-
Notifications
You must be signed in to change notification settings - Fork 0
/
exp1_npatches.py
559 lines (440 loc) · 19.1 KB
/
exp1_npatches.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
# -*- coding: utf-8 -*-
"""
Created on Sat Apr 16 13:34:10 2016
@author: antoniosousa
Testes de classificação
"""
from skimage.filters import gaussian
from skimage.feature import local_binary_pattern
from time import time
import binarypattern as bp
import arquivos as arq
import numpy as np
import extrator as ex
import mahotas as mh
import math
import cv2
import matplotlib.pyplot as plt
from sklearn.datasets import dump_svmlight_file
from sklearn.datasets import load_svmlight_file
from sklearn.metrics import confusion_matrix
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis
# Constantes
LIMIAR_DIVERGENCIA=0.25
N_DIV = 2
SVM_C = 32
SVM_G = 0.5
CLFS = {'knn':('KNN', KNeighborsClassifier(1)),
'svm':('SVM', SVC(gamma=0.5, C=32)),
'dt':('Árvore de Decisão', DecisionTreeClassifier(max_depth=5)),
'qda':('QDA', QuadraticDiscriminantAnalysis())}
def get_clf(nome_clf):
c = CLFS[nome_clf]
return (c[1])
def get_desc_clf(nome_clf):
c = CLFS[nome_clf]
return (c[0])
def cria_patches(imagens, n_div, rgb=False):
# condicao de parada da recursao
if (n_div == 0):
return (imagens);
colecao = []
for imagem in imagens:
if not(rgb):
l, h = imagem.shape # retorna largura e altura da imagem
# calcula os valores medios
h_m = int(math.ceil(h/2))
l_m = int(math.ceil(l/2))
print ("l_m, h_m: ", str((l_m, h_m)))
# divide a imagem passada em 4 patches
# patch 0,0
m = np.copy(imagem[:l_m,:h_m])
colecao.append(m)
# patch 1,0
m = np.copy(imagem[:l_m,h_m:])
colecao.append(m)
# patch 0,1
m = np.copy(imagem[l_m:,:h_m])
colecao.append(m)
# patch 1,1
m = np.copy(imagem[l_m:,h_m:])
colecao.append(m)
else:
l, h, _ = imagem.shape # retorna largura e altura da imagem
# calcula os valores medios
h_m = int(math.ceil(h/2))
l_m = int(math.ceil(l/2))
#print ("l_m, h_m: ", str((l_m, h_m)))
# divide a imagem passada em 4 patches
# patch 0,0
m = np.copy(imagem[:l_m:,:h_m:])
colecao.append(m)
# patch 1,0
m = np.copy(imagem[:l_m:,h_m::])
colecao.append(m)
# patch 0,1
m = np.copy(imagem[l_m::,:h_m:])
colecao.append(m)
# patch 1,1
m = np.copy(imagem[l_m::,h_m::])
colecao.append(m)
n_div -= 1
return (cria_patches(colecao, n_div, rgb))
def cria_patches2(imagens, n_div, rgb=False):
# condicao de parada da recursao
if (n_div == 0):
return (imagens);
colecao = []
for imagem in imagens:
if not(rgb):
l, h = imagem.shape # retorna largura e altura da imagem
# calcula os valores medios
h_m = int(math.ceil(h/2))
l_m = int(math.ceil(l/2))
print ("l_m, h_m: ", str((l_m, h_m)))
# divide a imagem passada em 4 patches
# patch 0,0
m = np.copy(imagem[:l_m,:h_m])
colecao.append(m)
# patch 1,0
m = np.copy(imagem[:l_m,h_m:])
colecao.append(m)
# patch 0,1
m = np.copy(imagem[l_m:,:h_m])
colecao.append(m)
# patch 1,1
m = np.copy(imagem[l_m:,h_m:])
colecao.append(m)
else:
l, h, _ = imagem.shape # retorna largura e altura da imagem
# calcula os valores medios
h_m = int(math.ceil(h/2))
l_m = int(math.ceil(l/2))
#print ("l_m, h_m: ", str((l_m, h_m)))
# divide a imagem passada em 4 patches
# patch 0,0
m = np.copy(imagem[:l_m:,:h_m:])
colecao.append(m)
# patch 1,0
m = np.copy(imagem[:l_m:,h_m::])
colecao.append(m)
# patch 0,1
m = np.copy(imagem[l_m::,:h_m:])
colecao.append(m)
# patch 1,1
m = np.copy(imagem[l_m::,h_m::])
colecao.append(m)
n_div -= 1
return (cria_patches(colecao, n_div, rgb))
'''
Utilizado para testar a funcao de criacao de patches
'''
def exibe_cria_patches(lista_imagens):
#converte para escala de cinza
for arquivo in lista_imagens:
img = mh.imread(arquivo)
#patches = bp.patches(img, TAM_PATCH, rgb=True)
img_cinza = cv2.imread(arquivo, cv2.IMREAD_GRAYSCALE)
#img_cinza = bp.limpa_imagem(img_cinza)
#patches_cinza = bp.cria_patches(img_cinza, TAM_PATCH)
#patches_cinza = bp.patches(img_cinza, TAM_PATCH, rgb=False)
# exibe a imagem original
plt.imshow(img)
patches = [img]
for n_div in range(1,2):
patches = cria_patches(patches, 1, rgb=True)
print("Total de patches: %f", len(patches))
print("Tamanho do patch: %i", patches[0].shape)
y = int(math.sqrt(4**n_div))
x = y
#fig,axes = plt.subplots(x,y, figsize=(32,32))
fig,axes = plt.subplots(x,y)
for i, ax in enumerate(axes.ravel()):
ax.xaxis.set_major_formatter(plt.NullFormatter())
ax.yaxis.set_major_formatter(plt.NullFormatter())
im = ax.imshow(patches[i],'gray')
plt.show()
def classifica(base, base_tr, id_clf, n, svm_c=SVM_C, svm_g=SVM_G):
inicio = time()
# Extrai os atributos da base passada
lista_imagens = arq.busca_arquivos(base, "*.png")
# Carrega a base de treinamento
print("Carregando base de treinamento...")
atrib_tr, rotulos_tr = load_svmlight_file(base_tr)
#inicio = exibe_tempo(inicio)
# Para o classificador QDA deve-se usar uma matriz densa
if id_clf == "qda":
atrib_tr = atrib_tr.toarray()
# Treina o classificador passado
clf = get_clf(id_clf)
clf.fit(atrib_tr, rotulos_tr)
rotulos_ts = []
rotulos_pred = []
# classifica as imagens uma a uma
for imagem in lista_imagens:
# recupera o rotulo real da imagem (total)
classe, _ = ex.classe_arquivo(imagem)
rotulos_ts.append(ex.CLASSES[classe])
# extrai os patches da imagem
print("Extraindo patches da imagem " + imagem)
atrib_vl, rotulos_vl = extrai([imagem], n)
#inicio = exibe_tempo(inicio)
if len(atrib_vl) > 0:
# Para o classificador QDA deve-se usar uma matriz densa
if id_clf == "qda":
atrib_vl = np.asarray(atrib_vl)
print("Predizendo classe da imagem")
# predicao do classificador para o conjunto de patches
ls_preds = clf.predict(atrib_vl)
#ls_preds = np.asarray(ls_preds, dtype='uint32')
ls_preds = np.asarray(ls_preds, dtype='int32')
conta = np.bincount(ls_preds)
#print('conta ' + str(conta))
rotulos_pred.append(np.argmax(conta))
#inicio = exibe_tempo(inicio)
return (rotulos_ts, rotulos_pred)
def classifica2(base, atrib_tr, rotulos_tr, id_clf, n, svm_c=SVM_C, svm_g=SVM_G):
inicio = time()
# Extrai os atributos da base passada
lista_imagens = arq.busca_arquivos(base, "*.png")
# Carrega a base de treinamento
print("Carregando base de treinamento...")
atrib_tr, rotulos_tr = load_svmlight_file(base_tr)
#inicio = exibe_tempo(inicio)
# Para o classificador QDA deve-se usar uma matriz densa
if id_clf == "qda":
atrib_tr = atrib_tr.toarray()
# Treina o classificador passado
clf = get_clf(id_clf)
clf.fit(atrib_tr, rotulos_tr)
rotulos_ts = []
rotulos_pred = []
# classifica as imagens uma a uma
for imagem in lista_imagens:
# recupera o rotulo real da imagem (total)
classe, _ = ex.classe_arquivo(imagem)
rotulos_ts.append(ex.CLASSES[classe])
# extrai os patches da imagem
print("Extraindo patches da imagem " + imagem)
atrib_vl, rotulos_vl = extrai([imagem], n)
#inicio = exibe_tempo(inicio)
if len(atrib_vl) > 0:
# Para o classificador QDA deve-se usar uma matriz densa
if id_clf == "qda":
atrib_vl = np.asarray(atrib_vl)
print("Predizendo classe da imagem")
# predicao do classificador para o conjunto de patches
ls_preds = clf.predict(atrib_vl)
#ls_preds = np.asarray(ls_preds, dtype='uint32')
ls_preds = np.asarray(ls_preds, dtype='int32')
conta = np.bincount(ls_preds)
#print('conta ' + str(conta))
rotulos_pred.append(np.argmax(conta))
inicio = exibe_tempo(inicio, "CLASSIFICACAO para " + str(4**n) + " patches")
return (rotulos_ts, rotulos_pred)
'''
Para cada imagem da lista de imagens passada, divide a imagem em patches
e para cada patch aplica um extrator de descritor de textura
'''
def extrai(lista_imgs, n_div, descarta=False):
atributos = []
rotulos = []
ref = ex.patch_referencia()
hist_ref = bp.histograma(bp.aplica_lbp(ref))
descartados = []
for arquivo in lista_imgs:
# recupera do nome do arquivo a sua classe
classe, _ = ex.classe_arquivo(arquivo)
#converte para escala de cinza
img = mh.imread(arquivo)
patches = cria_patches([img], n_div, rgb=True)
if (descarta):
img_cinza = cv2.imread(arquivo, cv2.IMREAD_GRAYSCALE)
img_cinza = bp.limpa_imagem(img_cinza)
patches_cinza = cria_patches([img_cinza], n_div)
# calcula o histograma de cada um dos patches
for i, patch in enumerate(patches):
if (descarta):
lbp_patch = bp.aplica_lbp(patches_cinza[i])
hist = bp.histograma(lbp_patch)
dist = bp.distancia_histograma(hist, hist_ref)
if (dist > LIMIAR_DIVERGENCIA):
p_pftas = mh.features.pftas(patch)
atributos.append(p_pftas)
rotulos.append(ex.CLASSES[classe])
else:
dist = str("Distância: " + '{:f}'.format(dist))
descartados.append((patch, dist))
else:
p_pftas = mh.features.pftas(patch)
atributos.append(p_pftas)
rotulos.append(ex.CLASSES[classe])
return (atributos,rotulos)
def extrai2(img, classe, n_div=1):
atributos = []
rotulos = []
patches = cria_patches([img], n_div, rgb=True)
# calcula o histograma de cada um dos patches
for i, patch in enumerate(patches):
p_pftas = mh.features.pftas(patch)
atributos.append(p_pftas)
rotulos.append(ex.CLASSES[classe])
return (atributos,rotulos, patches)
def exibe_tempo(inicio, desc=""):
fim = round(time() - inicio, 3)
print ("Tempo total de execução ["+desc+"]: " +str(fim))
return(time())
# Inicia contagem do tempo de execução
inicio1 = time()
diretorio="/home/willian/basesML/bases_cancer/fold1/treino/"
#diretorio="/home/willian/basesML/bases_cancer/min_treino2/"
#base_teste="/home/willian/basesML/bases_cancer/min_teste2/"
base_teste="/home/willian/basesML/bases_cancer/fold1/teste/"
lista_imagens = arq.busca_arquivos(diretorio, "*.png")
n_imgs_treino = len(lista_imagens)
#base_treino=""
tamanhos = []
taxas = []
matrizes = []
classfs = ["dt", "svm"]
total_n = 4
atributos = {} # dicionario de atributos por qtd de patches
rotulos = {} # dicionario de rotulos por qtd de patches
arqs_treino = {} # dicionario de arquivos de treino por qtd de patches
for n in range(0,total_n):
atributos[n] = []
rotulos[n] = []
arq_saida = diretorio + "base_PFTAS_"+str(n)+"_divs.svm"
arqs_treino[n] = arq_saida
## INICIO DO PROCESSO DE EXTRACAO DE ATRIBUTOS
'''
for arq_imagem in lista_imagens:
imagem = mh.imread(arq_imagem)
classe, _ = ex.classe_arquivo(arq_imagem)
# Extrai os atributos e gera os arquivos dos patches da base de treino
atrs,rots,patches = extrai2(imagem, classe, 0)
atributos_img = atributos.get(0)
atributos_img += atrs
rotulos_img = rotulos.get(0)
rotulos_img += rots
# Executa para todos os tamanhos de patches e acumula as listas de atributos
# e os rotulos de cada um dos patches gerados
# A vantagem desse metodo é realizar apenas uma leitura em disco e evitar
# excesso de overhead ao dividir a imagem em imagens menores (patches)
# pois ja divide a imagem e extrai atributos para todos os tamanhos de patches
for n in range(1, total_n):
novos_patches = []
for img in patches:
atrs, rots, p = extrai2(img, classe)
atributos_img = atributos.get(n)
atributos_img += atrs
rotulos_img = rotulos.get(n)
rotulos_img += rots
novos_patches += p
patches = novos_patches
for n in range(0, total_n):
dump_svmlight_file(atributos.get(n), rotulos.get(n), arqs_treino.get(n))
atributos[n] = []
rotulos[n] = []
'''
inicio = exibe_tempo(inicio1, "EXTRACAO")
## FIM DO PROCESSO DE EXTRACAO DE ATRIBUTOS
## INICIO DO PROCESSO DE CLASSIFICACAO
# Processo de classificacao
print("Classificando a base de testes...")
# Busca a lista dos arquivos da base de testes
lista_imagens = arq.busca_arquivos(base_teste, "*.png")
for n in range(0, total_n):
# Carrega a base de treinamento
base_tr = arqs_treino.get(n)
atrib_tr = None
rotulos_tr = None
atrib_tr, rotulos_tr = load_svmlight_file(base_tr)
# Classifica a base de testes
for c in classfs:
inicio = time()
print("Classificando para " + c + " com " + str(4**n) + " patches")
r_tst,r_pred = classifica2(base_teste, atrib_tr, rotulos_tr, c, n)
# cria as matrizes de confusao
cm = confusion_matrix(r_tst, r_pred)
print("Matriz de confusao: ")
print (cm)
# exibe a taxa de classificacao
r_pred = np.asarray(r_pred)
r_tst = np.asarray(r_tst)
taxa_clf = np.mean(r_pred.ravel() == r_tst.ravel()) * 100
print("Taxa de Classificação: %f " % (taxa_clf))
# armazena os resultados
tamanhos.append(4**n)
taxas.append(taxa_clf)
matrizes.append(cm)
inicio = exibe_tempo(inicio, "CLASSIFICACAO")
## FIM DO PROCESSO DE CLASSIFICACAO
# exibe os dados obtidos
for t,tx in zip(tamanhos,taxas):
print("Tamanho: " + str(t) + " Taxa Reconhecimento: " + str(tx))
# plota grafico de resultados
plt.plot(tamanhos, taxas)
plt.ylabel('taxa de reconhecimento')
plt.xlabel('qtd de patches')
plt.show()
# Encerramento e contagem de tempo de execucao
print("ENCERRAMENTO DO PROGRAMA \n\n")
inicio = exibe_tempo(inicio1)
'''
CLASSIFICACAO E EXTRACAO FUNCIONANDO, MAS AINDA LENTO
main():
# Inicia contagem do tempo de execução
inicio1 = time()
diretorio="/home/willian/basesML/bases_cancer/min_treino/"
base_teste="/home/willian/basesML/bases_cancer/min_teste/"
lista_imagens = arq.busca_arquivos(diretorio, "*.png")
#base_treino=""
arqs_treino = []
tamanhos = []
taxas = []
matrizes = []
classfs = ["dt", "svm"]
for n in range(0,4):
print("Extraindo atributos da base de treino para " + str(4**n) + " patches")
# Extrai os atributos e gera os arquivos dos patches da base de treina
atributos, rotulos, lista_imagens = extrai(lista_imagens, n)
arq_saida = diretorio + "base_PFTAS_"+str(2*n)+"x"+str(2*n)+".svm"
arqs_treino.append(arq_saida)
dump_svmlight_file(atributos, rotulos, arq_saida)
inicio = exibe_tempo(inicio1)
print("Classificando a base de testes...")
# Classifica a base de testes
for c in classfs:
print("Classificando para " + c + " com " + str(4**n) + " patches")
r_tst,r_pred = classifica(base_teste, arq_saida, c, n)
inicio = exibe_tempo(inicio)
# cria as matrizes de confusao
cm = confusion_matrix(r_tst, r_pred)
print("Matriz de confusao: ")
print (cm)
# exibe a taxa de classificacao
r_pred = np.asarray(r_pred)
r_tst = np.asarray(r_tst)
taxa_clf = np.mean(r_pred.ravel() == r_tst.ravel()) * 100
print("Taxa de Classificação: %f " % (taxa_clf))
# armazena os resultados
tamanhos.append(4**n)
taxas.append(taxa_clf)
matrizes.append(cm)
# exibe os dados obtidos
for t,tx in zip(tamanhos,taxas):
print("Tamanho: " + str(t) + " Taxa Reconhecimento: " + str(tx))
# plota grafico de resultados
plt.plot(tamanhos, taxas)
plt.ylabel('taxa de reconhecimento')
plt.xlabel('qtd de patches')
plt.show()
# Encerramento e contagem de tempo de execucao
print("ENCERRAMENTO DO PROGRAMA \n\n")
inicio = exibe_tempo(inicio1)
'''
# Programa principal