def class3_output(hz_fft3, num_fft3):
max_sum = 0
max_index = -1
min_sum = 0
min_index = -1
fft = []
# 最大周波数とピーク数のリストを一つのリストにまとめる
for i in range(len(hz_fft3)):
fft.append([hz_fft3[i], num_fft3[i]])
fft = np.array(fft)
# 最小－1,最大1にリストを正規化
normal_fft = scipy.stats.zscore(fft).tolist()
# 正規化されたリストから最小の和と最大の和のリストを抽出
for i in range(len(normal_fft)):
sum_fft = normal_fft[i][0] + normal_fft[i][1]
if max_sum < sum_fft:
max_sum = sum_fft
max_index = [normal_fft[i][0], normal_fft[i][1]]
if min_sum > sum_fft:
min_sum = sum_fft
min_index = [normal_fft[i][0], normal_fft[i][1]]
#分類対象のデータのリスト。各要素はfloatのリスト
vectors = normal_fft
#分類対象のデータをクラスタ数3でクラスタリング
centers = k_means.clustering_class3(vectors, 3, max_index, min_index)
plot_label = []
label = []
for i in normal_fft:
label_input = (k_means.near(i, centers))
plot_label.append(label_input)
# ノイズではない2分類をまとめる
if label_input == 0 or label_input == 1:
label.append(0)
else:
label.append(1)
# 各特徴点の平均値をラベルに従いプロットする
fft_0x = []
fft_0y = []
fft_1x = []
fft_1y = []
fft_2x = []
fft_2y = []
print(label)
for i in range(len(normal_fft)):
if label[i] == 0:
fft_0x.append(normal_fft[i][0])
fft_0y.append(normal_fft[i][1])
elif label[i] == 1:
fft_1x.append(normal_fft[i][0])
fft_1y.append(normal_fft[i][1])
else:
fft_2x.append(normal_fft[i][0])
fft_2y.append(normal_fft[i][1])
# figure
fig = plt.figure(figsize=(14, 10))
ax = fig.add_subplot(1, 1, 1)
# plot
ax.scatter(fft_0x, fft_0y, color='g', s=36)
ax.scatter(fft_1x, fft_1y, color='b', s=36)
ax.scatter(fft_2x, fft_2y, color='r', s=36)
plt.title('Method-3', fontsize=36)
plt.xlabel('vector in x', fontsize=36)
plt.ylabel('vector in y', fontsize=36)
plt.tick_params(labelsize=36)
plt.savefig('D:/opticalflow/evaluation/plt/class3/' + videoName[:-4] +
'_figure.png')
return label
def class2_output(hz_fft2, num_fft2):
max_sum = 0
max_index = -1
min_sum = 0
min_index = -1
fft = []
# 最大周波数とピーク数のリストを一つのリストにまとめる
for i in range(len(hz_fft2)):
fft.append([hz_fft2[i], num_fft2[i]])
# numpy配列に変換
fft = np.array(fft)
# 最小－1,最大1にリストを正規化
normal_fft = scipy.stats.zscore(fft).tolist()
# 正規化されたリストから最小の和と最大の和のリストを抽出
for i in range(len(normal_fft)):
sum_fft = normal_fft[i][0] + normal_fft[i][1]
if max_sum < sum_fft:
max_sum = sum_fft
max_index = [normal_fft[i][0], normal_fft[i][1]]
if min_sum > sum_fft:
min_sum = sum_fft
min_index = [normal_fft[i][0], normal_fft[i][1]]
#分類対象のデータのリスト。各要素はfloatのリスト
vectors = normal_fft
#分類対象のデータをクラスタ数3でクラスタリング
centers = k_means.clustering_class2(vectors, 3, max_index, min_index)
label = []
plot_label = []
for i in normal_fft:
label_input = (k_means.near(i, centers))
plot_label.append(label_input)
# 0,1:noise→0 2:feature→1
#if label_input==0 or label_input==1:
# label.append(0)
#else:
# label.append(1)
label.append(label_input)
# 各特徴点をラベルに従いプロットする
fft_0x = []
fft_0y = []
fft_1x = []
fft_1y = []
fft_2x = []
fft_2y = []
print(label)
for i in range(len(normal_fft)):
if label[i] == 0:
fft_0x.append(normal_fft[i][0])
fft_0y.append(normal_fft[i][1])
elif label[i] == 1:
fft_1x.append(normal_fft[i][0])
fft_1y.append(normal_fft[i][1])
else:
fft_2x.append(normal_fft[i][0])
fft_2y.append(normal_fft[i][1])
# figure
bairitu = 10
spines = 3 * bairitu
fig = plt.figure(figsize=(14 * bairitu, 10 * bairitu))
ax = fig.add_subplot(1, 1, 1)
# plot
ax.scatter(fft_0x, fft_0y, color='r', s=(360 * bairitu))
ax.scatter(fft_1x, fft_1y, color='g', s=(360 * bairitu))
ax.scatter(fft_2x, fft_2y, color='b', s=(360 * bairitu))
#軸の太さの調整。方向を辞書のキーとして渡し、set_linewidthで大きさを微調整できる
ax.spines["top"].set_linewidth(spines)
ax.spines["left"].set_linewidth(spines)
ax.spines["bottom"].set_linewidth(spines)
ax.spines["right"].set_linewidth(spines)
#plt.title('Method-2', fontsize=36)
plt.xlabel('ベクトル x', fontsize=36 * bairitu, fontname='MS Gothic')
plt.ylabel('ベクトル y', fontsize=36 * bairitu, fontname='MS Gothic')
plt.tick_params(labelsize=36 * bairitu)
plt.savefig('D:/opticalflow/evaluation/plt/class2/' + videoName[:-4] +
'_figure.png')
return label
def class1_output(k_err, zahyou):
x_err = []
y_err = []
err = []
max_err = 0
min_err = 0
max_index = -1
min_index = -1
# 特徴点ごとのx,y座標の絶対誤差をそれぞれ一つの配列にまとめる
for i in range(len(k_err)):
for j in range(len(k_err[0])):
x_err.append(k_err[i][j][0])
y_err.append(k_err[i][j][1])
# 最小-1,最大1で正規化する
x_err_normal = scipy.stats.zscore(x_err).tolist()
y_err_normal = scipy.stats.zscore(y_err).tolist()
# 正規化したx,y座標の絶対誤差のリストを一つのリストにまとめる
for i in range(len(x_err)):
err.append([x_err_normal[i], y_err_normal[i]])
# リストのx,y座標の和が最大のものを抽出する
if max_err < x_err_normal[i] + y_err_normal[i]:
max_index = [x_err_normal[i], y_err_normal[i]]
# リストのx,y座標の和が最小のものを抽出する
elif min_err > x_err_normal[i] + y_err_normal[i]:
min_index = [x_err_normal[i], y_err_normal[i]]
#分類対象のデータのリスト。各要素はfloatのリスト
vectors = err
#分類対象のデータをクラスタ数3でクラスタリング
centers = cmeans(vectors.T, 3, 2, 0.003, 10000)
u = centers[1].T
label = u
plot_label = u
'''
for i in normal_fft:
label_input = (k_means.near(i, centers))
plot_label.append(label_input)
# 0,1:noise→0 2:feature→1
#if label_input==0 or label_input==1:
# label.append(0)
#else:
# label.append(1)
label.append(label_input)
'''
# 特徴点ごと実行:フレーム数分k-meansで分類して一番多い分類を採用する
label = []
k_err = scipy.stats.zscore(k_err).tolist()
zahyou_ave = []
# 分類したデータで各特徴点をクラスタリングする
for frame in k_err:
tmp = []
sum_x = 0
sum_y = 0
# フレームごとにクラスタリングする
for i in frame:
tmp.append(k_means.near(i, centers))
sum_x += i[0]
sum_y += i[1]
# クラスタリングした結果の最頻値をラベル付けする
label_input = mode(tmp)
# 絶対誤差の平均を計算する
zahyou_ave.append([sum_x / len(frame), sum_y / len(frame)])
# 0:noise→0 1,2:feature→1
#if label_input == 2 or label_input == 1:
# label_input = 1
#else:
# label_input = 0
label.append(label_input) # 一番多い数字をlabelに追加
x0 = []
y0 = []
x1 = []
y1 = []
x2 = []
y2 = []
#print(label)
# 各特徴点の平均値をラベルに従いプロットする
for index, zahyou_data in enumerate(zahyou_ave):
if label[index] == 0:
x0.append(zahyou_data[0])
y0.append(zahyou_data[1])
elif label[index] == 1:
x1.append(zahyou_data[0])
y1.append(zahyou_data[1])
else:
x2.append(zahyou_data[0])
y2.append(zahyou_data[1])
# figure
fig = plt.figure(figsize=(14, 10))
ax = fig.add_subplot(1, 1, 1)
# plot
ax.scatter(x0, y0, color='r')
ax.scatter(x1, y1, color='b')
ax.scatter(x2, y2, color='g')
#plt.title('Method-1', fontsize=36)
plt.xlabel('victor in x', fontsize=36)
plt.ylabel('victor in y', fontsize=36)
plt.tick_params(labelsize=36)
# プロットした画像を保存する
plt.savefig('D:/opticalflow/cmeans2/plt/class1/' + videoName[:-4] +
'_figure.png')
return label
def class1_output(k_err, zahyou):
x_err = []
y_err = []
err = []
max_err = 0
min_err = 0
max_index = -1
min_index = -1
# 特徴点ごとのx,y座標の絶対誤差をそれぞれ一つの配列にまとめる
for i in range(len(k_err)):
for j in range(len(k_err[0])):
x_err.append(k_err[i][j][0])
y_err.append(k_err[i][j][1])
# 最小-1,最大1で正規化する
x_err_normal = scipy.stats.zscore(x_err).tolist()
y_err_normal = scipy.stats.zscore(y_err).tolist()
# 正規化したx,y座標の絶対誤差のリストを一つのリストにまとめる
for i in range(len(x_err)):
err.append([x_err_normal[i], y_err_normal[i]])
# リストのx,y座標の和が最大のものを抽出する
if max_err < x_err_normal[i] + y_err_normal[i]:
max_index = [x_err_normal[i], y_err_normal[i]]
# リストのx,y座標の和が最小のものを抽出する
elif min_err > x_err_normal[i] + y_err_normal[i]:
min_index = [x_err_normal[i], y_err_normal[i]]
#分類対象のデータのリスト。各要素はfloatのリスト
vectors = err
#分類対象のデータをクラスタ数3でクラスタリング
centers = k_means.clustering_class1(vectors, 3, max_index, min_index)
# 特徴点ごと実行:フレーム数分k-meansで分類して一番多い分類を採用する
label = []
k_err = scipy.stats.zscore(k_err).tolist()
zahyou_ave = []
# 分類したデータで各特徴点をクラスタリングする
for frame in k_err:
tmp = []
sum_x = 0
sum_y = 0
# フレームごとにクラスタリングする
for i in frame:
tmp.append(k_means.near(i, centers))
sum_x += i[0]
sum_y += i[1]
# クラスタリングした結果の最頻値をラベル付けする
label_input = mode(tmp)
# 絶対誤差の平均を計算する
zahyou_ave.append([sum_x / len(frame), sum_y / len(frame)])
# 0:noise→0 1,2:feature→1
#if label_input == 2 or label_input == 1:
# label_input = 1
#else:
# label_input = 0
label.append(label_input) # 一番多い数字をlabelに追加
x0 = []
y0 = []
x1 = []
y1 = []
x2 = []
y2 = []
print(label)
# 各特徴点の平均値をラベルに従いプロットする
for index, zahyou_data in enumerate(zahyou_ave):
if label[index] == 0:
x0.append(zahyou_data[0])
y0.append(zahyou_data[1])
elif label[index] == 1:
x1.append(zahyou_data[0])
y1.append(zahyou_data[1])
else:
x2.append(zahyou_data[0])
y2.append(zahyou_data[1])
# figure
bairutu = 10
spines = 3 * bairutu
fig = plt.figure(figsize=(14 * bairutu, 10 * bairutu))
ax = fig.add_subplot(1, 1, 1)
# plot
ax.scatter(x0, y0, color='r', s=(360 * bairutu))
ax.scatter(x1, y1, color='g', s=(360 * bairutu))
ax.scatter(x2, y2, color='b', s=(360 * bairutu))
#軸の太さの調整。方向を辞書のキーとして渡し、set_linewidthで大きさを微調整できる
ax.spines["top"].set_linewidth(spines)
ax.spines["left"].set_linewidth(spines)
ax.spines["bottom"].set_linewidth(spines)
ax.spines["right"].set_linewidth(spines)
#plt.title('Method-1', fontsize=36)
plt.xlabel('ベクトル x', fontsize=36 * bairutu, fontname='MS Gothic')
plt.ylabel('ベクトル y', fontsize=36 * bairutu, fontname='MS Gothic')
plt.tick_params(labelsize=36 * bairutu)
# プロットした画像を保存する
plt.savefig('D:/opticalflow/evaluation/plt/class1/' + videoName[:-4] +
'_figure.png')
return label
def class2_output(hz_fft2, num_fft2):
max_sum = 0
max_index = -1
min_sum = 0
min_index = -1
fft = []
# 最大周波数とピーク数のリストを一つのリストにまとめる
for i in range(len(hz_fft2)):
fft.append([hz_fft2[i], num_fft2[i]])
# numpy配列に変換
fft = np.array(fft)
# 最小－1,最大1にリストを正規化
normal_fft = scipy.stats.zscore(fft).tolist()
# 正規化されたリストから最小の和と最大の和のリストを抽出
for i in range(len(normal_fft)):
sum_fft = normal_fft[i][0]+normal_fft[i][1]
if max_sum < sum_fft:
max_sum = sum_fft
max_index = [normal_fft[i][0], normal_fft[i][1]]
if min_sum > sum_fft:
min_sum = sum_fft
min_index = [normal_fft[i][0], normal_fft[i][1]]
#分類対象のデータのリスト。各要素はfloatのリスト
vectors = normal_fft
#分類対象のデータをクラスタ数3でクラスタリング
centers = k_means.clustering_class2(vectors, 3, max_index, min_index)
label = []
plot_label = []
for i in normal_fft:
label_input = (k_means.near(i, centers))
plot_label.append(label_input)
# 0,1:noise→0 2:feature→1
#if label_input==0 or label_input==1:
# label.append(0)
#else:
# label.append(1)
label.append(label_input)
# 各特徴点をラベルに従いプロットする
fft_0x = []
fft_0y = []
fft_1x = []
fft_1y = []
fft_2x = []
fft_2y = []
print(label)
for i in range(len(normal_fft)):
if label[i]==0:
fft_0x.append(normal_fft[i][0])
fft_0y.append(normal_fft[i][1])
elif label[i]==1:
fft_1x.append(normal_fft[i][0])
fft_1y.append(normal_fft[i][1])
else:
fft_2x.append(normal_fft[i][0])
fft_2y.append(normal_fft[i][1])
# figure
fig = plt.figure(figsize=(14,10))
ax = fig.add_subplot(1, 1, 1)
# plot
ax.scatter(fft_0x, fft_0y, color='b', s=36)
ax.scatter(fft_1x, fft_1y, color='r', s=36)
ax.scatter(fft_2x, fft_2y, color='g', s=36)
#plt.title('Method-2', fontsize=36)
plt.xlabel('vector in x', fontsize=36)
plt.ylabel('vector in y', fontsize=36)
plt.tick_params(labelsize=36)
plt.savefig(savePath + '/kmeans_class2_' + videoName[:-4] + '.jpg')
return label
