def superpixel(image_pk,test_pk,grid_size,distance,sigma):
image_selected = Imagen.objects.get(pk=image_pk)
image_for_pil = Image.open("."+image_selected.archivo.url)
maxsize = (200, 200)
thumbnail = grid.thumbnail("."+image_selected.archivo.url,(200,200))
image_for_pil.thumbnail(maxsize, PIL.Image.ANTIALIAS)
test = Prueba.objects.get(pk=test_pk)
op = np.load(test.op_file)
sp = np.load(test.sp_file)
ca = np.load(test.ca_file)
mean_shift_result = ms.MeanShiftResult(op,sp,ca)
x_y_c = fe.cambia_formato(mean_shift_result)
foreground_estimator = fe.foreground_estimation(x_y_c)
classified = foreground_estimator.classify_points()
print(classified)
energy = eg.energy_generation(classified,np.shape(np.array(image_for_pil)),int(grid_size),nombre_salida="./imagenes/tmp/eg/transformacion_distancia_{}.png".format(image_selected.nombre),nombre_grid_interseccion_figura="grid_interseccion_figura.png",nombre_morfologia="morfologia.png")
energy_map = energy.hacer_saliency_map()
s = spx.superpixel(nombre_thumbnail=thumbnail,profundidad=energy_map,nombre_salida="./imagenes/tmp/spx/superpixel_{}.png".format(image_selected.nombre))
s.hacer_superpixel()
fil = open(s.nombre_salida, 'rb')
rd = fil.read()
content_file = ContentFile(rd)
content_file.name="./edited/edited.png"
image_edited = Imagen(nombre=energy.nombre_salida,archivo=content_file,formato="png",editada=True)
image_edited.save()
test.resultado=image_edited
test.save()
return image_edited.archivo.url
def foreground_estimation(image_pk,test_pk,grid_size,distance,sigma):
image_selected = Imagen.objects.get(pk=image_pk)
image_for_pil = Image.open("."+image_selected.archivo.url)
maxsize = (200, 200)
image_for_pil.thumbnail(maxsize, PIL.Image.ANTIALIAS)
test = Prueba.objects.get(pk=test_pk)
op = np.load(test.op_file)
sp = np.load(test.sp_file)
ca = np.load(test.ca_file)
mean_shift_result = ms.MeanShiftResult(op,sp,ca)
x_y_c = fe.cambia_formato(mean_shift_result)
foreground_estimator = fe.foreground_estimation(x_y_c)
classified = foreground_estimator.classify_points()
print(classified)
morf = eg.energy_generation(classified,np.shape(np.array(image_for_pil)),int(grid_size),nombre_salida="transformacion_distancia.png",nombre_grid_interseccion_figura="grid_interseccion_figura.png",nombre_morfologia="morfologia.png")
morf.interseccion_grid_figura()
morf.morfologia()
morf_img = Image.fromarray(morf.res,'L')
morf_img.save("./imagenes/tmp/morfologia/"+morf.nombre_morfologia+"_{}".format(image_selected.nombre),'png')
fil = open("./imagenes/tmp/morfologia/"+morf.nombre_morfologia+"_{}".format(image_selected.nombre), 'rb')
rd = fil.read()
content_file = ContentFile(rd)
content_file.name="./edited/edited.png"
image_edited = Imagen(nombre="./imagenes/tmp/morfologia/"+morf.nombre_morfologia+"_{}".format(image_selected.nombre),archivo=content_file,formato="png",editada=True)
image_edited.save()
test.resultado=image_edited
test.save()
return image_edited.archivo.url
#ORIGINALMENTE ERA [0.2,0.2]
mean_shift_result = mean_shifter.cluster(LISTA_PUNTOS,40, kernel_bandwidth = [100,128])
# Muestra las asignaciones de cada uno de los puntos
cluster_assignments = mean_shift_result.cluster_ids
print(cluster_assignments)
print(mean_shift_result.original_points)
print("Puntos asignados: {}".format(len(cluster_assignments)))
(res,colores) = grid.visualizar_clusteres(RGB,mean_shift_result)
img = Image.fromarray(res,'RGB')
img.save('visalizacion_puntos_aislados_clusteres.png','png')
x_y_c = foreground_estimation.cambia_formato(mean_shift_result)
print(x_y_c)
fe_estimator = foreground_estimation.foreground_estimation(x_y_c)
print(fe_estimator.predictor())
#puntos_clasificados = fe_estimator.classify_points()
#fe_scores = fe_estimator.predictor()
#print(fe_scores)
#normalizacion= whiten(fe_scores)
#normalizacion = normalizacion.reshape(-1,1)
#print(normalizacion)
#centroides,_ = kmeans(normalizacion,k_or_guess=2)
#clases,_ = vq(fe_scores.reshape(-1,1),centroides)
#
#print(centroides)
#print(clases)