Diff for "\AG3_Zusammensetzung"

Differences between revisions 12 and 21 (spanning 9 versions)

die Besprechung ergab fuer diese Gruppe:

Trockenprogrammierung: insbesondere die Konsistenz von Bildkoordinaten von ASAR und Freibord-Footprint klären die Klasseneinteilungen von ASAR und Freibordhöhen vergleichen Frage "welche Statistik will man anwenden" beantworten

Dienstag

Am Dienstag / Mittwoch erzeugtes Programm, das mit dem Zufallsgenerator sowohl die ASAR als auch Freibord - Daten erzeugt:

   1 #project_plot.py
   2 
   3 from pylab import *
   4 from scipy import *
   5 import time,calendar,os,pipes,struct,string
   6 import random
   7 import scipy.ndimage as ndi
   8 from matplotlib.patches import Ellipse
   9 
  10 nk=5 #number of classes
  11 ndim=[1000,1000] #dimension of ASAR image in pixels
  12 res=12.5
  13 freeb_asar_pixels=int(60./res)# footprint of freeboard is 60m
  14 
  15 fx0,fy0,fx2,fy2=[0.2,1.,1.,0.1]
  16 fx0,fy0,fx2,fy2=fx0*ndim[0],fy0*ndim[0],fx2*ndim[0],fy2*ndim[0] # freeboard coordinates from input file
  17 dist=sqrt((fx2-fx0)**2+(fy2-fy0)**2)*res
  18 fdist=172 #distance of two freeboard footprints is 172m
  19 nf=int(dist/fdist)
  20 
  21 fz_h=zeros(nf) #fz_h is the freeboard heights
  22 # produce a random array of freeboard heights
  23 for i in range(nf):
  24    fz_h[i]=random.random()*70
  25 
  26 # the x,y positions of the freeboard footprints
  27 if fx2==fx0:
  28    fx=zeros(nf)+fx0
  29    fy=linspace(0,ndim[1],nf)
  30 else:
  31    teta=(fy2-fy0)/(fx2-fx0)
  32    fx=linspace(fx0,fx2,nf)
  33    fy=(fx-fx0)*teta+fy0
  34 #produce a random matrix of ASAR image classes (in 3 classes)
  35 
  36 a=zeros((ndim[0],ndim[1]))
  37 for i in range(ndim[0]):
  38    for j in range(ndim[1]):
  39       a[i,j]=int(random.random()*(nk)+1)
  40 
  41 #tranform from float to int
  42 
  43 #A=ndimage.gaussian_filter(a,1)+0.5
  44 #B=A.astype(int)
  45 B=a.astype(int)
  46 
  47 #select the class of footprints from ASAR Image
  48 fz=zeros(nf)
  49 for i in range(nf):
  50    fz[i]=B[int(fx[i]-1),int(fy[i]-1)]
  51 
  52 #calculation of mean and standard deviation of freeboard heights in each class
  53 mean=zeros(nk)
  54 std_kl=zeros(nk)
  55 for kl in range(1,6):
  56    s=(fz==kl)
  57    fh_kl=fz_h[s]
  58    mean[kl-1]=fh_kl.sum()/fh_kl.shape[0]
  59    std_kl[kl-1]=std(fh_kl)
  60 
  61 #plot mean and error bar
  62 kl=arange(nk)+1
  63 bar(kl,mean,yerr=std_kl,ecolor='r',align='center')
  64 axis('tight')
  65 savefig('kl_mean_std', orientation='portrait', format='png')
  66 
  67 #calculate correlation coefficient
  68 #corr=xcorr(fz,fz_h,normed=True)[1][nf]
  69 
  70 figure()
  71 #plot ASAR image class together with freeboard heights
  72 x=arange(nf)
  73 bar(x,fz,width=0.3,align='center')
  74 ylim(0,10)
  75 ax=twinx()
  76 plot(x,fz_h,'r+-',ms=10,linewidth=1)
  77 ylim(0,70)
  78 savefig('asar_fb', orientation='portrait', format='png')
  79 
  80 #axis('tight')
  81 
  82 #plot ASAR image with freeboard flight
  83 figure()
  84 ct=zeros((nf,4))
  85 for i in range(nf):
  86    ct[i]=cm.gist_rainbow(int(fz_h[i]))
  87 ax=axes()
  88 ells=[Ellipse(xy=[fx[i],fy[i]],width=freeb_asar_pixels,height=freeb_asar_pixels) for i in xrange(nf)]
  89 n=0
  90 for e in ells:
  91    ax.add_artist(e)
  92    e.set_clip_box(ax.bbox)
  93    e.set_alpha(0.5)
  94    e.set_facecolor(ct[n])
  95    n+=1
  96 gray()
  97 imshow(B,origin='lower',interpolation=None)
  98 hold(True)
  99 #plot(fx,fy,'r+-',linewidth=2)
 100 xlim(400,600)
 101 ylim(500,700)
 102 #xlim(0,1000)
 103 #ylim(0,1000)
 104 colorbar()
 105 savefig('asar_fb_track', orientation='portrait', format='png')
 106 
 107 #figure()
 108 #imshow(a)
 109 show()

Figure 1 (class - mean, standard deviation) / VIRTUELLE DATEN :

Figure 2 (asar, freboard) / VIRTUELLE DATEN :

Ziele für Mittwoch:

Vom gestern erzeugte Graphen verfeinen
Programm für ASAR-Rohdaten & Freiborddaten Vergleich

Mittwoch

Am Mittwoch erzeugtes Programm, das ASAR-Rohdaten und Freiborddaten (Zufallsgenerator), Faltungmaske 5x5 Pixel wurde benutzt:

   1 #ASAR_raw.py
   2 
   3 from pylab import *
   4 from scipy import *
   5 import time,calendar,os,pipes,struct,string
   6 import random
   7 import scipy.ndimage as ndi
   8 from read_asar import *
   9 
  10 filename='/pf/u/u242027/SAR_raw/ASA_IMP_1PNDPA20060617_043346_000000162048_00362_22460_2136.N1'
  11 I=read_asar_imp(filename)
  12 
  13 ndim=[1000,1000] #dimension of ASAR image in pixels
  14 
  15 fx0,fy0,fx2,fy2=[200.,1000.,1000.,100.] # freeboard coordinates from input file
  16 cellsize=12.5 #12.5m pixelsize
  17 dist=sqrt((fx2-fx0)**2+(fy2-fy0)**2)*cellsize
  18 fdist=172 #distance of two freeboard footprints is 172m
  19 nf=dist/fdist
  20 
  21 fz_h=zeros(nf) #fz_h is the freeboard heights
  22 # produce a random array of freeboard heights
  23 for i in range(nf):
  24    fz_h[i]=random.random()*70
  25 
  26 # the x,y positions of the freeboard footprints
  27 if fx2==fx0:
  28    fx=zeros(nf)+fx0
  29    fy=linspace(0,ndim[1],nf)
  30 else:
  31    teta=(fy2-fy0)/(fx2-fx0)
  32    fx=linspace(fx0,fx2,nf)
  33    fy=(fx-fx0)*teta+fy0
  34 
  35 
  36 B=I[1000:2000,1000:2000]
  37 
  38 mask=array(([1,1,1,1,1],[1,2,2,2,1],[1,2,3,2,1],[1,2,2,2,1],[1,1,1,1,1]))/35.
  39 C=ndimage.convolve(B,mask,mode='reflect')
  40 
  41 #select the intensity value of footprints from ASAR Image
  42 fz=zeros(nf)
  43 for i in range(nf):
  44    pos=[int(fx[i]-1),int(fy[i]-1)]
  45    fz[i]=B[pos[0],pos[1]]
  46 
  47 
  48 #calculate correlation coefficient
  49 corr=xcorr(fz,fz_h,normed=True)[1][nf]
  50 
  51 figure()
  52 #plot ASAR image intensity together with freeboard heights
  53 x=arange(int(nf))
  54 plot(x,fz,'b+-')
  55 ax=twinx()
  56 plot(x,fz_h,'r+-')
  57 savefig('asar_fb_track_RAW', orientation='portrait', format='png')
  58 
  59 #plot ASAR image with freeboard flight
  60 #figure()
  61 #plot(fx,fy,'r+-',linewidth=2)
  62 #colorbar()
  63 #imshow(B,origin='lower',interpolation=None)
  64 #hold(True)
  65 
  66 show()

Figure 1 (raw asar image, freeboard) / REELLE ASAR DATEN + VIRTUELLER FREIBORDDATENSATZ ::

Ziele für Donnerstag:

Farbtabelle für Freibordhöhen einbauen
Programpaketen der anderen Gruppe übernehmen und ins Programm einbauen
Testen und erste Ergebnisse liefern
Bericht schreiben

Donnerstag

Am Donnerstag erzeugte Farbtabelle im 'project_plot.py' Program für Freibordhöhen:

Figure 3 (asar, freeboard track) / VIRTUELLE DATEN :

Berichtteil:

Motivation

Das Ziel von unserem Projekt ist es die Freibordhöhen im Gebiet des Weddellmeeres (Antarktis) zu klassifizieren. Dazu stehen uns ICESat und ENVISAT Daten zur Verfügung. Unsere Aufgabe ist festzustellen ob es möglich ist, die ASAR Daten für Eisdickenklassifikation zu benutzen? Die ICESat Überflügsdaten werden bei der Validierung helfen. Wir fragen uns auch, im welchem Fehlerbereich diese Klassifikation möglich ist?

Daten

---> aus dem Zufallsgenerator erzeugte Daten

Methodik (Arbeitsschritten, Theorie, Input/Output)

Weil es am Beginn des Projektes noch keine Ergebnisse von den anderen Gruppen zur Verfügung gestanden sind, hat unsere Gruppe in den ersten Projekttagen mit den aus dem Zufallsgenerator erzeugten Daten gearbeitet. Mit dem Zufallsgenerator "random.random()" haben wir Freibordhöhen () und ASAR Bild ()....

Am Donnerstag haben wir beide Teile der Programme erhalten. Funktion x Program

Ergebnisse (Output, Statistik)

...

Diskussion

Hypothese: "Es ist möglich die Eisdicke/Freibordhöhe mittels ASAR Daten zu klassifizieren."
"Die ICESat Daten werden uns dabei helfen, die klassifizierte Bilder zu validieren."
Im welchem Fehlerbereich diese Klassifikation möglich ist?

-  ⇤ ← Revision 12 as of 2008-07-10 13:20:36 → 
  Size: 3793
  Editor: anonymous
  Comment:
+   ← Revision 21 as of 2008-07-10 14:52:42 → ⇥
  Size: 7389
  Editor: anonymous
  Comment:
-Deletions are marked like this.
+Additions are marked like this.
 Line 5:
+__'''Dienstag'''__
-Line 6:
+Line 8:
- . '''Am Dienstag / Mittwoch erzeugtes Programm:'''
+ . '''Am Dienstag / Mittwoch erzeugtes Programm, das mit dem Zufallsgenerator sowohl die ASAR als auch Freibord - Daten erzeugt:'''
-Line 12:
+Line 13:
-#project_plot
+#project_plot.py
-Line 36:
+Line 38:
 # the x,y positions of the freeboard footprints
-Line 57:
+Line 59:
 #select the class of footprints from ASAR Image
-Line 69:
+Line 71:
    std_kl[kl-1]=std(fh_kl)
-Line 76:
+Line 78:
 #calculate correlation coefficient
-Line 81:
+Line 83:
 #plot ASAR image class together with freeboard heights
-Line 121:
+Line 123:
-Figure 1 (class_mean_standard deviation):

{{attachment:kl_mean_std}}

Figure 2 (asar, freboard):
+Figure 1 (class - mean, standard deviation) / '''VIRTUELLE DATEN''' :

{{attachment:kl_mean_std.png}}

Figure 2 (asar, freboard) / '''VIRTUELLE DATEN''' :
-Line 129:
+Line 130:
-Figure 3 (asar, freeboard track):

{{attachment:image2b.png}}
-Line 140:
+Line 136:
-'''Mittwoch
'''

{{attachment:image2b.png}}
+'''__Mittwoch__ '''

----------
 . '''Am Mittwoch erzeugtes Programm, das ASAR-Rohdaten und Freiborddaten (Zufallsgenerator), Faltungmaske 5x5 Pixel wurde benutzt:'''

{{{
#!python

#ASAR_raw.py

from pylab import *
from scipy import *
import time,calendar,os,pipes,struct,string
import random
import scipy.ndimage as ndi
from read_asar import *

filename='/pf/u/u242027/SAR_raw/ASA_IMP_1PNDPA20060617_043346_000000162048_00362_22460_2136.N1'
I=read_asar_imp(filename)

ndim=[1000,1000] #dimension of ASAR image in pixels

fx0,fy0,fx2,fy2=[200.,1000.,1000.,100.] # freeboard coordinates from input file
cellsize=12.5 #12.5m pixelsize
dist=sqrt((fx2-fx0)**2+(fy2-fy0)**2)*cellsize
fdist=172 #distance of two freeboard footprints is 172m
nf=dist/fdist

fz_h=zeros(nf) #fz_h is the freeboard heights
# produce a random array of freeboard heights
for i in range(nf):
   fz_h[i]=random.random()*70

# the x,y positions of the freeboard footprints
if fx2==fx0:
   fx=zeros(nf)+fx0
   fy=linspace(0,ndim[1],nf)
else:
   teta=(fy2-fy0)/(fx2-fx0)
   fx=linspace(fx0,fx2,nf)
   fy=(fx-fx0)*teta+fy0


B=I[1000:2000,1000:2000]

mask=array(([1,1,1,1,1],[1,2,2,2,1],[1,2,3,2,1],[1,2,2,2,1],[1,1,1,1,1]))/35.
C=ndimage.convolve(B,mask,mode='reflect')

#select the intensity value of footprints from ASAR Image
fz=zeros(nf)
for i in range(nf):
   pos=[int(fx[i]-1),int(fy[i]-1)]
   fz[i]=B[pos[0],pos[1]]


#calculate correlation coefficient
corr=xcorr(fz,fz_h,normed=True)[1][nf]

figure()
#plot ASAR image intensity together with freeboard heights
x=arange(int(nf))
plot(x,fz,'b+-')
ax=twinx()
plot(x,fz_h,'r+-')
savefig('asar_fb_track_RAW', orientation='portrait', format='png')

#plot ASAR image with freeboard flight
#figure()
#plot(fx,fy,'r+-',linewidth=2)
#colorbar()
#imshow(B,origin='lower',interpolation=None)
#hold(True)

show()

}}}
Figure 1 (raw asar image, freeboard) /  '''REELLE ASAR DATEN + VIRTUELLER FREIBORDDATENSATZ''' ::

{{attachment:asar_fb_track_RAW.png}}
-Line 147:
+Line 218:
-'''Ziele für Donnerstag<<BR>>'''

 * Farbtabelle für Freibordhöhen eibauen
+'''Ziele für Donnerstag:'''

 * Farbtabelle für Freibordhöhen einbauen
-Line 154:
+Line 225:
-'''Donnerstag'''
+'''__Donnerstag__ '''

----------
 . '''Am Donnerstag erzeugte Farbtabelle im 'project_plot.py' Program für Freibordhöhen:'''

Figure 3 (asar, freeboard track) / '''VIRTUELLE DATEN''' :

{{attachment:asar_fb_track.png}}

-------
Berichtteil:

__Motivation__

Das Ziel von unserem Projekt ist es die Freibordhöhen im Gebiet des Weddellmeeres (Antarktis) zu klassifizieren. Dazu stehen uns ICESat und ENVISAT Daten zur Verfügung. Unsere Aufgabe ist festzustellen ob es möglich ist, die ASAR Daten für Eisdickenklassifikation zu benutzen? Die ICESat Überflügsdaten werden bei der Validierung helfen. Wir fragen uns auch, im welchem Fehlerbereich diese Klassifikation möglich ist?

__Daten__

---> aus dem Zufallsgenerator erzeugte Daten

__Methodik __(Arbeitsschritten, Theorie, Input/Output)

Weil es am Beginn des Projektes noch keine Ergebnisse von den anderen Gruppen zur Verfügung gestanden sind, hat unsere Gruppe in den ersten Projekttagen mit den aus dem Zufallsgenerator erzeugten Daten gearbeitet. Mit dem Zufallsgenerator "random.random()" haben wir Freibordhöhen () und ASAR Bild ()....

Am Donnerstag haben wir beide Teile der Programme erhalten. Funktion x  Program

__Ergebnisse __(Output, Statistik)

__...<<BR>>__

__Diskussion__

 * Hypothese:  "Es ist möglich die Eisdicke/Freibordhöhe mittels ASAR Daten zu klassifizieren."
 * "Die ICESat Daten werden uns dabei helfen, die klassifizierte Bilder zu validieren."
 * Im welchem Fehlerbereich diese Klassifikation möglich ist?