def extract_features(params):
Train_or_Val_dic = {}
with open(os.path.join(params['root'],params['root_save'],params['image_lists'],params['split'] + '.txt'),'r') as f:
image_list = f.readlines()
#Train_files= os.listdir(r'C:\Users\Albert\Documents\UNI\Q-5\GDSA\Projecte\TerrassaBuildings900\Train\images')
#Val_files= os.listdir(r'C:\Users\Albert\Documents\UNI\Q-5\GDSA\Projecte\TerrassaBuildings900\Val\images')
descriptors = []
if params['split'] == 'train':
for img in image_list:
im = cv2.imread(os.path.join(params['root'],params['database'],params['split'],'images',img.rstrip()))
# Resize image
im = resize_image(params,im)
des=get_local_features(params,im)
if len(descriptors) == 0:
descriptors = des
else:
descriptors = np.vstack((descriptors,des))
code=train_codebook(params,descriptors)
# Save to disk
pickle.dump(code,open(os.path.join(params['root'],params['root_save'],
params['codebooks_dir'],'codebook_'
+ str(params['descriptor_size']) + "_"
+ params['descriptor_type']
+ "_" + params['keypoint_type'] + '.cb'),'wb'))
# Get trained codebook
code = pickle.load(open(os.path.join(params['root'],params['root_save'],
params['codebooks_dir'],'codebook_'
+ str(params['descriptor_size']) + "_"
+ params['descriptor_type']
+ "_" + params['keypoint_type'] + '.cb'),'rb'))
for img in image_list:
im = cv2.imread(os.path.join(params['root'],params['database'],params['split'],'images',img.rstrip()))
# Resize image
im = resize_image(params,im)
des=get_local_features(params,im)
assign=get_assignments(code,des)
Train_or_Val_dic[img] = build_bow(assign,code)
# Save dictionary to disk with unique name
save_file = os.path.join(params['root'],params['root_save'],params['feats_dir'],
params['split'] + "_" + str(params['descriptor_size']) + "_"
+ params['descriptor_type'] + "_" + params['keypoint_type'] + '.p')
pickle.dump(Train_or_Val_dic,open(save_file,'wb'))
def get_features(params):
#Obrim el fitxer que conte les ID de les imatges d'entrenament
ID=open(os.path.join(params['root'],params['database'],'train','ImageIDs.txt'), 'r')
#Extraccio de les caracteristiques de la imatge de la primera linia del ImageIDs.txt
nom=str(ID.readline()).replace('\n','')
desc_train=get_local_features(params,os.path.join(params['root'],params['database'],'train','images',nom + '.jpg'))
#Extraccio de les caracteristiques per a la resta de les imatges d'entrenament
dictrain=dict()
dictrain[nom]=desc_train
for line in ID:
nom=str(line).replace('\n','')
x=get_local_features(params,os.path.join(params['root'],params['database'],'train','images',nom + '.jpg'))
#Concatenar les caracteristiques de cada imatge en una numpy array
desc_train=np.concatenate((desc_train,x))
dictrain[nom]=x
#Tanquem el fitxer
ID.close()
#Entrenament del KMeans nomes per a les imatges d'entrenament amb 1024 paraules
paraules=1024
codebook=train_codebook(params,desc_train,paraules)
#Obrim el fitxer que conte les ID de les imatges d'entrenament
ID=open(os.path.join(params['root'],params['database'],'train','ImageIDs.txt'), 'r')
for line in ID:
nom=str(line).replace('\n','')
#Calculem les assignacions per les imatges d'entrenament
assignments=get_assignments(dictrain[nom],codebook)
#Creacio del BoW per les imatges d'entrenament i emplenament del diccionari
dictrain[nom]=build_bow(assignments,codebook,paraules)
#Tanquem el fitxer
ID.close()
#Guardem el diccionari amb el BoW de les imatges d'entrenament en l'arxiu "Features.txt"
bow_train = open (os.path.join(params['root'],params['database'],'train','Features.txt'), 'w')
pk.dump(dictrain,bow_train)
bow_train.close()
#Obrim el fitxer que conté les ID de les imatges de validacio
ID = open(os.path.join(params['root'],params['database'],'val','ImageIDs.txt'), 'r')
#Creacio del diccionari de les imatges de validacio
dicval=dict()
for line in ID:
#Extraccio de les caracteristiques per a les imatges de validacio
x=get_local_features(params,os.path.join(params['root'],params['database'],'val','images',str(line).replace('\n','') + '.jpg'))
#Calculem les assignacions per les imatges de validacio
assignments=get_assignments(x,codebook)
#Creacio del BoW per les imatges de validacio i emplenament del diccionari
dicval[str(line).replace('\n','')]=build_bow(assignments,codebook,paraules)
#Tanquem el fitxer
ID.close()
#Guardem el diccionari amb el BoW de les imatges de validacio en l'arxiu "Features.txt"
bow_val = open (os.path.join(params['root'],params['database'],'val','Features.txt'), 'w')
pk.dump(dicval,bow_val)
bow_val.close()
def codebook(params):
with open(os.path.join(params['root'],params['root_save'],params['image_lists'],'train.txt'),'r') as f:
train_image_list = f.readlines()
with open(os.path.join(params['root'],params['root_save'],params['image_lists'], 'val.txt'),'r') as f:
val_image_list = f.readlines()
descriptors = []
#if params['split'] == 'train':
for img in train_image_list:
im = cv2.imread(os.path.join(params['root'],params['database'],'train','images',img.rstrip()))
# Resize image
im = resize_image(params,im)
des=get_local_features(params,im)
if len(descriptors) == 0:
descriptors = des
else:
descriptors = np.vstack((descriptors,des))
print "descriptors train: "
print np.shape(descriptors)
for img in val_image_list:
im = cv2.imread(os.path.join(params['root'],params['database'],'val','images',img.rstrip()))
# Resize image
im = resize_image(params,im)
des=get_local_features(params,im)
if len(descriptors) == 0:
descriptors = des
else:
descriptors = np.vstack((descriptors,des))
print "descriptors train + val: "
print np.shape(descriptors)
code=train_codebook(params,descriptors)
# Save to disk
pickle.dump(code,open(os.path.join(params['root'],params['root_save'],
params['codebooks_dir'],'codebook_train_val'
+ str(params['descriptor_size']) + "_"
+ params['descriptor_type']
+ "_" + params['keypoint_type'] + '.cb'),'wb'))
def extract_features(params):
feats_dic = {}
with open(os.path.join(params['root'],params['root_save'],params['image_lists'],params['split'] + '.txt'),'r') as f:
image_list = f.readlines()
# Get trained codebook
code = pickle.load(open(os.path.join(params['root'],params['root_save'],
params['codebooks_dir'],'codebook_train_val_'
+ str(params['descriptor_size']) + "_"
+ params['descriptor_type']
+ "_" + params['keypoint_type'] + '.cb'),'rb'))
for img in image_list:
im = cv2.imread(os.path.join(params['root'],params['database'],params['split'],'images',img.rstrip()))
im = resize_image(params,im)
des = get_local_features(params,im)
assign = get_assignments(code,des)
feats_dic[img] = build_bow(assign,code)
# Save dictionary to disk with unique name
save_file = os.path.join(params['root'],params['root_save'],params['feats_dir'],
params['split'] + "_" + str(params['descriptor_size']) + "_"
+ params['descriptor_type'] + "_" + params['keypoint_type'] + '.p')
pickle.dump(feats_dic,open(save_file,'wb'))
# -*- coding: utf-8 -*-
from sklearn.cluster import MiniBatchKMeans
from get_local_features import get_local_features
import sys
sys.path.insert(0, '/home/oscarlinux/Escritorio/UPC/Q5/GDSA/Projecte/')
def train_codebook(numClusters,
descriptores): #Només para las imatges de train
"""Amb KMeans
centroides,_= kmeans(descriptores, numClusters)"""
#Amb MiniBatchKMeans (És més ràpid i més eficient que KMeans)
centroides = MiniBatchKMeans(numClusters)
centroides.fit(descriptores)
return centroides # retorna el vector codebook
if __name__ == "__main__":
# Es per comprovar que la funció és correcta
descriptors = get_local_features(
"TerrassaBuildings900/train/images/aaeoeolbth.jpg")
codebook1 = train_codebook(1, descriptors)
# -*- coding: utf-8 -*-
import os
from scipy.cluster.vq import vq
from get_local_features import get_local_features
from train_codebook import train_codebook
from sklearn.cluster import MiniBatchKMeans
ruta = os.path.dirname(
os.path.abspath(__file__)
) # Definim la instrucció principal que busca la ruta absoluta del fitxer
def compute_assignments(codebook, desc):
assignments = codebook.predict(desc) # calculem els assignaments
return assignments
if __name__ == "__main__":
dsc = []
desc = get_local_features("../imagen_primerscript/people.jpg")
desc2 = get_local_features("../imagen_primerscript/tiger.jpg")
for feat in desc:
dsc.append(feat)
for feat in desc2:
dsc.append(feat)
codebook, _ = train_codebook(5, dsc) # entrenem el codebook
clase = compute_assignments(codebook, dsc) # observem els assignaments
) #Normalitzem els valors entre 0 i 1 gràcies a la funció 'normalize'
return BoW_norm[0]
if __name__ == "__main__":
nfiles = os.listdir(
"../imagen_primerscript") #llistem els arxius del directori
dsc = [
] #inicialitzem el vector on aniran tots els descriptors de totes les imatges del directori
BoW = dict() #inicialitzem el diccionari
dsc_ind = {
} #inicialitzem el vector que contindrá tots els descriptors de cada imatge
for file in nfiles:
filename = file[0:file.index(".")] #obtenim el nom de l'arxiu
dsc_ind[filename] = get_local_features(
"../imagen_primerscript/" +
file) #dessem els descriptors de la imatge corresponent
for feat in dsc_ind[filename]:
dsc.append(
feat
) #dessem tots els descriptors de totes les imatges al vector
codebook, k = train_codebook(5, dsc) #entrenem el codebook
for file in nfiles:
filename = file[0:file.index(".")]
clase = compute_assignments(
codebook, dsc_ind[filename]) #calculem els assignaments
BoW[filename] = construct_bow_vector(
clase, k) #dessem els assignaments al vector BoW
features = open("../files/features.p", 'w')
pickle.dump(BoW, features) #Escribim els assignaments al bow
features.close()
import os.path as path
#dir = sys.path.insert(0,'./home/PycharmProjects/GDSA/Projecte/')
dir = path.dirname(__file__)
#dir = sys.path.insert(0,__file__)
def get_assignments(codebook, descriptors):
#norm_descriptores = whiten(descriptores) # Normaliza descriptores
#Con KMeans
#assignments,_ = vq(descriptores, codebook)
#Con MiniBatchKMeans
assignments = codebook.predict(descriptors)
return assignments
if __name__ == "__main__":
descriptor1 = get_local_features(
"TerrassaBuildings900/train/images/aaeoeolbth.jpg")
codebook = train_codebook(5, descriptor1)
descriptor2 = get_local_features(
"TerrassaBuildings900/val/images/aalfirydrf.jpg")
assig = get_assignments(codebook, descriptor2)
print(assig)
print "Longitud del assignments= " + str(len(assig))
# -*- coding: utf-8 -*-
from get_local_features import get_local_features
from sklearn.cluster import MiniBatchKMeans
import matplotlib.pyplot as plt
def train_codebook(nclusters,normalized_descriptors):
km = MiniBatchKMeans(nclusters)
km.fit(normalized_descriptors)
i = km.get_params() #carreguem els params del vector k
nc = i['n_clusters'] #obtenim el numero de clusters des de la clase minibatchkmeans
return km, nc
#return kmeans(normalized_descriptors,nclusters) #obtenim els centroides de les imatges
if __name__ == "__main__":
desc = get_local_features("../imagen_primerscript/people.jpg") #obtenim els descriptors de la imatge
centroides,nc = train_codebook(2,desc) #ccalculem els centroides de la imatge
#plt.scatter(desc[:,0],desc[:,1]),plt.scatter(centroides[:,0],centroides[:,1],color = 'r'),plt.show() #mostrem els centroides i els descriptors
#-*- coding: utf-8 -*-
import os
from scipy.cluster.vq import vq
from get_local_features import get_local_features
from train_codebook import train_codebook
from sklearn.cluster import MiniBatchKMeans
ruta = os.path.dirname(
os.path.abspath(__file__)
) # Definim la instrucció principal que busca la ruta absoluta del fitxer
def compute_assignments(codebook, desc):
assignments = codebook.predict(desc) #calculem els assignaments
return assignments
if __name__ == "__main__":
dsc = []
desc = get_local_features("../imagen_primerscript/people.jpg")
desc2 = get_local_features("../imagen_primerscript/tiger.jpg")
for feat in desc:
dsc.append(feat)
for feat in desc2:
dsc.append(feat)
codebook, _ = train_codebook(5, dsc) #entrenem el codebook
clase = compute_assignments(codebook, dsc) #observem els assignaments
dir = path.dirname(__file__)
#dir = sys.path.insert(0,__file__)
terrassa_buildings = '../TB2016/'
def build_bow(assignments, n):
# Inicialitzem a zeros un vector de mida dels clusters
descriptor = np.zeros((n,))
# Construim un vector de repeticions.Cada assignments li atribuim un cluster
for n_assig in assignments:
descriptor[n_assig] += 1
# L2 normalize
descriptor = normalize(descriptor)
return descriptor
# Comprovem que funciona
descriptor1 = get_local_features(path.join(terrassa_buildings, "../train/images/aaeoeolbth.jpg"))
codebook = train_codebook(5, descriptor1)
descriptor2 = get_local_features(path.join(terrassa_buildings, "../val/images/aalfirydrf.jpg"))
assig = get_assignments(codebook, descriptor2)
# Crea un vector ordenat amb els descriptors que equival a cada regio (k=5)
asdf = build_bow(assig, 50)
print asdf
print ("Numero de regiones diferentes: " + str(len(asdf)))
# -*- coding: utf-8 -*-
from sklearn.cluster import MiniBatchKMeans
from get_local_features import get_local_features
import sys
sys.path.insert(0, './home/PycharmProjects/GDSA')
def train_codebook(numClusters,
descriptores): #Només para las imatges de train
"""Amb KMeans
centroides,_= kmeans(descriptores, numClusters)"""
#Amb MiniBatchKMeans (És més ràpid i més eficient que KMeans)
centroides = MiniBatchKMeans(numClusters)
centroides.fit(descriptores)
return centroides # retorna el vector codebook
if __name__ == "__main__":
# Es per comprovar que la funció és correcta
descriptors = get_local_features("../TB2016/train/images/aaeoeolbth.jpg")
codebook1 = train_codebook(1, descriptors)
import pickle
def construct_bow_vector(assignments,nclusters):
#Paràmetres de la funcio: els assignments realitzadors sobre els descriptors.
BoW_hist = np.zeros((nclusters, )) # Creerm una llista buida de k(número de clusters) valors igualats a cero.
for a in assignments:
BoW_hist[a] += 1 # Per cada entrada a l'assigments sumem 1 al índex que l'hi pertoca en el histograma.
BoW_hist = np.float64(np.reshape(BoW_hist, (1,-1))) #corretgim el warning de reshape
BoW_norm= preprocessing.normalize(BoW_hist) #Normalitzem els valors entre 0 i 1 gràcies a la funció 'normalize'
return BoW_norm[0]
if __name__ == "__main__":
nfiles = os.listdir("../imagen_primerscript") #llistem els arxius del directori
dsc = [] #inicialitzem el vector on aniran tots els descriptors de totes les imatges del directori
BoW = dict() #inicialitzem el diccionari
dsc_ind = {} #inicialitzem el vector que contindrá tots els descriptors de cada imatge
for file in nfiles:
filename = file[0:file.index(".")] #obtenim el nom de l'arxiu
dsc_ind[filename] = get_local_features("../imagen_primerscript/" + file) #dessem els descriptors de la imatge corresponent
for feat in dsc_ind[filename]:
dsc.append(feat) #dessem tots els descriptors de totes les imatges al vector
codebook,k = train_codebook(5,dsc) #entrenem el codebook
for file in nfiles:
filename = file[0:file.index(".")]
clase = compute_assignments(codebook, dsc_ind[filename]) #calculem els assignaments
BoW[filename] = construct_bow_vector(clase,k) #dessem els assignaments al vector BoW
features = open("../files/features.p",'w')
pickle.dump(BoW,features) #Escribim els assignaments al bow
features.close()
feat = open("../files/features.p",'r')
p = pickle.load(feat)
from train_codebook import train_codebook
from get_assignments import get_assignments
from build_bow import build_bow
from get_params import get_params
import warnings
warnings.filterwarnings("ignore")
params = get_params()
#Obrim el fitxer que conte les ID de les imatges d'entrenament
ID = open(
os.path.join(params['root'], params['database'], 'train', 'ImageIDs.txt'),
'r')
#Extraccio de les caracteristiques de la imatge de la primera linia del ImageIDs.txt
nom = str(ID.readline()).replace('\n', '')
desc_train = get_local_features(
params,
os.path.join(params['root'], params['database'], 'train', 'images',
nom + '.jpg'))
#Extraccio de les caracteristiques per a la resta de les imatges d'entrenament
dictrain = dict()
dictrain[nom] = desc_train
for line in ID:
nom = str(line).replace('\n', '')
x = get_local_features(
params,
os.path.join(params['root'], params['database'], 'train', 'images',
nom + '.jpg'))
#Concatenar les caracteristiques de cada imatge en una numpy array
desc_train = np.concatenate((desc_train, x))
dictrain[nom] = x
#Tanquem el fitxer
ID.close()
