|
Size: 971
Comment:
|
Size: 7827
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 11: | Line 11: |
| 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. | 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. |
| Line 27: | Line 27: |
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. === 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. {{{#!python def db_hist(I,b,r): """Input: I ist das Intensitätsbild, b ist die Anzahl der bins, r ist die Limitierung der x-Achse""" A_db=nan_to_num(10*log10(I)) h=histogram(A_db,bins=b,range=r,normed=True) return h[0],h[1] # h[0]: y-Achse des Histogramms, h[1]: x-Achse des Histogramms # Definition der homogenen Bereiche A_db=10*log10(A[:,:,0]) A1=A[295:394,929:997,0] A2=A[198:225,168:197,0] A3=A[863:949,382:464,0] A4=A[846:851,623:629,0] Aice=A[763:771,326:329,0] # vermutlich Eisberge b=50 r=[-20,5] 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) # Histogramm figure(7) plot(x1,y1,'g',x2,y2,'b',x3,y3,'y',x4,y4,'r',xice,yice,'m') }}} {{attachment:image2b.png}} Die Schwellwerte haben wir aus dem Histogramm abgelesen. {{{#!python # Klassifikation # Schwellwerte s0=-17.3 s1=-12.4 s2=-7.88 s3=-1.73 A_class=A_db.copy() A_class[A_db<s0]=0 A_class[A_db>s0]=1 A_class[A_db>s1]=2 A_class[A_db>s2]=3 A_class[A_db>s3]=4 figure(11) imshow(A_class,cm.gist_rainbow,interpolation='nearest',origin='lower') colorbar() show() }}} {{attachment: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. {{{#!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 def smooth(I,N): """Box average filter""" kernel=ones((N,N),float32)/(N**2) return ndi.convolve(I, kernel) 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 #******************************************************* # 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=10*log10(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=10*log10(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 #*******************************************************
42 # Einlesen des Originalbildes
43
44 filename='/pf/u/u241110/project/asar_box_1090x1051x2.dat'
45 if not(os.path.exists(filename)):
46 file='/pf/u/u242027/SAR_raw/ASA_IMP_1PNDPA20060617_043346_000000162048_00362_22460_2136.N1'
47 I=read_asar_imp(file)
48 w=8 # Größe der "Unterboxen"
49 A=mean_std_box(I,w)
50 A.tofile(filename)
51 else:
52 A=reshape(fromfile(filename),(1090,1051,2))
53
54 #*********************************************************
55 # Darstellung des ASAR-Bildes in db (image1.png)
56
57 figure(1)
58 imshow(10*log10(A[:,:,0]),vmin=-20,vmax=0,interpolation='nearest',origin='lower')
59 gray()
60 colorbar()
61 title('ASAR-Bild in db')
62
63 #**********************************************************
64 # Histogramm
65
66 #Festlegung der homogenen Flächen
67 A_db=10*log10(A[:,:,0])
68 A1=A[365:380,976:994,0]
69 A2=A[198:225,168:197,0]
70 A3=A[830:860,55:80,0]
71 A4=A[291:298,877:894,0]
72 Aice=A[763:771,326:329,0]
73
74 # homogene Flächen (gefiltertes Bild)
75 A_sm=smooth(A[:,:,0],2)
76 A_db_sm=10*log10(A_sm)
77 A1_sm=A_sm[365:380,976:994]
78 A2_sm=A_sm[198:225,168:197]
79 A3_sm=A_sm[830:860,55:80]
80 A4_sm=A_sm[291:298,877:894]
81 Aice_sm=A_sm[763:771,326:329]
82
83 #b=bins, r=Länge der X-Achse im Histogramm
84 b=50
85 r=[-20,5]
86
87 # Erzeugung des Histogramms
88 y1,x1=db_hist(A1,b,r)
89 y2,x2=db_hist(A2,b,r)
90 y3,x3=db_hist(A3,b,r)
91 y4,x4=db_hist(A4,b,r)
92 yice,xice=db_hist(Aice,b,r)
93
94 y1_sm,x1_sm=db_hist(A1_sm,b,r)
95 y2_sm,x2_sm=db_hist(A2_sm,b,r)
96 y3_sm,x3_sm=db_hist(A3_sm,b,r)
97 y4_sm,x4_sm=db_hist(A4_sm,b,r)
98 yice_sm,xice_sm=db_hist(Aice_sm,b,r)
99
100 # graphische Darstellung
101 figure(2)
102 plot(x1,y1,'g',x2,y2,'b',x3,y3,'y',x4,y4,'r',xice,yice,'m')
103 title('Histogramm (ungefiltert)')
104 xlabel('Intensitaet in db')
105 ylabel('relative Haeufigkeit')
106
107 figure(3)
108 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')
109 title('Histogramm (gefiltert)')
110 xlabel('Intensitaet in db')
111 ylabel('relative Haeufigkeit')
112
113 #*************************************************************************
114 # Klassifikation
115
116 # Schwellwerte
117 s=[-15.1,-11,-7.56,-1.98]
118 A_class=classification(A_db,s)
119
120 # Schwellwerte (gefiltertes Bild)
121 s=[-15.2,-11,-7.83,-3.09]
122 A_class_sm=classification(A_db_sm,s)
123
124 # graphische Darstellung
125 figure(4)
126 imshow(A_class,cm.gist_rainbow,interpolation='nearest',origin='lower')
127 colorbar()
128 title('Klassifiziertes Bild (ungefiltert)')
129 A_class.tofile('asar_class_1090x1051.dat')
130
131 figure(5)
132 imshow(A_class_sm,cm.gist_rainbow,interpolation='nearest',origin='lower')
133 colorbar()
134 title('Klassifiziertes Bild (gefiltert)')
135 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
