0

Identity Transformation

Unsolved
Computer Vision

Difficulty: 3 | Problem written by mesakarghm
The Identity Transformation is one type of linear transformation defined as: 

\(T(r) = r\), where r is the individual pixel of the output image

The identity transformation is carried out by using the identity filter. 

Write a function identity_transform(image) which performs identity transformation on the input grayscale image (represented by 2D NumPy array) and returns the output image. The shape of the output image should be exactly the same as that of the input image. 

Sample Input:
<class 'numpy.ndarray'>
image: [[ 1 7 9 13 12] [11 21 61 81 91] [ 5 66 6 5 5]]

Expected Output:
<class 'numpy.ndarray'>
[[ 1 7 9 13 12] [11 21 61 81 91] [ 5 66 6 5 5]]

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Expedita minus eligendi cumque magnam natus minima tenetur, aliquid laborum natus iure cumque odio. Animi illum aliquam modi. Asperiores minus commodi eaque, rem inventore exercitationem ipsum debitis vitae reiciendis aperiam deserunt labore blanditiis adipisci, id consectetur assumenda ex consequuntur aperiam, vitae officia ipsam voluptas aliquam iste veritatis a ea nisi dolore impedit. Nemo asperiores officiis debitis labore incidunt blanditiis, facilis ipsam quas, cumque itaque eius voluptas commodi, velit consequuntur eligendi sed necessitatibus illo saepe aperiam, quo quisquam eum reprehenderit consequatur modi aut officia maxime impedit?

Autem ex asperiores sit excepturi quis repellat dolor ratione, labore odit magnam delectus ab nostrum veritatis impedit ducimus laboriosam, repudiandae voluptatibus sequi placeat molestiae commodi, aut recusandae at reiciendis delectus nesciunt enim.

Obcaecati aliquam et provident ratione, pariatur beatae officiis placeat vel minus dolore facere voluptatum, dolorem fugit voluptatibus minus accusamus, itaque eveniet odit eligendi quisquam minima placeat unde harum dignissimos rerum. Similique praesentium id eius et quisquam doloremque, ullam soluta rerum id distinctio explicabo alias, distinctio obcaecati maiores, numquam quis dolorem sint vero hic iusto officia vitae, eveniet illum consectetur saepe veniam aut vitae optio. Atque est eius iste beatae sunt excepturi?

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)