|
Size: 3928
Comment:
|
Size: 7916
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 81: | Line 81: |
| {{attachment:image2b.png}} | [[attachment:image2b.png]] |
| Line 107: | Line 107: |
| {{attachment:image3b.png}} Die Klassifizierung ist noch nicht perfekt. |
[[attachment:image3b.png]] Die Klassifikation ist noch nicht perfekt. |
| Line 113: | Line 113: |
| Wir haben die Klassifiezierung noch etwas optimiert, sodass die wichtigsten Strukturen auf dem klassifizierten Bild erkennbar sind. Wir haben außerdem noch ein Bild erstellt, das zusätzlich einen "smooth"-Filter durchlaufen hat. {{{#! |
Wir haben die Klassifikation noch etwas optimiert, sodass die wichtigsten Strukturen auf dem klassifizierten Bild erkennbar sind. Wir haben außerdem noch ein Bild erstellt, das zusätzlich einen "smooth"-Filter durchlaufen hat. Dies ist der Programmtext der vorläufig endgültigen Version. {{{#!python from scipy import * from pylab import * from read_asar import * import scipy.stats import os.path import scipy.ndimage as ndi 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 |
| Line 120: | Line 144: |
| }}} | def db_hist(I,b,r): A_db=nan_to_num(10*log10(I)) h=histogram(A_db,bins=b,range=r,normed=True) return h[0],h[1] def classification(A_db,s): """liefert klassifiziertes Bild aus db-Bild""" # s ist eine Liste mit beliebig vielen Schwellwerten A_cl=A_db.copy() A_cl[A_db<s[0]]=0 for i in range(len(s)): A_cl[A_db>s[i]]=i+1 return A_cl def db_image(A): """rechnet Intensität in dezibel um""" return 10*log10(A) #******************************************************* # Einlesen des Originalbildes filename='/pf/u/u241110/project/asar_box_1090x1051x2.dat' if not(os.path.exists(filename)): file='/pf/u/u242027/SAR_raw/ASA_IMP_1PNDPA20060617_043346_000000162048_00362_22460_2136.N1' I=read_asar_imp(file) w=8 # Größe der "Unterboxen" A=mean_std_box(I,w) A.tofile(filename) else: A=reshape(fromfile(filename),(1090,1051,2)) #********************************************************* # Darstellung des ASAR-Bildes in db (image1.png) figure(1) imshow(10*log10(A[:,:,0]),vmin=-20,vmax=0,interpolation='nearest',origin='lower') gray() colorbar() title('ASAR-Bild in db') #********************************************************** # Histogramm #Festlegung der homogenen Flächen A_db=db_image(A[:,:,0]) A1=A[365:380,976:994,0] A2=A[198:225,168:197,0] A3=A[830:860,55:80,0] A4=A[291:298,877:894,0] Aice=A[763:771,326:329,0] # homogene Flächen (gefiltertes Bild) A_sm=smooth(A[:,:,0],2) A_db_sm=db_image(A_sm) A1_sm=A_sm[365:380,976:994] A2_sm=A_sm[198:225,168:197] A3_sm=A_sm[830:860,55:80] A4_sm=A_sm[291:298,877:894] Aice_sm=A_sm[763:771,326:329] #b=bins, r=Länge der X-Achse im Histogramm b=50 r=[-20,5] # Erzeugung des Histogramms y1,x1=db_hist(A1,b,r) y2,x2=db_hist(A2,b,r) y3,x3=db_hist(A3,b,r) y4,x4=db_hist(A4,b,r) yice,xice=db_hist(Aice,b,r) y1_sm,x1_sm=db_hist(A1_sm,b,r) y2_sm,x2_sm=db_hist(A2_sm,b,r) y3_sm,x3_sm=db_hist(A3_sm,b,r) y4_sm,x4_sm=db_hist(A4_sm,b,r) yice_sm,xice_sm=db_hist(Aice_sm,b,r) # graphische Darstellung figure(2) plot(x1,y1,'g',x2,y2,'b',x3,y3,'y',x4,y4,'r',xice,yice,'m') title('Histogramm (ungefiltert)') xlabel('Intensitaet in db') ylabel('relative Haeufigkeit') figure(3) plot(x1_sm,y1_sm,'g',x2_sm,y2_sm,'b',x3_sm,y3_sm,'y',x4_sm,y4_sm,'r',xice_sm,yice_sm,'m') title('Histogramm (gefiltert)') xlabel('Intensitaet in db') ylabel('relative Haeufigkeit') #************************************************************************* # Klassifikation # Schwellwerte s=[-15.1,-11,-7.56,-1.98] A_class=classification(A_db,s) # Schwellwerte (gefiltertes Bild) s=[-15.2,-11,-7.83,-3.09] A_class_sm=classification(A_db_sm,s) # graphische Darstellung figure(4) imshow(A_class,cm.gist_rainbow,interpolation='nearest',origin='lower') colorbar() title('Klassifiziertes Bild (ungefiltert)') A_class.tofile('asar_class_1090x1051.dat') figure(5) imshow(A_class_sm,cm.gist_rainbow,interpolation='nearest',origin='lower') colorbar() title('Klassifiziertes Bild (gefiltert)') A_class_sm.tofile('asar_class_filtered_1090x1051.dat') }}} Die klassifizierten Arrays sind unter /pf/u/u241110/project/asar_class_1090x1051.dat bzw. .../asar_class_filtered_1090x1051.dat {{attachment:hist_klein.png}} {{attachment:asar_class.png}} {{attachment:hist_filt_klein.png}} {{attachment:asar_class_filt.png}} |
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')
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.
Mittwoch
Wir haben eine Klassifizierung nur über den Mittelwert durchgeführt. Dazu haben wir das Bild in db umgerechnet und uns ein Histogramm erzeugt, bei dem jedoch keine Klassen zu unterscheiden waren. Auch eine Filterung mit dem Lee-Filter und dem Programm smooth hat am Histogramm nicht so viel verändert.
Daher haben wir aus dem gemittelten Bild homogene Bereiche ausgewählt und diese in einem Histogramm geplottet. Insgesamt haben wir fünf Klassen unterschieden, wobei die fünfte Klasse (magenta) äußerst selten vorkam, aber einen sehr hohen Rückstreukoeffizienten hatte.
1 def db_hist(I,b,r):
2 """Input: I ist das Intensitätsbild, b ist die Anzahl der bins, r ist die Limitierung der x-Achse"""
3 A_db=nan_to_num(10*log10(I))
4 h=histogram(A_db,bins=b,range=r,normed=True)
5 return h[0],h[1] # h[0]: y-Achse des Histogramms, h[1]: x-Achse des Histogramms
6
7 # Definition der homogenen Bereiche
8 A_db=10*log10(A[:,:,0])
9 A1=A[295:394,929:997,0]
10 A2=A[198:225,168:197,0]
11 A3=A[863:949,382:464,0]
12 A4=A[846:851,623:629,0]
13 Aice=A[763:771,326:329,0] # vermutlich Eisberge
14
15 b=50
16 r=[-20,5]
17
18 y1,x1=db_hist(A1,b,r)
19 y2,x2=db_hist(A2,b,r)
20 y3,x3=db_hist(A3,b,r)
21 y4,x4=db_hist(A4,b,r)
22 yice,xice=db_hist(Aice,b,r)
23
24 # Histogramm
25 figure(7)
26 plot(x1,y1,'g',x2,y2,'b',x3,y3,'y',x4,y4,'r',xice,yice,'m')
Die Schwellwerte haben wir aus dem Histogramm abgelesen.
1 # Klassifikation
2
3 # Schwellwerte
4 s0=-17.3
5 s1=-12.4
6 s2=-7.88
7 s3=-1.73
8
9 A_class=A_db.copy()
10 A_class[A_db<s0]=0
11 A_class[A_db>s0]=1
12 A_class[A_db>s1]=2
13 A_class[A_db>s2]=3
14 A_class[A_db>s3]=4
15
16 figure(11)
17 imshow(A_class,cm.gist_rainbow,interpolation='nearest',origin='lower')
18 colorbar()
19 show()
Die Klassifikation ist noch nicht perfekt.
Donnerstag
Wir haben die Klassifikation noch etwas optimiert, sodass die wichtigsten Strukturen auf dem klassifizierten Bild erkennbar sind. Wir haben außerdem noch ein Bild erstellt, das zusätzlich einen "smooth"-Filter durchlaufen hat.
Dies ist der Programmtext der vorläufig endgültigen Version.
1 from scipy import *
2 from pylab import *
3 from read_asar import *
4 import scipy.stats
5 import os.path
6 import scipy.ndimage as ndi
7
8
9 def mean_std_box(I,w):
10 """ Mittelwert über wxw Pixel"""
11 Y,X=I.shape # Einlesen der Bilddimension
12 M=zeros((Y/w,X/w,2),float)
13 a=range(0,Y/w,1)
14 b=range(0,X/w,1)
15 for y in a:
16 for x in b:
17 box=I[y*w:y*w+w-1,x*w:x*w+w-1]
18 M[y,x,0]=mean(box.flatten())
19 M[y,x,1]=std(box.flatten())
20 return M
21
22 def smooth(I,N):
23 """Box average filter"""
24 kernel=ones((N,N),float32)/(N**2)
25 return ndi.convolve(I, kernel)
26
27 def db_hist(I,b,r):
28 A_db=nan_to_num(10*log10(I))
29 h=histogram(A_db,bins=b,range=r,normed=True)
30 return h[0],h[1]
31
32 def classification(A_db,s):
33 """liefert klassifiziertes Bild aus db-Bild"""
34 # s ist eine Liste mit beliebig vielen Schwellwerten
35 A_cl=A_db.copy()
36 A_cl[A_db<s[0]]=0
37 for i in range(len(s)):
38 A_cl[A_db>s[i]]=i+1
39 return A_cl
40
41 def db_image(A):
42 """rechnet Intensität in dezibel um"""
43 return 10*log10(A)
44
45 #*******************************************************
46 # Einlesen des Originalbildes
47
48 filename='/pf/u/u241110/project/asar_box_1090x1051x2.dat'
49 if not(os.path.exists(filename)):
50 file='/pf/u/u242027/SAR_raw/ASA_IMP_1PNDPA20060617_043346_000000162048_00362_22460_2136.N1'
51 I=read_asar_imp(file)
52 w=8 # Größe der "Unterboxen"
53 A=mean_std_box(I,w)
54 A.tofile(filename)
55 else:
56 A=reshape(fromfile(filename),(1090,1051,2))
57
58 #*********************************************************
59 # Darstellung des ASAR-Bildes in db (image1.png)
60
61 figure(1)
62 imshow(10*log10(A[:,:,0]),vmin=-20,vmax=0,interpolation='nearest',origin='lower')
63 gray()
64 colorbar()
65 title('ASAR-Bild in db')
66
67 #**********************************************************
68 # Histogramm
69
70 #Festlegung der homogenen Flächen
71 A_db=db_image(A[:,:,0])
72 A1=A[365:380,976:994,0]
73 A2=A[198:225,168:197,0]
74 A3=A[830:860,55:80,0]
75 A4=A[291:298,877:894,0]
76 Aice=A[763:771,326:329,0]
77
78 # homogene Flächen (gefiltertes Bild)
79 A_sm=smooth(A[:,:,0],2)
80 A_db_sm=db_image(A_sm)
81 A1_sm=A_sm[365:380,976:994]
82 A2_sm=A_sm[198:225,168:197]
83 A3_sm=A_sm[830:860,55:80]
84 A4_sm=A_sm[291:298,877:894]
85 Aice_sm=A_sm[763:771,326:329]
86
87 #b=bins, r=Länge der X-Achse im Histogramm
88 b=50
89 r=[-20,5]
90
91 # Erzeugung des Histogramms
92 y1,x1=db_hist(A1,b,r)
93 y2,x2=db_hist(A2,b,r)
94 y3,x3=db_hist(A3,b,r)
95 y4,x4=db_hist(A4,b,r)
96 yice,xice=db_hist(Aice,b,r)
97
98 y1_sm,x1_sm=db_hist(A1_sm,b,r)
99 y2_sm,x2_sm=db_hist(A2_sm,b,r)
100 y3_sm,x3_sm=db_hist(A3_sm,b,r)
101 y4_sm,x4_sm=db_hist(A4_sm,b,r)
102 yice_sm,xice_sm=db_hist(Aice_sm,b,r)
103
104 # graphische Darstellung
105 figure(2)
106 plot(x1,y1,'g',x2,y2,'b',x3,y3,'y',x4,y4,'r',xice,yice,'m')
107 title('Histogramm (ungefiltert)')
108 xlabel('Intensitaet in db')
109 ylabel('relative Haeufigkeit')
110
111 figure(3)
112 plot(x1_sm,y1_sm,'g',x2_sm,y2_sm,'b',x3_sm,y3_sm,'y',x4_sm,y4_sm,'r',xice_sm,yice_sm,'m')
113 title('Histogramm (gefiltert)')
114 xlabel('Intensitaet in db')
115 ylabel('relative Haeufigkeit')
116
117 #*************************************************************************
118 # Klassifikation
119
120 # Schwellwerte
121 s=[-15.1,-11,-7.56,-1.98]
122 A_class=classification(A_db,s)
123
124 # Schwellwerte (gefiltertes Bild)
125 s=[-15.2,-11,-7.83,-3.09]
126 A_class_sm=classification(A_db_sm,s)
127
128 # graphische Darstellung
129 figure(4)
130 imshow(A_class,cm.gist_rainbow,interpolation='nearest',origin='lower')
131 colorbar()
132 title('Klassifiziertes Bild (ungefiltert)')
133 A_class.tofile('asar_class_1090x1051.dat')
134
135 figure(5)
136 imshow(A_class_sm,cm.gist_rainbow,interpolation='nearest',origin='lower')
137 colorbar()
138 title('Klassifiziertes Bild (gefiltert)')
139 A_class_sm.tofile('asar_class_filtered_1090x1051.dat')
Die klassifizierten Arrays sind unter /pf/u/u241110/project/asar_class_1090x1051.dat bzw. .../asar_class_filtered_1090x1051.dat
