utworzone pliki projektu indywidualnego

tworzenie_danych_AO.py

@@ -0,0 +1,70 @@
+from sklearn.preprocessing import LabelEncoder
+import numpy as np
+import mahotas
+import cv2
+import os
+import h5py
+
+rozmiar_zdj = tuple((500, 500))
+sciezka_do_zdj = "resources/smieci_stare"
+h5_dane = 'parametry_zdjec.h5'
+h5_etykiety = 'etykiety.h5'
+
+
+def hu_moments(zdj):
+    zdj = cv2.cvtColor(zdj, cv2.COLOR_BGR2GRAY)
+    momenty = cv2.HuMoments(cv2.moments(zdj)).flatten()
+    return momenty
+
+
+def haralick(zdj):
+    szare_zdj = cv2.cvtColor(zdj, cv2.COLOR_BGR2GRAY)
+    haralick = mahotas.features.haralick(szare_zdj).mean(axis=0)
+    return haralick
+
+
+def histogram(zdj, mask=None):
+    zdj = cv2.cvtColor(zdj, cv2.COLOR_BGR2HSV)
+    hist = cv2.calcHist([zdj], [0, 1, 2], mask, [8, 8, 8], [0, 256, 0, 256, 0, 256])
+    cv2.normalize(hist, hist)
+    return hist.flatten()
+
+
+klasy = os.listdir(sciezka_do_zdj)
+
+klasy.sort()
+
+dane = []
+wszystkie_typy_zdj = []
+
+for klasa in klasy:
+    katalog = os.path.join(sciezka_do_zdj, klasa)
+
+    biezaca_klasa = klasa
+    for plik in os.listdir(katalog):
+        zdj = cv2.imread(os.path.join(katalog, plik))
+        zdj = cv2.resize(zdj, rozmiar_zdj)
+
+        fv_hu_moments = hu_moments(zdj)
+        fv_haralick = haralick(zdj)
+        fv_histogram = histogram(zdj)
+
+        wiersz = np.hstack([fv_hu_moments, fv_histogram, fv_haralick])
+        wszystkie_typy_zdj.append(biezaca_klasa)
+        dane.append(wiersz)
+
+print(len(wszystkie_typy_zdj))
+targetNames = np.unique(wszystkie_typy_zdj)
+print(targetNames,targetNames.shape)
+le = LabelEncoder()
+target = le.fit_transform(wszystkie_typy_zdj)
+print(target.shape)
+
+h5f_data = h5py.File(h5_dane, 'w')
+h5f_data.create_dataset('dataset_1', data=np.array(dane))
+
+h5f_label = h5py.File(h5_etykiety, 'w')
+h5f_label.create_dataset('dataset_1', data=np.array(target))
+
+h5f_data.close()
+h5f_label.close()