Projeto1 Enunciado PDF

SCC0275 - Introdução à Ciência de Dados
Primeiro Projeto Prático
Neste projeto vamos comparar de maneira mais aprofundada duas estratégias

para quantizar imagens. Uma delas é a quantização uniforme e outra usa o
algoritmo de agrupamento K-Means. Além disso, vamos entender melhor o papel
que uma boa métrica de erro cumpre na hora de comparar soluções e determinar
sua qualidade.
Alguns códigos são fornecidos no arquivo projeto1.ipynb. Fique atento, pois esses
códigos são mencionados nos enunciados das questões. Utilize a biblioteca
scikit-learn para criar os modelos pedidos. Você pode usar outras bibliotecas para
fazer as demais análises =)
Todas as respostas devem ser justificadas com base em:

1. Código Python mostrando a(s) análise(s) e/ou o(s) modelo(s) feitos;
2. O resultado da(s) análise(s) e/ou do(s) modelo(s) e
3. Uma explicação textual (pode ser breve) da conclusão obtida.
Em caso de plágio (mesmo que parcial) o trabalho de todos os alunos

envolvidos receberá nota ZERO.
NÃO enviar um link para o Google Colab como resposta/relatório do projeto.
Desorganização excessiva do código resultará em redução da nota do projeto.

Exemplos:
● Códigos que devem ser rodados de forma não sequencial;
● Projeto entregue em vários arquivos sem um README;
● ...
Bom projeto,
Tiago.
Introdução
O Notebook disponibilizado tem uma classe chamada MyImgFormat, que

permite que uma imagem RGB seja armazenada utilizando menos bytes. Um objeto
desta classe é construído com base em:
1. Uma matriz de IDs para cada pixel (chamada de mat_rgb_ids no construtor
da classe) que assume que os IDs estão entre zero e N (número de cores da
imagem);
2. Um dicionário (rgb_ids_dict) que mapeia cada ID para o RGB da cor. Como
no exemplo a seguir:
Além disso, este notebook tem um função chamada uniform_quant que

permite que uma imagem seja quantizada, dividindo os intervalos de valores R, G e
B de forma uniforme. Para fazer isso, essa função usa dois inputs: uma imagem
RGB (que deve conter número inteiros entre 0 e 255) e uma quantidade total de
cores desejada (número inteiro) na imagem quantizada. Os valores retornados por
essa função são: uma matriz de IDs e um dicionário que mapeia os IDs para RGBs.
Ou seja, os dados necessários para criar um objeto do tipo MyImgFormat.
Finalmente, temos a função get_bin_size_kb que calcula a quantidade de

KBs usadas por um objeto em um arquivo. Com ela poderemos estimar o tamanho
ocupado por imagens no disco.
Questões
Questão 1 (valor 2,5 pontos)
a) Ao estudar a função uniform_quant você irá perceber que ela gera os

valores de R, G e B como o valor inicial do intervalo quantizado. Por exemplo,
ao quantizar uma imagem uma parte do dicionário obtido é o exibido na
figura abaixo. Modifique a função para que os valores de RGB sejam o meio
do intervalo quantizado.
b) Carregue a imagem 'china.jpg' usando o scikit-learn e mostre (no Jupyter

Notebook) as 3 versões da imagem:
○ Original;
○ Quantizada para 64 cores usando o código original;
○ Quantizada para 64 cores usando o código feito no item anterior.
c) Comparar tamanho em KB das 3 imagens da questão anterior. (Dica: use a

função get_bin_size_kb)
a) Implementar uma estratégia de quantização de imagens usando o K-Means

para determinar os valores RGB de cada um dos IDs das cores. Modifique os
valores dos parâmetros do construtor da classe K-Means como achar
necessário, mas deixe os parâmetros listados abaixo com os valores
indicados para que seja fácil reproduzir seus resultados:
○ max_iter=10,
○ random_state=42
b) Rode o método usando o K-Means para quantizar a imagem 'china.jpg' para

64 cores e compare visualmente a imagem gerada com os resultados da
Questão 1. Comente os resultados.
a) Existem diversas maneiras de se estimar a quantidade "ótima" de clusters

para um algoritmos como K-Means. Uma delas é uma análise baseada na
medida de inércia, que é apresentada neste link. Implemente o cálculo da
inércia dentro da função de quantização baseada no K-Means.
b) Implemente uma função de comparação que calcula o MSE entre os pixels

da imagem original e os da imagem quantizada.
Responda os itens a seguir usando as imagens 'china.jpg' e 'flower.jpg' do

scikit-learn.
a) Faça a quantização das imagens para {8, 27, 64, 125, 216} cores usando
ambos os métodos de quantização (uniforme e K-Means)
b) Compute e faça um plot da inércia dos resultados das quantizações do

K-Means obtidas no item a)
c) Compute e faça um plot dos MSEs de ambas as estratégias. Qual das

estratégias teve um melhor MSE? Isso faz sentido quando fazemos uma
comparação visual dos resultados?
d) Compute e faça um plot do tamanho e KBs das imagens quantizadas e

compare com o tamanho em KBs da imagem original. Faça a comparação
considerando os seguintes pontos:
○ Use a função get_bin_size_kb para calcular os tamanhos das imagens
em KBs;
○ Para a imagem original, calcule o tamanho do numpy.ndarray que
contém os pixels RGB da imagem;
○ Para as imagens quantizadas, compute o tamanho do objeto
MyImageFormat criado usando os resultados da quantização.

Projeto1 Enunciado PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Projeto1 Enunciado PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Projeto1 Enunciado PDF

Enviado por

Direitos autorais:

Formatos disponíveis

SCC0275 - Introdução à Ciência de Dados

Primeiro Projeto Prático

Neste projeto vamos comparar de maneira mais aprofundada duas estratégias

Todas as respostas devem ser justificadas com base em:

Em caso de plágio (mesmo que parcial) o trabalho de todos os alunos

NÃO enviar um link para o Google Colab como resposta/relatório do projeto.

Desorganização excessiva do código resultará em redução da nota do projeto.

O Notebook disponibilizado tem uma classe chamada MyImgFormat, que

Além disso, este notebook tem um função chamada uniform_quant que

Finalmente, temos a função get_bin_size_kb que calcula a quantidade de

Questão 1 (valor 2,5 pontos)

a) Ao estudar a função uniform_quant você irá perceber que ela gera os

b) Carregue a imagem 'china.jpg' usando o scikit-learn e mostre (no Jupyter

c) Comparar tamanho em KB das 3 imagens da questão anterior. (Dica: use a

a) Implementar uma estratégia de quantização de imagens usando o K-Means

b) Rode o método usando o K-Means para quantizar a imagem 'china.jpg' para

Questão 3 (valor 2,5 pontos)

a) Existem diversas maneiras de se estimar a quantidade "ótima" de clusters

b) Implemente uma função de comparação que calcula o MSE entre os pixels

Responda os itens a seguir usando as imagens 'china.jpg' e 'flower.jpg' do

b) Compute e faça um plot da inércia dos resultados das quantizações do

c) Compute e faça um plot dos MSEs de ambas as estratégias. Qual das

d) Compute e faça um plot do tamanho e KBs das imagens quantizadas e

Você também pode gostar