.copy()

# apply normalization techniques
for column in df_z_scaled.columns:
  df_z_scaled[column] = (df_z_scaled[column] -
            df_z_scaled[column].mean()) / df_z_scaled[column].std() 

# view normalized data
display(df_z_scaled)

Col A Col B Col C Col D

0 -0.221422 -0.895492 0.311486 -0.46291

1 1.227884 1.373564 1.278167 1.38873

2 0.181163 -0.552993 -0.741122 -0.92582

3 -1.187625 0.074922 -0.848531 0.00000

import matplotlib.pyplot as plt
df_z_scaled.plot(kind='bar')

<matplotlib.axes._subplots.AxesSubplot at 0x7f315b1de3d0>

https://colab.research.google.com/drive/17fGm-ez1cEMd3Dyk29obkuLRjbodJUvX#scrollTo=qfopj46wRN2A&printMode=true 3/8
01/12/2021, 01:57 Lab6.ipynb - Colaboratory

# Segmentation

##Laplacian Operator for segmentation

import matplotlib.pyplot as plt
%matplotlib inline
Laplacian=plt.imread("download.png")
plt.imshow(Laplacian)

<matplotlib.image.AxesImage at 0x7f314ecafd50>

import cv2
import matplotlib.pyplot as plt

# Open the image
img = cv2.imread('download.png')

# Apply gray scale
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Apply gaussian blur
blur_img = cv2.GaussianBlur(gray_img, (3, 3), 0)

# Positive Laplacian Operator
laplacian = cv2.Laplacian(blur_img, cv2.CV_64F)

plt.figure()
plt.title('Laplacian')
plt.imsave('Laplacian.png', laplacian, cmap='gray', format='png')
plt.imshow(laplacian, cmap='gray')
plt.show()

##Canny Operator for segmentation

import cv2
import matplotlib pyplot as plt
https://colab.research.google.com/drive/17fGm-ez1cEMd3Dyk29obkuLRjbodJUvX#scrollTo=qfopj46wRN2A&printMode=true 4/8
01/12/2021, 01:57 Lab6.ipynb - Colaboratory
import matplotlib.pyplot as plt

# Open the image
img = cv2.imread('download.png')

# Apply Canny
edges = cv2.Canny(img, 100, 200, 3, L2gradient=True)

plt.figure()
plt.title('canny')
plt.imsave('canny.png', edges, cmap='gray', format='png')
plt.imshow(edges, cmap='gray')
plt.show()

#Gray scale brain image

##Laplacian Operator for segmentation- B&W

import matplotlib.pyplot as plt
%matplotlib inline
Laplacian=plt.imread("brain.png")
plt.imshow(Laplacian)

<matplotlib.image.AxesImage at 0x7f314506aed0>

import cv2
import matplotlib.pyplot as plt

# Open the image
img = cv2.imread('brain.png')

# Apply gray scale
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

https://colab.research.google.com/drive/17fGm-ez1cEMd3Dyk29obkuLRjbodJUvX#scrollTo=qfopj46wRN2A&printMode=true 5/8
01/12/2021, 01:57 Lab6.ipynb - Colaboratory
# Apply gaussian blur
blur_img = cv2.GaussianBlur(gray_img, (3, 3), 0)

# Positive Laplacian Operator
laplacian = cv2.Laplacian(blur_img, cv2.CV_64F)

plt.figure()
plt.title('Laplacian')
plt.imsave('Laplacian.png', laplacian, cmap='gray', format='png')
plt.imshow(laplacian, cmap='gray')
plt.show()

##Canny Operator for segmentation-B&W

import cv2
import matplotlib.pyplot as plt

# Open the image
img = cv2.imread('brain.png')

# Apply Canny
edges = cv2.Canny(img, 100, 200, 3, L2gradient=True)

plt.figure()
plt.title('canny')
plt.imsave('canny.png', edges, cmap='gray', format='png')
plt.imshow(edges, cmap='gray')
plt.show()

#Salt and Pepper Noise segmentation

import matplotlib.pyplot as plt
%matplotlib inline
img=plt.imread("mr_bean.jpeg")
plt.imshow(img)

<matplotlib.image.AxesImage at 0x7f31443a65d0>

import random
import cv2

def add_noise(img):

  # Getting the dimensions of the image
  row , col = img.shape
  
  # Randomly pick some pixels in the
  # image for coloring them white
  # Pick a random number between 300 and 10000
  number_of_pixels = random.randint(300, 10000)
  for i in range(number_of_pixels):
  
    # Pick a random y coordinate
    y_coord=random.randint(0, row - 1)
    
    # Pick a random x coordinate
    x_coord=random.randint(0, col - 1)
    
    # Color that pixel to white
    img[y_coord][x_coord] = 255
    
  # Randomly pick some pixels in
  # the image for coloring them black
  # Pick a random number between 300 and 10000
  number_of_pixels = random.randint(300 , 10000)
  for i in range(number_of_pixels):
  
    # Pick a random y coordinate
    y_coord=random.randint(0, row - 1)
    
    # Pick a random x coordinate
    x_coord=random.randint(0, col - 1)
    
    # Color that pixel to black
    img[y_coord][x_coord] = 0
    
t i
https://colab.research.google.com/drive/17fGm-ez1cEMd3Dyk29obkuLRjbodJUvX#scrollTo=qfopj46wRN2A&printMode=true 7/8
01/12/2021, 01:57 Lab6.ipynb - Colaboratory
  return img

# salt-and-pepper noise can
# be applied only to grayscale images
# Reading the color image in grayscale image
img = cv2.imread('mr_bean.jpeg',
        cv2.IMREAD_GRAYSCALE)

#Storing the image
cv2.imwrite('salt-and-pepper-bean.jpeg',
      add_noise(img))

True

plt.imshow(img)
plt.show()

https://colab.research.google.com/drive/17fGm-ez1cEMd3Dyk29obkuLRjbodJUvX#scrollTo=qfopj46wRN2A&printMode=true 8/8