| Size: 2318 Comment:  | Size: 8342 Comment:  | 
| Deletions are marked like this. | Additions are marked like this. | 
| Line 3: | Line 3: | 
| 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 ------------------------------------------------------------------------------ #Bisher erzeugtes Programm: {{{#!python | . 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:''' {{{ #!python #project_plot.py | 
| Line 20: | Line 20: | 
| nk=3 #number of classes ndim=[100,100] #dimension of ASAR image in pixels fx0,fy0,fx2,fy2=[20.,100.,100.,10.] # freeboard coordinates from input file nf=11 #number of freeboard footprints | from matplotlib.patches import Ellipse nk=5 #number of classes ndim=[1000,1000] #dimension of ASAR image in pixels res=12.5 freeb_asar_pixels=int(60./res)# footprint of freeboard is 60m fx0,fy0,fx2,fy2=[0.2,1.,1.,0.1] fx0,fy0,fx2,fy2=fx0*ndim[0],fy0*ndim[0],fx2*ndim[0],fy2*ndim[0] # freeboard coordinates from input file dist=sqrt((fx2-fx0)**2+(fy2-fy0)**2)*res fdist=172 #distance of two freeboard footprints is 172m nf=int(dist/fdist) | 
| Line 31: | Line 38: | 
| # the x,y positions of the freeboard footprints | # the x,y positions of the freeboard footprints | 
| Line 39: | Line 46: | 
| #produce a random matrix of ASAR image classes (in 3 classes) | #produce a random matrix of ASAR image classes (in 5 classes) | 
| Line 47: | Line 54: | 
| #A=ndimage.gaussian_filter(a,1)+0.5 #B=A.astype(int) | |
| Line 52: | Line 56: | 
| #select the class of footprints from ASAR Image | #select the class of footprints from ASAR Image | 
| Line 60: | Line 64: | 
| for kl in (1,2,3): | for kl in range(1,6): | 
| Line 64: | Line 68: | 
| std_kl[kl-1]=std(fh_kl) | std_kl[kl-1]=std(fh_kl) | 
| Line 67: | Line 71: | 
| kl=[1,2,3] | kl=arange(nk)+1 | 
| Line 69: | Line 73: | 
| #calculate correlation coefficient | axis('tight') savefig('kl_mean_std', orientation='portrait', format='png') #calculate correlation coefficient | 
| Line 75: | Line 80: | 
| #plot ASAR image class together with freeboard heights | #plot ASAR image class together with freeboard heights | 
| Line 77: | Line 82: | 
| bar(x,fz,align='center') ylim(0,6) | bar(x,fz,width=0.3,align='center') ylim(0,10) | 
| Line 80: | Line 85: | 
| plot(x,fz_h,'r+-') xlim(-2,12) | plot(x,fz_h,'r+-',ms=10,linewidth=1) ylim(0,70) savefig('asar_fb', orientation='portrait', format='png') #axis('tight') | 
| Line 85: | Line 93: | 
| plot(fx,fy,'r+-',linewidth=2) xlim(0,100) ylim(0,100) colorbar() | ct=zeros((nf,4)) for i in range(nf): ct[i]=cm.gist_rainbow(int(fz_h[i])) ax=axes() ells=[Ellipse(xy=[fx[i],fy[i]],width=freeb_asar_pixels,height=freeb_asar_pixels) for i in xrange(nf)] n=0 for e in ells: ax.add_artist(e) e.set_clip_box(ax.bbox) e.set_alpha(0.5) e.set_facecolor(ct[n]) n+=1 gray() | 
| Line 91: | Line 108: | 
| #plot(fx,fy,'r+-',linewidth=2) xlim(400,600) ylim(500,700) #xlim(0,1000) #ylim(0,1000) colorbar() savefig('asar_fb_track', orientation='portrait', format='png') | |
| Line 96: | Line 120: | 
| Figure 1 (class - mean, standard deviation) / '''VIRTUELLE DATEN''' : {{attachment:kl_mean_std.png}} Figure 2 (asar, freboard) / '''VIRTUELLE DATEN''' : {{attachment:asar_fb.png}} '''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:''' {{{ #!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}} '''''' '''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''' : {{attachment:asar_fb_track.png}} ------- Berichtteil (Zusammenbau): __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__ In der erste Phase unseres Projektes haben wir mit aus dem Zufallsgenerator erzeugten Daten gearbeitet. Später haben wir die Programme anderer Gruppen eingebaut und als Eingabe a) Freibordhöhen in den Bildkoordinaten und b) Array der klassifizierten ASAR Datei als Eingabe bekommen. __Methodik __(Arbeitsschritten, Theorie, Input/Output) Als erste Aufgabe haben wir uns damit beschäftigt, wie man den Zufallsgenerator benutzen kann. Mittels Funktion "random()" haben wir das klassifizierte ASAR-Testbild (1000x1000 Pixels, 12,5 Meter Pixelgröße) mit dem simulierten ICESat-Überflug erzeugt. Das klassifizierte ASAR-Bild enthältet 5 Klassen ('''nk'''), die als dritte Dimension zu der Bildkoordinate zugehört (fx,fy,Klasse). Der ICESat-Überflug bestand aus den Punkten in den Abständen von 172 Meter wobei nur die erste und letzte Koordinate ('''fx0,fy0,fx2,fy2''') normiert (0-1) eingegeben wird. Die normierte Koordinaten haben wir mit der Dimension (1000x1000) multipliziert um die Freibordpunkte in den richtigen Bildkoordinaten zu bekommen. Aus der Distanz zwischen dem ersten und letzten Punk haben wir bei dem bekannten Abstand die Punktenzahl ('''nf''') berechnet. Nur die unter Freibordpunkten liegenden ASAR-Klassen ('''fz''') wurden in der Korrelationsberechnung berücksichtigt und anschließend haben wir Mittelwert und Standadrabweichung für Freibordhöhe in jeder Klasse.Am Donnerstag haben wir 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? | 
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 
  35 #produce a random matrix of ASAR image classes (in 5 classes)
  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 B=a.astype(int)
  43 
  44 #select the class of footprints from ASAR Image
  45 fz=zeros(nf)
  46 for i in range(nf):
  47    fz[i]=B[int(fx[i]-1),int(fy[i]-1)]
  48 
  49 #calculation of mean and standard deviation of freeboard heights in each class
  50 mean=zeros(nk)
  51 std_kl=zeros(nk)
  52 for kl in range(1,6):
  53    s=(fz==kl)
  54    fh_kl=fz_h[s]
  55    mean[kl-1]=fh_kl.sum()/fh_kl.shape[0]
  56    std_kl[kl-1]=std(fh_kl)
  57 
  58 #plot mean and error bar
  59 kl=arange(nk)+1
  60 bar(kl,mean,yerr=std_kl,ecolor='r',align='center')
  61 axis('tight')
  62 savefig('kl_mean_std', orientation='portrait', format='png')
  63 
  64 #calculate correlation coefficient
  65 #corr=xcorr(fz,fz_h,normed=True)[1][nf]
  66 
  67 figure()
  68 #plot ASAR image class together with freeboard heights
  69 x=arange(nf)
  70 bar(x,fz,width=0.3,align='center')
  71 ylim(0,10)
  72 ax=twinx()
  73 plot(x,fz_h,'r+-',ms=10,linewidth=1)
  74 ylim(0,70)
  75 savefig('asar_fb', orientation='portrait', format='png')
  76 
  77 #axis('tight')
  78 
  79 #plot ASAR image with freeboard flight
  80 figure()
  81 ct=zeros((nf,4))
  82 for i in range(nf):
  83    ct[i]=cm.gist_rainbow(int(fz_h[i]))
  84 ax=axes()
  85 ells=[Ellipse(xy=[fx[i],fy[i]],width=freeb_asar_pixels,height=freeb_asar_pixels) for i in xrange(nf)]
  86 n=0
  87 for e in ells:
  88    ax.add_artist(e)
  89    e.set_clip_box(ax.bbox)
  90    e.set_alpha(0.5)
  91    e.set_facecolor(ct[n])
  92    n+=1
  93 gray()
  94 imshow(B,origin='lower',interpolation=None)
  95 hold(True)
  96 #plot(fx,fy,'r+-',linewidth=2)
  97 xlim(400,600)
  98 ylim(500,700)
  99 #xlim(0,1000)
 100 #ylim(0,1000)
 101 colorbar()
 102 savefig('asar_fb_track', orientation='portrait', format='png')
 103 
 104 #figure()
 105 #imshow(a)
 106 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 (Zusammenbau):
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
In der erste Phase unseres Projektes haben wir mit aus dem Zufallsgenerator erzeugten Daten gearbeitet. Später haben wir die Programme anderer Gruppen eingebaut und als Eingabe a) Freibordhöhen in den Bildkoordinaten und b) Array der klassifizierten ASAR Datei als Eingabe bekommen.
Methodik (Arbeitsschritten, Theorie, Input/Output)
Als erste Aufgabe haben wir uns damit beschäftigt, wie man den Zufallsgenerator benutzen kann. Mittels Funktion "random()" haben wir das klassifizierte ASAR-Testbild (1000x1000 Pixels, 12,5 Meter Pixelgröße) mit dem simulierten ICESat-Überflug erzeugt. Das klassifizierte ASAR-Bild enthältet 5 Klassen (nk), die als dritte Dimension zu der Bildkoordinate zugehört (fx,fy,Klasse). Der ICESat-Überflug bestand aus den Punkten in den Abständen von 172 Meter wobei nur die erste und letzte Koordinate (fx0,fy0,fx2,fy2) normiert (0-1) eingegeben wird. Die normierte Koordinaten haben wir mit der Dimension (1000x1000) multipliziert um die Freibordpunkte in den richtigen Bildkoordinaten zu bekommen. Aus der Distanz zwischen dem ersten und letzten Punk haben wir bei dem bekannten Abstand die Punktenzahl (nf) berechnet.
Nur die unter Freibordpunkten liegenden ASAR-Klassen (fz) wurden in der Korrelationsberechnung berücksichtigt und anschließend haben wir Mittelwert und Standadrabweichung für Freibordhöhe in jeder Klasse.Am Donnerstag haben wir
wir beide Teile der Programme erhalten. Funktion x ProgramErgebnisse (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?
