def seq_to_rp(self, X):
X_rp = np.empty((len(X), *self.input_shape))
for i, x in enumerate(X):
img = RecurrencePlot(**self.rp_params).fit_transform([x])[0]
img = cv2.resize(img,
dsize=self.input_shape[:2],
interpolation=cv2.INTER_CUBIC).astype(
self.data_type)
if np.sum(img) > 0:
# TODO: improve fit/predict statistics
# Normalizar
if self.normalize:
img = (img - img.min()) / (img.max() - img.min()
) # MinMax (0,1)
#img = (img - img.mean()) / np.max([img.std(), 1e-4])
# # centralizar
# if centralizar:
# img -= img.mean()
# Padronizar
elif self.standardize:
img = (img - img.mean()) / img.std(
) #tf.image.per_image_standardization(img).numpy()
elif self.rescale:
img = (img - img.min()) / (img.max() - img.min())
# N canais
img = np.stack([img for i in range(self.input_shape[-1])],
axis=-1).astype(self.data_type)
X_rp[i, ] = img
return X_rp
def serie_para_imagem(serie,
params_rp=PARAMETROS_RP,
tam_imagem=TAMANHO_IMAGEM_RP,
normalizar=False,
padronizar=False,
tipo_dados=TIPO_DADOS):
"""
Funcao responsavel por gerar e tratar a imagem RP (baseado estudo #17).
"""
# Gerando imagem RP/redimensiona_prndo
imagem = RecurrencePlot(**params_rp).fit_transform([serie])[0]
imagem = cv2.resize(imagem,
dsize=tam_imagem[:2],
interpolation=cv2.INTER_CUBIC).astype(tipo_dados)
if np.sum(imagem) > 0:
# Normalizar
if normalizar:
imagem = (imagem - imagem.min()) / (imagem.max() - imagem.min()
) # MinMax (0,1)
#imagem = (imagem - imagem.mean()) / np.max([imagem.std(), 1e-4])
# # centralizar
# if centralizar:
# imagem -= imagem.mean()
# Padronizar
elif padronizar:
imagem = (imagem - imagem.mean()) / imagem.std(
) #tf.image.per_image_standardization(imagem).numpy()
# N canais
imagem = np.stack([imagem for i in range(tam_imagem[-1])],
axis=-1).astype(tipo_dados)
return imagem