Mercurial > ift6266
changeset 96:17fabd74dd2b
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 | 1b8176e9892e |
| children | b3d15100842a |
| files | transformations/BruitGauss.py |
| diffstat | 1 files changed, 48 insertions(+), 49 deletions(-) [+] |
line wrap: on
line diff
--- a/transformations/BruitGauss.py Thu Feb 11 11:55:03 2010 -0500 +++ b/transformations/BruitGauss.py Thu Feb 11 16:34:25 2010 -0500 @@ -28,23 +28,21 @@ 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=3.0 #L'ecart type du noyau gaussien - self.grandeur=7 #Largeur de la fenetre gaussienne - self.effectuer=1 #1=effectuer et 0=rien faire + def __init__(self,complexity=1): + self.nb_chngmax =10 #Le nombre de pixels changes. Seulement pour fin de calcul + self.grandeurmax = 20 + self.sigmamax = 6.0 + self.regenerate_parameters(complexity) def get_settings_names(self): - return ['proportion_bruit','sigma_gauss','grandeur','effectuer'] + return ['nb_chng','sigma_gauss','grandeur','effectuer'] def regenerate_parameters(self, complexity): - self.proportion_bruit = float(complexity)/25 - self.nb_chng=int(1024*self.proportion_bruit) + self.nb_chng=3+int(numpy.random.rand()*self.nb_chngmax*complexity) if float(complexity) > 0: - self.sigma_gauss=max(0,numpy.random.normal(complexity*5,complexity)) - self.grandeur=int(min(31,max(1,8*complexity*numpy.random.normal(1,float(complexity)/2)))) + self.sigma_gauss=2.0 + numpy.random.rand()*self.sigmamax*complexity + self.grandeur=12+int(numpy.random.rand()*self.grandeurmax*complexity) self.effectuer =numpy.random.binomial(1,0.25) ##### On a 25% de faire un bruit ##### else: self.effectuer = 0 @@ -52,58 +50,59 @@ self.grandeur=1 #Un peu de paranoia ici, mais on ne sait jamais - if self.grandeur%2 == 0: - self.grandeur+=1 #Toujours un nombre impair, plus simple plus tard + #creation du noyau gaussien + self.gauss=numpy.zeros((self.grandeur,self.grandeur)) + x0 = y0 = self.grandeur/2.0 + for i in xrange(self.grandeur): + for j in xrange(self.grandeur): + self.gauss[i,j]=numpy.exp(-((i-x0)**2 + (j-y0)**2) / self.sigma_gauss**2) + #creation de la fenetre de moyennage + self.moy=numpy.zeros((self.grandeur,self.grandeur)) + x0 = y0 = self.grandeur/2 + for i in xrange(0,self.grandeur): + for j in xrange(0,self.grandeur): + 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))/\ + numpy.sqrt((self.grandeur/2.0)**2))**5 + return self._get_current_parameters() def _get_current_parameters(self): - return [self.proportion_bruit,self.sigma_gauss,self.grandeur,self.effectuer] + return [self.nb_chng,self.sigma_gauss,self.grandeur,self.effectuer] def transform_image(self, image): if self.effectuer == 0: return image image=image.reshape((32,32)) - - #creation du noyau gaussien - gauss=numpy.zeros((self.grandeur,self.grandeur)) - x0 = y0 = self.grandeur/2 - for i in xrange(0,self.grandeur): - for j in xrange(0,self.grandeur): - gauss[i,j]=numpy.exp(-4*numpy.log(2) * ((i-x0)**2 + (j-y0)**2) / self.sigma_gauss**2) - #pylab.contour(gauss) - #pylab.show() #Pour voir si la gaussienne est bien comme desiree - - #Chaque tour dans la boucle ajoute un pointpoivre et sel, puis - #y ajoute un bruit gaussien autour afin d'avoir de la correlation dans - #les points + filtered_image = ndimage.convolve(image,self.gauss,mode='constant') + assert image.shape == filtered_image.shape + filtered_image = (filtered_image - filtered_image.min() + image.min()) / (filtered_image.max() - filtered_image.min() + image.min()) * image.max() + + #construction of the moyennage Mask + Mask = numpy.zeros((32,32)) for i in xrange(0,self.nb_chng): x_bruit=int(numpy.random.randint(0,32)) y_bruit=int(numpy.random.randint(0,32)) - #l'overlap n'est pas dramatique. Pas besoin de mecanisme pour s'en proteger - image[x_bruit,y_bruit]=max(0,min(1,numpy.random.normal(0.4,self.proportion_bruit*20))) - - bord = int((self.grandeur-1)/2) - #Faire le "smooting" - for x in xrange(0,self.grandeur): - for y in xrange(0,self.grandeur): - #pour etre certain de ne pas changer le vide - if x_bruit-bord+x < 0: - continue - if y_bruit-bord+y < 0: - continue - if x_bruit-bord+x > 31: - continue - if y_bruit-bord+y > 31: - continue - 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]) - #image[x_bruit-bord+x,y_bruit-bord+y]=min(1,image[x_bruit-bord+x,y_bruit-bord+y]*(1+gauss[x,y])) - #Cette derniere ligne n'est pas très interessante. Elle ajoute le bruit - #plutot que de prendre le max entre la valeur presente et le bruit. Ca rend l'image un peu - #chaostique, pas une bonne idee + offsetxmin = 0 + offsetxmax = 0 + offsetymin = 0 + offsetymax = 0 + if x_bruit < self.grandeur / 2: + offsetxmin = self.grandeur / 2 - x_bruit + if 32-x_bruit < numpy.ceil(self.grandeur / 2.0): + offsetxmax = numpy.ceil(self.grandeur / 2.0) - (32-x_bruit) + if y_bruit < self.grandeur / 2: + offsetymin = self.grandeur / 2 - y_bruit + if 32-y_bruit < numpy.ceil(self.grandeur / 2.0): + offsetymax = numpy.ceil(self.grandeur / 2.0) - (32-y_bruit) + print x_bruit, y_bruit , offsetxmin, offsetxmax, offsetymin, offsetymax, self.grandeur + Mask[x_bruit - self.grandeur/2 + offsetxmin : x_bruit + numpy.ceil(self.grandeur/2.0) - offsetxmax,\ + y_bruit - self.grandeur/2 + offsetymin : y_bruit + numpy.ceil(self.grandeur/2.0)- offsetymax] +=\ + self.moy[offsetxmin:self.grandeur - offsetxmax,offsetymin:self.grandeur - offsetymax] + print Mask.max(), Mask.min() - return image + return numpy.asarray((image + filtered_image*Mask)/(Mask+1),dtype='float32') #---TESTS---