Mercurial > ift6266
view transformations/BruitGauss.py @ 41:fdb0e0870fb4
Beaucoup de modifications à pipeline.py pour généraliser et un début de visualisation, et créé un wrapper (run_pipeline.py) pour appeler avec GIMP.
- Modifications à pipeline.py
- Wrappé la boucle du pipeline dans une classe
- Isolé le problème de itérer sur les batches et les complexités dans des itérateurs
- Permet d'avoir des ordres compliqués de batch (plusieurs sources), de complexités
- Maintenant regenerate_parameters() est appelé pour chaque image.
- Command line arguments avec getopt(). On pourra rajouter des options ainsi.
- run_pipeline.py
- Le but est de permettre de passer des arguments. Pas facile (pas trouvé comment de façon simple) avec la command line pour appeler GIMP en mode batch. C'est un hack ici.
- Le but ultime est de permettre de lancer les jobs sur les clusters avec dbidispatch en précisant les options (diff. pour chaque job) sur la ligne de commande.
author | fsavard |
---|---|
date | Wed, 03 Feb 2010 17:08:27 -0500 |
parents | 349d8dc9504c |
children | bab98bb47616 |
line wrap: on
line source
#!/usr/bin/python # coding: utf-8 ''' Ajout de bruit gaussien dans les donnees. Un bruit poivre et sel est ajoute aux donnees, puis un filtre gaussien est applique sur l'image. La proportion de bites aleatoires est definit par complexity. Lorsque cette valeur est a 1 ==> Plus reconnaissable et 0 ==> Rien ne se passe Le niveau de lisssage est definit par complexity Au plus c'est eleve, au plus c'est lisse Ce fichier prend pour acquis que les images sont donnees une a la fois sous forme de numpy.array de 1024 (32 x 32) valeurs entre 0 et 1. Sylvain Pannetier Lebeuf dans le cadre de IFT6266, hiver 2010 ''' import numpy import random import scipy from scipy import ndimage class BruitGauss(): def __init__(self): self.proportion_bruit=0.1 #Le pourcentage des pixels qui seront bruites self.nb_chng=10 #Le nombre de pixels changes. Seulement pour fin de calcul self.sigma_gauss=0.5 #L'ecart type du noyau gaussien def get_settings_names(self): return ['proportion_bruit','sigma_gauss'] def regenerate_parameters(self, complexity): self.proportion_bruit = complexity #Generation uniforme self.nb_chng=int(1024*self.proportion_bruit) self.sigma_gauss=complexity+0.2 return self._get_current_parameters() def _get_current_parameters(self): return [] def get_parameters_determined_by_complexity(self, complexity): return [self.proportion_bruit,self.sigma_gauss] def transform_image(self, image): image=image.reshape(1024,1) changements=random.sample(xrange(numpy.size(image)),self.nb_chng) #Les pixels qui seront changes for j in xrange(0,self.nb_chng): image[changements[j]]=numpy.random.random() #On determine les nouvelles valeurs des pixels changes image=image.reshape(32,32) image=(scipy.ndimage.filters.gaussian_filter\ (image, self.sigma_gauss, order=0, \ output=None, mode='reflect', cval=0.0)) return image #---TESTS--- def _load_image(): f = open('/home/sylvain/Dropbox/Msc/IFT6266/donnees/lower_test_data.ft') #Le jeu de donnees est en local. d = ft.read(f) w=numpy.asarray(d[0]) return (w/255.0).astype('float') def _test(complexite): img=_load_image() transfo = BruitGauss() pylab.imshow(img.reshape((32,32))) pylab.show() print transfo.get_settings_names() print transfo.regenerate_parameters(complexite) img_trans=transfo.transform_image(img) pylab.imshow(img_trans.reshape((32,32))) pylab.show() if __name__ == '__main__': from pylearn.io import filetensor as ft import pylab _test(0.5)