Mercurial > ift6266

comparison transformations/BruitGauss.py @ 96:17fabd74dd2b

Find changesets by keywords (author, files, the commit message), revision number or hash, or revset expression.
Changed behavior of gaussian noise to apply a gauss filter with a random sigma, and then select some point of the image to be averaged with it
author Xavier Glorot <glorotxa@iro.umontreal.ca>
date Thu, 11 Feb 2010 16:34:25 -0500
parents cc641ee75d3b
children 939915371a6d
comparison
equal deleted inserted replaced
94:1b8176e9892e 96:17fabd74dd2b
26 import scipy 26 import scipy
27 from scipy import ndimage 27 from scipy import ndimage
28 28
29 class BruitGauss(): 29 class BruitGauss():
30 30
31 def __init__(self): 31 def __init__(self,complexity=1):
32 self.proportion_bruit=0.1 #Le pourcentage des pixels qui seront bruites 32 self.nb_chngmax =10 #Le nombre de pixels changes. Seulement pour fin de calcul
33 self.nb_chng=10 #Le nombre de pixels changes. Seulement pour fin de calcul 33 self.grandeurmax = 20
34 self.sigma_gauss=3.0 #L'ecart type du noyau gaussien 34 self.sigmamax = 6.0
35 self.grandeur=7 #Largeur de la fenetre gaussienne 35 self.regenerate_parameters(complexity)
36 self.effectuer=1 #1=effectuer et 0=rien faire
37 36
38 def get_settings_names(self): 37 def get_settings_names(self):
39 return ['proportion_bruit','sigma_gauss','grandeur','effectuer'] 38 return ['nb_chng','sigma_gauss','grandeur','effectuer']
40 39
41 def regenerate_parameters(self, complexity): 40 def regenerate_parameters(self, complexity):
42 self.proportion_bruit = float(complexity)/25 41 self.nb_chng=3+int(numpy.random.rand()*self.nb_chngmax*complexity)
43 self.nb_chng=int(1024*self.proportion_bruit)
44 42
45 if float(complexity) > 0: 43 if float(complexity) > 0:
46 self.sigma_gauss=max(0,numpy.random.normal(complexity*5,complexity)) 44 self.sigma_gauss=2.0 + numpy.random.rand()*self.sigmamax*complexity
47 self.grandeur=int(min(31,max(1,8*complexity*numpy.random.normal(1,float(complexity)/2)))) 45 self.grandeur=12+int(numpy.random.rand()*self.grandeurmax*complexity)
48 self.effectuer =numpy.random.binomial(1,0.25) ##### On a 25% de faire un bruit ##### 46 self.effectuer =numpy.random.binomial(1,0.25) ##### On a 25% de faire un bruit #####
49 else: 47 else:
50 self.effectuer = 0 48 self.effectuer = 0
51 self.sigma_gauss = 0 49 self.sigma_gauss = 0
52 self.grandeur=1 50 self.grandeur=1
53 #Un peu de paranoia ici, mais on ne sait jamais 51 #Un peu de paranoia ici, mais on ne sait jamais
54 52
55 if self.grandeur%2 == 0: 53 #creation du noyau gaussien
56 self.grandeur+=1 #Toujours un nombre impair, plus simple plus tard 54 self.gauss=numpy.zeros((self.grandeur,self.grandeur))
55 x0 = y0 = self.grandeur/2.0
56 for i in xrange(self.grandeur):
57 for j in xrange(self.grandeur):
58 self.gauss[i,j]=numpy.exp(-((i-x0)**2 + (j-y0)**2) / self.sigma_gauss**2)
59 #creation de la fenetre de moyennage
60 self.moy=numpy.zeros((self.grandeur,self.grandeur))
61 x0 = y0 = self.grandeur/2
62 for i in xrange(0,self.grandeur):
63 for j in xrange(0,self.grandeur):
64 self.moy[i,j]=((numpy.sqrt(2*(self.grandeur/2.0)**2) - numpy.sqrt(numpy.abs(i-self.grandeur/2.0)**2+numpy.abs(j-self.grandeur/2.0)**2))/\
65 numpy.sqrt((self.grandeur/2.0)**2))**5
66
57 return self._get_current_parameters() 67 return self._get_current_parameters()
58 68
59 def _get_current_parameters(self): 69 def _get_current_parameters(self):
60 return [self.proportion_bruit,self.sigma_gauss,self.grandeur,self.effectuer] 70 return [self.nb_chng,self.sigma_gauss,self.grandeur,self.effectuer]
61 71
62 72
63 def transform_image(self, image): 73 def transform_image(self, image):
64 if self.effectuer == 0: 74 if self.effectuer == 0:
65 return image 75 return image
66 image=image.reshape((32,32)) 76 image=image.reshape((32,32))
67 77 filtered_image = ndimage.convolve(image,self.gauss,mode='constant')
68 #creation du noyau gaussien 78 assert image.shape == filtered_image.shape
69 gauss=numpy.zeros((self.grandeur,self.grandeur)) 79 filtered_image = (filtered_image - filtered_image.min() + image.min()) / (filtered_image.max() - filtered_image.min() + image.min()) * image.max()
70 x0 = y0 = self.grandeur/2 80
71 for i in xrange(0,self.grandeur): 81 #construction of the moyennage Mask
72 for j in xrange(0,self.grandeur): 82 Mask = numpy.zeros((32,32))
73 gauss[i,j]=numpy.exp(-4*numpy.log(2) * ((i-x0)**2 + (j-y0)**2) / self.sigma_gauss**2)
74 #pylab.contour(gauss)
75 #pylab.show() #Pour voir si la gaussienne est bien comme desiree
76
77 #Chaque tour dans la boucle ajoute un pointpoivre et sel, puis
78 #y ajoute un bruit gaussien autour afin d'avoir de la correlation dans
79 #les points
80 83
81 for i in xrange(0,self.nb_chng): 84 for i in xrange(0,self.nb_chng):
82 x_bruit=int(numpy.random.randint(0,32)) 85 x_bruit=int(numpy.random.randint(0,32))
83 y_bruit=int(numpy.random.randint(0,32)) 86 y_bruit=int(numpy.random.randint(0,32))
84 #l'overlap n'est pas dramatique. Pas besoin de mecanisme pour s'en proteger 87 offsetxmin = 0
85 image[x_bruit,y_bruit]=max(0,min(1,numpy.random.normal(0.4,self.proportion_bruit*20))) 88 offsetxmax = 0
86 89 offsetymin = 0
87 bord = int((self.grandeur-1)/2) 90 offsetymax = 0
88 #Faire le "smooting" 91 if x_bruit < self.grandeur / 2:
89 for x in xrange(0,self.grandeur): 92 offsetxmin = self.grandeur / 2 - x_bruit
90 for y in xrange(0,self.grandeur): 93 if 32-x_bruit < numpy.ceil(self.grandeur / 2.0):
91 #pour etre certain de ne pas changer le vide 94 offsetxmax = numpy.ceil(self.grandeur / 2.0) - (32-x_bruit)
92 if x_bruit-bord+x < 0: 95 if y_bruit < self.grandeur / 2:
93 continue 96 offsetymin = self.grandeur / 2 - y_bruit
94 if y_bruit-bord+y < 0: 97 if 32-y_bruit < numpy.ceil(self.grandeur / 2.0):
95 continue 98 offsetymax = numpy.ceil(self.grandeur / 2.0) - (32-y_bruit)
96 if x_bruit-bord+x > 31: 99 print x_bruit, y_bruit , offsetxmin, offsetxmax, offsetymin, offsetymax, self.grandeur
97 continue 100 Mask[x_bruit - self.grandeur/2 + offsetxmin : x_bruit + numpy.ceil(self.grandeur/2.0) - offsetxmax,\
98 if y_bruit-bord+y > 31: 101 y_bruit - self.grandeur/2 + offsetymin : y_bruit + numpy.ceil(self.grandeur/2.0)- offsetymax] +=\
99 continue 102 self.moy[offsetxmin:self.grandeur - offsetxmax,offsetymin:self.grandeur - offsetymax]
100 image[x_bruit-bord+x,y_bruit-bord+y]=max(image[x_bruit-bord+x,y_bruit-bord+y],gauss[x,y]*image[x_bruit,y_bruit]) 103 print Mask.max(), Mask.min()
101 #image[x_bruit-bord+x,y_bruit-bord+y]=min(1,image[x_bruit-bord+x,y_bruit-bord+y]*(1+gauss[x,y]))
102 #Cette derniere ligne n'est pas très interessante. Elle ajoute le bruit
103 #plutot que de prendre le max entre la valeur presente et le bruit. Ca rend l'image un peu
104 #chaostique, pas une bonne idee
105 104
106 return image 105 return numpy.asarray((image + filtered_image*Mask)/(Mask+1),dtype='float32')
107 106
108 #---TESTS--- 107 #---TESTS---
109 108
110 def _load_image(): 109 def _load_image():
111 f = open('/home/sylvain/Dropbox/Msc/IFT6266/donnees/lower_test_data.ft') #Le jeu de donnees est en local. 110 f = open('/home/sylvain/Dropbox/Msc/IFT6266/donnees/lower_test_data.ft') #Le jeu de donnees est en local.