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.

{{{#!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.

=== 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 und Freitag ===

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 endgültigen Version.

{{{#!python
# Programm zur Klassifikation von Eistypen eines ASAR-Bildes

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):
    I_db=nan_to_num(10*log10(I))
    h=histogram(I_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(db_image(A[:,:,0]),vmin=-20,vmax=0,interpolation='nearest',origin='lower')
gray()
colorbar()
title('ASAR-Bild in db')

#*********************************************************************
# Streudiagramm

figure(8)
plot(A[:,:,0].flatten(),A[:,:,1].flatten(),'.')
xlabel('Mittelwert')
ylabel('std')

#*********************************************************************
# Histogramme

# Festlegung der homogenen Flächen
A_db=db_image(A[:,:,0])
A_homogen=(A[365:380,976:994,0],A[198:225,168:197,0],A[830:860,55:80,0],A[291:298,877:894,0],A[763:771,326:329,0])

# gefiltertes Bild
A_sm=smooth(A[:,:,0],2)
A_db_sm=db_image(A_sm)
A_homogen_sm=(A_sm[365:380,976:994],A_sm[198:225,168:197],A_sm[830:860,55:80],A_sm[291:298,877:894],A_sm[763:771,326:329])

#b=bins, r=Länge der X-Achse im Histogramm
b=50
r=[-20,5]

# Erzeugung des Histogramms
y=zeros((b,len(A_homogen)),float)
x=zeros((b,len(A_homogen)),float)
for i in range(len(A_homogen)):
    y[:,i],x[:,i]=db_hist(A_homogen[i],b,r)

y_sm=zeros((b,len(A_homogen)),float)
x_sm=zeros((b,len(A_homogen)),float)
for i in range(len(A_homogen_sm)):
    y_sm[:,i],x_sm[:,i]=db_hist(A_homogen_sm[i],b,r)

# graphische Darstellung
cl=['g','b','y','r','m']

figure(2)
for i in range(len(A_homogen)):
    plot(x[:,i],y[:,i],cl[i])
    hold(True)
    
title('Histogramm')
xlabel('Intensitaet in db')
ylabel('relative Haeufigkeit')

figure(3)
for i in range(len(A_homogen_sm)):
    plot(x_sm[:,i],y_sm[:,i],cl[i])
    hold(True)

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)

# 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')

#**********************************************************************
show()
}}}

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}}