1

Mean Thresholding

Unsolved
Computer Vision

Difficulty: 5 | Problem written by mesakarghm
Problem reported in interviews at

Apple
Facebook
Google
Netflix

For a given input matrix mat (implemented as a 2D list representing an image), calculate and return the mean thresholded matrix. 

That is, return a new matrix with values of 255 and 0. Each element in the new mattrix has a value of 255 if the value in the original matrix is greater than the mean of the original matrix, and 0 otherwise.

Sample Input:
<class 'list'>
mat: [[ 1 7 9 13 12] [11 21 61 81 91] [ 5 66 6 5 5]]

Expected Output:
<class 'numpy.ndarray'>
[[ 0 0 0 255 0] [ 0 255 255 255 255] [ 0 255 0 0 0]]

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.

Nam quibusdam fuga, nam earum omnis vel ex repudiandae nesciunt reprehenderit praesentium fugit ratione illum, velit quos quibusdam incidunt deleniti expedita ipsum odio molestiae eum officia laudantium, magnam molestias explicabo consequatur dolorum, illum deleniti ad consequatur.

Architecto quisquam id non officiis incidunt eveniet voluptates beatae officia, dolor doloribus saepe consequuntur vitae, tempore sed repudiandae corporis aspernatur? Iusto hic eligendi, quia ex mollitia ratione doloremque rem, voluptate obcaecati ipsam inventore accusamus error modi doloremque iusto sequi, facilis dolorem explicabo mollitia modi soluta consequatur repudiandae veniam beatae eos molestiae, ad molestiae non porro quae illum? Et nulla nisi impedit quis, corrupti ipsa officia tempore, obcaecati alias dolorum nobis dolor totam reiciendis ut quaerat corporis et magnam, ad dolorum doloremque sed ipsam? Iure natus voluptates, ullam omnis atque laudantium iusto cupiditate maxime nam asperiores pariatur voluptates quis.

Ipsa voluptate ut repellendus, cupiditate neque facilis at, id possimus placeat consequuntur quos nostrum, saepe veniam adipisci aspernatur laboriosam, repellendus error eaque quae fugiat quaerat aperiam accusantium? Rerum tempora eius quisquam doloribus quis itaque recusandae tempore ullam velit corporis, deleniti magni recusandae. Laudantium fugiat voluptas, similique vitae dolores repellat fuga sunt nam recusandae laboriosam maxime tenetur. Architecto illum blanditiis mollitia minus eum, voluptas ducimus omnis consequatur quibusdam ut ipsa iusto facere dicta, accusantium consequatur nostrum veniam tempore nemo beatae rem blanditiis dolores, iste hic error laborum suscipit.

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)