-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathfuncoes.py
238 lines (180 loc) · 5.99 KB
/
funcoes.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
# -*- coding: utf-8 -*-
"""
Created on Thu Jun 18 19:40:53 2020
@author: Usuario
"""
import cv2
import numpy as np
def HS(imagem):
"""
Parametros
----------
imagem: str
path da imagem
Retorna
-------
hs: float
Valor da métrica HS para a imagem escolhida
"""
if type(imagem) == str:
imagem_GS = cv2.imread(imagem,0) # 'array (x,y)'
elif type(imagem) == np.ndarray:
imagem_GS = imagem # NÃO NECESSARIAMENTE PRETO E BRANCO
count, _ = np.histogram(imagem_GS, bins=256, range=[0, 256])
histo = count / sum(count)
cumulative = np.cumsum(count)
normcum = (cumulative - min(cumulative))/(max(cumulative)-min(cumulative))
valor1 = np.where(normcum == min(normcum, key=lambda x:abs(x-0.25)))[0][0]
valor2 = np.where(normcum == min(normcum, key=lambda x:abs(x-0.75)))[0][0]
hs = (valor2 - valor1)/(np.max(imagem_GS)-np.min(imagem_GS))
return hs
def michelson(imagem):
if type(imagem) == str:
imagem = cv2.imread(imagem,0)
elif type(imagem) == np.ndarray:
imagem = imagem # NÃO NECESSARIAMENTE PRETO E BRANCO
# imagem = cv2.imread(imagem,0)
numerador = np.max(imagem) - np.min(imagem)
denominador = np.max(imagem) + np.min(imagem)
return numerador/denominador
def RMS(imagem):
if type(imagem) == str:
imagem = cv2.imread(imagem,0)
elif type(imagem) == np.ndarray:
imagem = imagem # NÃO NECESSARIAMENTE PRETO E BRANCO
# imagem = cv2.imread(imagem,0)
imagem = imagem/255
x,y = imagem.shape
LM = x * y
Imed = np.sum(imagem)/LM
soma1 = (imagem - Imed)**2
soma2 = np.sum(soma1)
return np.sqrt(soma2/LM)
def quadrados_media_std(imagem, N, tamanho,metrica):
"""
Aplica uma certa funcao N quadrados de certo tamanho na imagem selecionada.
Retorna:
lista com médias, lista com desvios padrão
"""
lista = []
for _ in range(N):
img_recortada = recortar_quadrado(imagem, tamanho)
valor = metrica(img_recortada)
lista.append(valor)
return np.mean(lista), np.std(lista)
def weber(imagem,tamanho):
if type(imagem) == str:
imagem = cv2.imread(imagem,0)
Back = recortar_quadrado(imagem, tamanho)
Fore = recortar_quadrado(imagem, tamanho)
return (np.max(Fore) - np.min(Back)/np.min(Back))
def recortar_quadrado(imagem, tamanho):
"""
Retorna um recorte da imagem de tamanho tamanho....
Pedaço aleatório da imagem.
Parameters
----------
imagem : imagem em formato array
imagem em formato array
tamanho : int, optional
Tamanho de um quadrado.
Returns
-------
recorte : imagem em formato array
retorna um pedaço da imagem original.
"""
# tamanho do quadrado:
x, y = imagem.shape
# Intervalo no qual eu posso pegar os pontos
intervalox = x - tamanho
intervaloy = y - tamanho
pontox = np.random.randint(0, intervalox)
pontoy = np.random.randint(0, intervaloy)
retangulo = [pontox, pontoy, pontox + tamanho, pontoy + tamanho]
recorte = imagem[retangulo[0]:retangulo[2], retangulo[1]:retangulo[3]]
return recorte
def histo_norm(imagem):
"""
Retorna o histograma normalizado da imagem, isto é se somarmos todos os valores deve dar um,
mas o formato do histograma continua o mesmo.
Parameters
----------
imagem
Returns
-------
"""
# pega o histograma da imagem, equivalente ao imhist do matlab
count, _ = np.histogram(imagem, bins=256, range=[0, 256])
histo = count / sum(count)
return histo
def potential_contrast(imagem, tamanho):
"""
Parameters
----------
imagem
tamanho: tamanho dos quadradinhos
Returns
-------
Retorna um valor entre 0 e 255, que é a minha métrica de contraste, baseada naquele artigo.
"""
Back = recortar_quadrado(imagem, tamanho)
Fore = recortar_quadrado(imagem, tamanho)
histoBack = histo_norm(Back)
histoFore = histo_norm(Fore)
z = histoBack - histoFore
z0 = z > 0
z = z * z0 * 255
return sum(z)
def media_quadrados(imagem, N, tamanho):
"""
Esta função roda N quadrados de certo tamanho na imagem selecionada.
Retorna:
lista com médias, lista com desvios padrão
"""
lista = []
for _ in range(N):
temp = potential_contrast(imagem, tamanho)
lista.append(temp)
# print('desvio padrao = ', "%.2f" % (np.std(lista)))
return np.mean(lista), np.std(lista)
def quadrados_media_std(imagem, N, tamanho,metrica):
"""
Aplica uma certa funcao N quadrados de certo tamanho na imagem selecionada.
Retorna:
lista com médias, lista com desvios padrão
"""
lista = []
for _ in range(N):
img_recortada = recortar_quadrado(imagem, tamanho)
valor = metrica(img_recortada)
lista.append(valor)
return np.mean(lista), np.std(lista)
def recortar_quadrado_inverso(imagem, tamanho):
"""
Retorna um recorte da imagem de tamanho tamanho....
Pedaço aleatório da imagem.
Parameters
----------
imagem : imagem em formato array
imagem em formato array
tamanho : int, optional
Tamanho de um quadrado.
Returns
-------
recorte : imagem em formato array
retorna um pedaço da imagem original.
"""
# Seja uma imagem de tamanho x,y
x,y = imagem.shape
# Quero retirar N pixels das bordas
# Olhando para somente o eixo x, ele deve ter um tamanho x-pixels
# Então devo escolher o primeiro valor entre 0 e pixels
# e o último valor (x- pixels) + pixels
# Intervalo no qual eu posso pegar os pontos
intervalox = tamanho
intervaloy = tamanho
pontox = np.random.randint(0, intervalox)
pontoy = np.random.randint(0, intervaloy)
retangulo = [pontox, pontoy, pontox + x-tamanho, pontoy + y - tamanho]
recorte = imagem[retangulo[0]:retangulo[2], retangulo[1]:retangulo[3]]
return recorte