-
Notifications
You must be signed in to change notification settings - Fork 0
/
testes.py
420 lines (335 loc) · 14.6 KB
/
testes.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
# -*- coding: utf-8 -*-
"""
Created on Sat Apr 16 13:34:10 2016
@author: antoniosousa
Testes de classificação
"""
import datetime
from os import path
from time import time
from skimage.filters import gaussian
from skimage.feature import local_binary_pattern
from optparse import OptionParser
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
import cv2
import sys
import math
import numpy as np
import mahotas as mh
import extrator as ex
import arquivos as arq
import binarypattern as bp
import matplotlib.pyplot as plt
import sliding_window as sw
# 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())}
FUSAO = ['voto', 'soma', 'produto', 'serie']
CLASSES = {'B':0, 'M':1}
## LOG LOG LOG ##
hoje = datetime.datetime.today()
formato = "%a-%b-%d-%H_%M_%S"
arq_log = hoje.strftime(formato)+".log"
logfile = open("./logs/"+"npatches-"+arq_log, "w")
'''
Escreve no console e no arquivo de log da aplicacao
'''
def log(texto):
# Exibe no console e escreve também no arquivo de log
print(texto)
print(texto, file=logfile)
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_patches3(imagem, lado, rgb=False):
#imagem = np.asarray(imagem)
window_size = (lado,lado) if not(rgb) else (lado,lado,3)
print("Lado: "+ str(lado) + " Window: "+ str(window_size) + " Imagem: " + str(imagem.shape))
windows = sw.sliding_window_nd(imagem, window_size)
print ("Cria_patches3:" + str(windows.shape))
return (windows)
'''
Utilizado para testar a funcao de criacao de patches
'''
def exibe_cria_patches(diretorio, n_divs=3):
lista_imagens = arq.busca_arquivos(diretorio, "*.png")
#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 = cria_patches3(img, n_divs, rgb=True)
patches = cria_patches3(img, 32, rgb=True)
print("Total de patches: %f", len(patches))
print("Tamanho do patch: %i", patches[0].shape)
#y = int(math.sqrt(4**n_divs))
y = int(math.sqrt(len(patches)))
x = y
fig,axes = plt.subplots(x,y)
for i, ax in enumerate(axes.ravel()):
if (i == len(patches)):
break;
ax.xaxis.set_major_formatter(plt.NullFormatter())
ax.yaxis.set_major_formatter(plt.NullFormatter())
im = ax.imshow(patches[i],'gray')
plt.show()
'''
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(arquivo, n_div):
atributos = []
rotulos = []
# recupera do nome do arquivo a sua classe
classe, _ = ex.classe_arquivo(arquivo)
#converte para escala de cinza
img = mh.imread(arquivo)
patches = cria_patches3(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)
def gera_arqs_treino(diretorio, n_divs):
arqs_treino = {} # dicionario de arquivos de treino por qtd de patches
for n in range(0,n_divs):
arq_saida = diretorio + "base_PFTAS_"+str(n)+"_divs.svm"
arqs_treino[n] = arq_saida
return (arqs_treino)
'''
Recebe uma lista de imagens e extrai patches dessas imagens de acordo com a
quantidade de divisões passadas. Por exemplo, 1 divisão, dividirá a imagem em
4 partes. 2 divisões, dividirá a imagem em 16 partes e assim por diante. Caso
seja utilizada 0 divisões, será considerada a imagem inteira.
Para cada uma das divisões consideradas, é gerada uma base de atributos extraidos
utilizando PFTAS.
'''
def extrai_patches_imgs(lista_imagens, diretorio, n_divs=5):
# Cria os dicionarios dos atributos e rotulos por qtd de patches
atributos = {} # dicionario de atributos por qtd de patches
rotulos = {} # dicionario de rotulos por qtd de patches
for n in range(0,n_divs):
atributos[n] = []
rotulos[n] = []
arqs_treino = gera_arqs_treino(diretorio, n_divs)
## 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 = extrai_pftas_patches(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, n_divs):
novos_patches = []
for img in patches:
atrs, rots, p = extrai_pftas_patches(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, n_divs):
dump_svmlight_file(atributos.get(n), rotulos.get(n), arqs_treino.get(n))
atributos[n] = []
rotulos[n] = []
'''
Exibe o tempo passado a partir do inicio passado e retorna o tempo atual
em uma nova variável
'''
def exibe_tempo(inicio, desc=""):
fim = round(time() - inicio, 3)
print ("Tempo total de execução ["+desc+"]: " +str(fim))
return(time())
'''
Extrai atributos dos patches de imagem passada.
Inicialmente, divide a imagem em patches para em seguida
aplicar ao método PFTAS
'''
def extrai_pftas_patches_n(img, classe, lado=2):
atributos = []
rotulos = []
patches = cria_patches3(img, lado, 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)
'''
Executa a extracao de atributos de imagens, utilizando patches
de diversos tamanhos. Inicial 2x2, gerando patches incrementais
3x3,4x4, até 128x128
'''
def executa_extracao_n(base_treino, metodo, n=1):
inicio = time()
lista_imagens = arq.busca_arquivos(base_treino, "*.png")
n_imgs_treino = len(lista_imagens)
for lado in range(8,n+1,4):
atributos = []
rotulos = []
arq_treino = base_treino + "base_PFTAS_"+str(lado)+"x"+str(lado)+".svm"
## INICIO DO PROCESSO DE EXTRACAO DE ATRIBUTOS
for arq_imagem in lista_imagens:
print("Arquivo: " + arq_imagem)
imagem = mh.imread(arq_imagem)
if (imagem != None):
classe, _ = ex.classe_arquivo(arq_imagem)
print("executa_extracao_n - shape imagem:" + str(imagem.shape))
# Extrai os atributos e gera os arquivos dos patches da base de treino
atrs,rots = extrai_pftas_patches_n(imagem, classe, lado)
atributos += atrs
rotulos += rots
dump_svmlight_file(atributos, rotulos, arq_treino)
log("Extraidos atributos da base " + base_treino + " utilizando " + metodo + "\n para " + str(n_imgs_treino) + "imagens")
# Exibe o tempo de execução
log(str(time()-inicio) + "EXTRAÇÃO")
'''
Executa a classificacao de uma base de imagens
'''
def classifica_n(base, atrib_tr, rotulos_tr, id_clf, n, svm_c=SVM_C, svm_g=SVM_G):
# Extrai os atributos da base passada
lista_imagens = arq.busca_arquivos(base, "*.png")
# 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
log("Extraindo patches da imagem " + imagem)
atrib_vl, rotulos_vl = extrai(imagem, n)
if len(atrib_vl) > 0:
log("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='int32')
conta = np.bincount(ls_preds)
log('Contagem classes patches: ' + str(conta))
cl = np.argmax(conta)
rotulos_pred.append(cl)
log ('Classe: ' + str(cl))
return (rotulos_ts, rotulos_pred)
'''
Executa classificacao da base de testes utilizando uma base de treino
de imagens que foram diviidas em 4**n patches
'''
def executa_classificacao_n(base_teste, base_treino, n=1):
inicio1 = time()
tamanhos = []
taxas = []
matrizes = []
tempos = []
c = "svm"
try:
for lado in range(8,n+1,4):
# Carrega a base de treinamento
base_tr = base_treino + "base_PFTAS_"+str(lado)+"x"+str(lado)+".svm"
atrib_tr = None
rotulos_tr = None
atrib_tr, rotulos_tr = load_svmlight_file(base_tr)
# Classifica a base de testes
inicio = time()
log("Classificando para " + c + " usando patches de "+str(lado)+"x"+str(lado))
r_tst,r_pred = classifica_n(base_teste, atrib_tr, rotulos_tr, c, lado)
# cria as matrizes de confusao
cm = confusion_matrix(r_tst, r_pred)
# 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
# armazena os resultados
tamanhos.append(lado)
taxas.append(taxa_clf)
matrizes.append(cm)
tempos.append(time()-inicio)
inicio = exibe_tempo(inicio, "CLASSIFICACAO")
except FileNotFoundError as fnf:
log("I/O error({0}): {1}".format(fnf.errno, fnf.strerror))
except TypeError as te:
log("Type Error({0}): {1}".format(te.errno, te.strerror))
except:
log("ERRO ou PROBLEMA desconhecido no processo de classificação.")
print ("Unexpected error:", sys.exc_info()[0])
raise
# Exibe o tempo de execução
log("Tempo: " + str(time()-inicio1) + " CLASSIFICACAO para " + str(4**n) + " patches")
## FIM DO PROCESSO DE CLASSIFICACAO
# exibe os dados obtidos
for t,tx,mc in zip(tamanhos,taxas,matrizes):
log("\nTamanho: " + str(t) + " Taxa Reconhecimento: " + str(tx))
log("Matriz de Confusão: \n" + str(mc))
# plota grafico de resultados [reconhecimento vs tam. patch]
arq_grafico = base_treino + "PFTAS_"+str(lado)+"x"+str(lado)+".pdf"
plota_grafico(tamanhos, taxas, arq_grafico, tituloX="Tam. Patch", tituloY="Tx. Reconhecimento")
arq_grafico_tempo = base_treino + "Tempos_" +str(lado)+"x"+str(lado)+".pdf"
plota_grafico(tamanhos, tempos, arq_grafico_tempo, tituloX="Num. Patches", tituloY="Tempo")
###############################################################################
def plota_grafico(dadosX, dadosY, arquivo="grafico.pdf", titulo="", tituloX="X", tituloY="Y", ):
# plota grafico de resultados [reconhecimento vs tam. patch]
plt.plot(dadosX, dadosY)
# anota os pontos de classificacao
for x,y in zip(dadosX,dadosY):
plt.plot([x,x],[0,y], color ='green', linewidth=.5, linestyle="--")
plt.plot([x,0],[y,y], color ='green', linewidth=.5, linestyle="--")
plt.scatter([x,],[y,], 50, color ='red')
plt.ylabel(tituloY)
plt.xlabel(tituloX)
if (titulo == ""):
titulo = tituloX + " vs " + tituloY
plt.title(titulo)
# set axis limits
plt.xlim(0.0, max(dadosX))
max_y = max(dadosY)
if max_y < 100:
max_y = 100
plt.ylim(0.0, max_y)
#plt.savefig(arquivo, bbox_inches='tight')
plt.savefig(arquivo)
plt.clf()
###############################################################################
def main():
treino="/home/willian/basesML/bases_cancer/folds-spanhol/mkfold/fold5/train/40X/"
teste="/home/willian/basesML/bases_cancer/folds-spanhol/mkfold/fold5/test/40X/"
#treino="/home/willian/basesML/bases_cancer/min_treino2/"
#teste="/home/willian/basesML/bases_cancer/min_teste/"
n=128
metodo="pftas"
executa_extracao_n(treino, metodo, n)
#executa_classificacao_n(teste,treino,n)
# Programa principal
if __name__ == "__main__":
main()