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) # glass metal paper plastic

klasy.sort()

dane = [] # parametry kazdego zdjecia

etykiety_zdj = [] # typ kazdego zdjecia

for klasa in klasy:
    katalog = os.path.join(sciezka_do_zdj, klasa)

    for plik in os.listdir(katalog):
        zdj = cv2.imread(os.path.join(katalog, plik)) # odczyt zdjecia
        zdj = cv2.resize(zdj, rozmiar_zdj) # zmiana rozmiaru

        # wyznaczanie parametrow zdjecia
        fv_hu_moments = hu_moments(zdj)
        fv_haralick = haralick(zdj)
        fv_histogram = histogram(zdj)

        wiersz = np.hstack([fv_hu_moments, fv_histogram, fv_haralick]) # ustaw poziomo, jeden za drugim
        etykiety_zdj.append(klasa)
        dane.append(wiersz)

# ilosc wszystkich etykiet to 1987 - tyle ile wszystkich zdj
le = LabelEncoder()
znormalizowane_etykiety = le.fit_transform(etykiety_zdj) # normalizacja do 0-glass 1-metal itp.

h5f_dane = h5py.File(h5_dane, 'w')
h5f_dane.create_dataset('dataset_1', data=np.array(dane))

h5f_etykiety = h5py.File(h5_etykiety, 'w')
h5f_etykiety.create_dataset('dataset_1', data=np.array(znormalizowane_etykiety))

h5f_dane.close()
h5f_etykiety.close()