Differences between revisions 18 and 21 (spanning 3 versions)
Revision 18 as of 2008-07-10 14:07:25
Size: 7827
Comment:
Revision 21 as of 2008-07-11 08:33:10
Size: 8047
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}} [[attachment:image3b.png]]
Line 128: Line 128:
    """ Mittelwert über wxw Pixel"""     """ Mittelwert und Standardabweichung über wxw Pixel"""
Line 138: Line 138:
    return M     return M # liefert Mittelwert und Standardabweichung
Line 146: Line 146:
    A_db=nan_to_num(10*log10(I))     """liefert Achsen des Histogramms"""
A_db=nan_to_num(10*log10(I)) # Input nicht in db!
Line 158: Line 159:

def db_image(A):
    """rechnet Intensität in dezibel um"""
    return 10*log10(A)
Line 176: Line 181:
imshow(10*log10(A[:,:,0]),vmin=-20,vmax=0,interpolation='nearest',origin='lower') imshow(db_image(A[:,:,0]),vmin=-20,vmax=0,interpolation='nearest',origin='lower')
Line 185: Line 190:
A_db=10*log10(A[:,:,0]) A_db=db_image(A[:,:,0])
Line 194: Line 199:
A_db_sm=10*log10(A_sm) A_db_sm=db_image(A_sm)
Line 201: Line 206:
#b=bins, r=Länge der X-Achse im Histogramm # b=bins, r=Länge der X-Achse im Histogramm

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.

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')

image2b.png

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()

image3b.png

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 und Standardabweichung 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 # liefert Mittelwert und Standardabweichung
  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     """liefert Achsen des Histogramms"""
  29     A_db=nan_to_num(10*log10(I)) # Input nicht in db!
  30     h=histogram(A_db,bins=b,range=r,normed=True)
  31     return h[0],h[1]
  32 
  33 def classification(A_db,s):
  34     """liefert klassifiziertes Bild aus db-Bild"""
  35     # s ist eine Liste mit beliebig vielen Schwellwerten
  36     A_cl=A_db.copy()
  37     A_cl[A_db<s[0]]=0
  38     for i in range(len(s)):
  39         A_cl[A_db>s[i]]=i+1
  40     return A_cl
  41 
  42 def db_image(A):
  43     """rechnet Intensität in dezibel um"""
  44     return 10*log10(A)
  45 
  46 #*******************************************************
  47 # Einlesen des Originalbildes
  48 
  49 filename='/pf/u/u241110/project/asar_box_1090x1051x2.dat'
  50 if not(os.path.exists(filename)):
  51     file='/pf/u/u242027/SAR_raw/ASA_IMP_1PNDPA20060617_043346_000000162048_00362_22460_2136.N1'
  52     I=read_asar_imp(file)
  53     w=8 # Größe der "Unterboxen"
  54     A=mean_std_box(I,w)
  55     A.tofile(filename)
  56 else:
  57     A=reshape(fromfile(filename),(1090,1051,2))
  58 
  59 #*********************************************************
  60 # Darstellung des ASAR-Bildes in db (image1.png)
  61 
  62 figure(1)
  63 imshow(db_image(A[:,:,0]),vmin=-20,vmax=0,interpolation='nearest',origin='lower')
  64 gray()
  65 colorbar()
  66 title('ASAR-Bild in db')
  67 
  68 #**********************************************************
  69 # Histogramm
  70 
  71 #Festlegung der homogenen Flächen
  72 A_db=db_image(A[:,:,0])
  73 A1=A[365:380,976:994,0]
  74 A2=A[198:225,168:197,0]
  75 A3=A[830:860,55:80,0]
  76 A4=A[291:298,877:894,0]
  77 Aice=A[763:771,326:329,0]
  78 
  79 # homogene Flächen (gefiltertes Bild)
  80 A_sm=smooth(A[:,:,0],2)
  81 A_db_sm=db_image(A_sm)
  82 A1_sm=A_sm[365:380,976:994]
  83 A2_sm=A_sm[198:225,168:197]
  84 A3_sm=A_sm[830:860,55:80]
  85 A4_sm=A_sm[291:298,877:894]
  86 Aice_sm=A_sm[763:771,326:329]
  87 
  88 # b=bins, r=Länge der X-Achse im Histogramm
  89 b=50
  90 r=[-20,5]
  91 
  92 # Erzeugung des Histogramms
  93 y1,x1=db_hist(A1,b,r)
  94 y2,x2=db_hist(A2,b,r)
  95 y3,x3=db_hist(A3,b,r)
  96 y4,x4=db_hist(A4,b,r)
  97 yice,xice=db_hist(Aice,b,r)
  98 
  99 y1_sm,x1_sm=db_hist(A1_sm,b,r)
 100 y2_sm,x2_sm=db_hist(A2_sm,b,r)
 101 y3_sm,x3_sm=db_hist(A3_sm,b,r)
 102 y4_sm,x4_sm=db_hist(A4_sm,b,r)
 103 yice_sm,xice_sm=db_hist(Aice_sm,b,r)
 104 
 105 # graphische Darstellung
 106 figure(2)
 107 plot(x1,y1,'g',x2,y2,'b',x3,y3,'y',x4,y4,'r',xice,yice,'m')
 108 title('Histogramm (ungefiltert)')
 109 xlabel('Intensitaet in db')
 110 ylabel('relative Haeufigkeit')
 111 
 112 figure(3)
 113 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')
 114 title('Histogramm (gefiltert)')
 115 xlabel('Intensitaet in db')
 116 ylabel('relative Haeufigkeit')
 117 
 118 #*************************************************************************
 119 # Klassifikation
 120 
 121 # Schwellwerte
 122 s=[-15.1,-11,-7.56,-1.98]
 123 A_class=classification(A_db,s)
 124 
 125 # Schwellwerte (gefiltertes Bild)
 126 s=[-15.2,-11,-7.83,-3.09]
 127 A_class_sm=classification(A_db_sm,s)
 128 
 129 # graphische Darstellung
 130 figure(4)
 131 imshow(A_class,cm.gist_rainbow,interpolation='nearest',origin='lower')
 132 colorbar()
 133 title('Klassifiziertes Bild (ungefiltert)')
 134 A_class.tofile('asar_class_1090x1051.dat')
 135 
 136 figure(5)
 137 imshow(A_class_sm,cm.gist_rainbow,interpolation='nearest',origin='lower')
 138 colorbar()
 139 title('Klassifiziertes Bild (gefiltert)')
 140 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

hist_klein.png asar_class.png hist_filt_klein.png asar_class_filt.png

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