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'))
params = get_params()
# Change to training set
params['split'] = 'train'
print "Stacking features together..."
# Save features for training set
t = time.time()
X, pca, scaler = stack_features(params)
print "Done. Time elapsed:", time.time() - t
print "Number of training features", np.shape(X)
print "Training codebook..."
t = time.time()
train_codebook(params, X)
print "Done. Time elapsed:", time.time() - t
print "Storing bow features for train set..."
t = time.time()
get_features(params, pca, scaler)
print "Done. Time elapsed:", time.time() - t
params['split'] = 'val'
print "Storing bow features for validation set..."
t = time.time()
get_features(params)
print "Done. Time elapsed:", time.time() - t
'''
params['split'] = 'test'
# -*- 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
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)
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))
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"
