Differences between revisions 1 and 7 (spanning 6 versions)
Revision 1 as of 2008-07-07 13:47:25
Size: 614
Editor: RonnyPetrik
Comment:
Revision 7 as of 2008-07-09 07:23:33
Size: 1680
Comment:
Deletions are marked like this. Additions are marked like this.
Line 6: Line 6:
  Verwendung von Filtern und Clusterbasiertemerkmalsanalyse++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++; als Ergebnis die Zuordnung von
Klasse zu Bildkoordinate
  Verwendung von Filtern und Clusterbasierte Merkmalsanalyse
  Ergebnis: die Zuordnung von Klassen zu Bildkoordinaten (x,y)


=== Dienstag ===
Wir haben ein Programm geschrieben, um über ein großes Bild einen Box-Filter laufen zu lassen, der Mittelwert und Standardabweichungen in einem 2-dimensionalen Array zurückgibt.

{{{#!python
def mean_std_box(I,w):
    """ Mittelwert über wxw Pixel"""
    Y,X=I.shape # Einlesen der Bilddimension
    M=zeros((Y/w,X/w,2),float)
    a=range(0,Y/w,1)
    b=range(0,X/w,1)
    for y in a:
        for x in b:
            box=I[y*w:y*w+w-1,x*w:x*w+w-1]
            M[y,x,0]=mean(box.flatten())
            M[y,x,1]=std(box.flatten())
    return M
}}}

Weiter haben wir uns damit beschäftigt, das Originalbild mit dem "read_asar_imp" einzulesen und in db-Darstellung auszugeben.

{{{#!python
# Einlesen des Originalbildes
file='/pf/u/u242027/SAR_raw/ASA_IMP_1PNDPA20060617_043346_000000162048_00362_22460_2136.N1'
I=read_asar_imp(file)

# Darstellung des ASAR-Bildes in db (image1.png)
w=8 # Größe der "Unterboxen"
A=mean_std_box(I,w)

figure(2)
imshow(10*log10(A[:,:,0]),vmin=-20,vmax=0,interpolation='nearest',origin='lower')
}}}

{{attachment:image1.png}}

Probleme hatten wir bei der Reduzierung des Speckles. Es wurde daher beschlossen diesen Schritt am Mittwoch zunächst in der ganzen Gruppe zu besprechen und dann durchzuführen.

Besprechung ihrer Aufgaben ergab:

  • Einlesen als Teilaufgabe wurde von Lars geloest Gruppe arbeitet direkt mit Bildkoordinaten, welche als Arrayindex dienen

    Festlegung der Klasseneinteilung erst bei Bearbeitung der Aufgabe -> Sinnigkeitsentscheid Verwendung von Filtern und Clusterbasierte Merkmalsanalyse Ergebnis: die Zuordnung von Klassen zu Bildkoordinaten (x,y)

Dienstag

Wir haben ein Programm geschrieben, um über ein großes Bild einen Box-Filter laufen zu lassen, der Mittelwert und Standardabweichungen in einem 2-dimensionalen Array zurückgibt.

   1 def mean_std_box(I,w):
   2     """ Mittelwert über wxw Pixel"""
   3     Y,X=I.shape # Einlesen der Bilddimension
   4     M=zeros((Y/w,X/w,2),float)
   5     a=range(0,Y/w,1)
   6     b=range(0,X/w,1)
   7     for y in a:
   8         for x in b:
   9             box=I[y*w:y*w+w-1,x*w:x*w+w-1]
  10             M[y,x,0]=mean(box.flatten())
  11             M[y,x,1]=std(box.flatten())
  12     return M

Weiter haben wir uns damit beschäftigt, das Originalbild mit dem "read_asar_imp" einzulesen und in db-Darstellung auszugeben.

   1 # Einlesen des Originalbildes
   2 file='/pf/u/u242027/SAR_raw/ASA_IMP_1PNDPA20060617_043346_000000162048_00362_22460_2136.N1'
   3 I=read_asar_imp(file)
   4 
   5 # Darstellung des ASAR-Bildes in db (image1.png)
   6 w=8 # Größe der "Unterboxen"
   7 A=mean_std_box(I,w)
   8 
   9 figure(2)
  10 imshow(10*log10(A[:,:,0]),vmin=-20,vmax=0,interpolation='nearest',origin='lower')

image1.png

Probleme hatten wir bei der Reduzierung des Speckles. Es wurde daher beschlossen diesen Schritt am Mittwoch zunächst in der ganzen Gruppe zu besprechen und dann durchzuführen.

LehreWiki: \AG2_ASAR_Klassifikation (last edited 2008-07-11 12:19:23 by GregorHalfmann)