# coding: utf-8

import skimage

from skimage.filter import rank as rank2

import matplotlib.pyplot as plt

import matplotlib.colors as col

import numpy as np

from skimage import data, exposure

from skimage.morphology import disk,watershed,closing

polDia = data.imread("images\\image57.png")

#Plot de l'image initiale

plt.subplot(3,3,1)

plt.title("Image initiale")

plt.imshow(polDia)

plt.colorbar()

#detection du laser a l'aide du hsv

hsv= col.rgb_to_hsv((polDia/255.0))

laser = np.zeros(polDia.shape[:2])

target=0.29 #green

seuil=0.05

for i in range(laser.shape[0]):

for j in range(laser.shape[1]):

if abs(hsv[i,j,0] - target) < seuil and hsv[i,j,1]>0.2 and hsv[i,j,2]>0.1:

laser[i,j] = 1

plt.subplot(3,3,9)

plt.title("laser detecte par hsv")

plt.imshow(laser)

plt.colorbar()

# determination de l intervalle autour du laser

laser_copy = laser.copy()

for i in range(polDia.shape[0]):

for j in range(polDia.shape[1]):

if laser[i,j] ==1 and j>60 and j<polDia.shape[1]:

for f in range(j-60,j+60):

laser_copy[i,f] =1

#Transformation en image en niveau de gris

polDia_g = skimage.color.rgb2gray(polDia)

polDia_g = polDia_g * laser_copy

plt.subplot(3,3,2)

plt.title("Image en gris")

plt.imshow(polDia_g,cmap = plt.cm.gray)

plt.colorbar()

# applique un filtre median sur l'image en niveau de gris, ceci afin

#de flouter et lisser les bords

polDia_med = rank2.median((polDia_g*255).astype('uint8'),disk(8))

plt.subplot(3,3,3)

plt.title("Image apres filtre median")

plt.imshow(polDia_med,cmap = plt.cm.gray)

plt.colorbar()

type(polDia_med)

# applique une normalisation adaptive a contraste limitee de l'histogramme

# (CLAHE)

polDia_clahe = exposure.equalize_adapthist(polDia_med, clip_limit=0.03)

polDia_clahe_stretch = exposure.rescale_intensity(polDia_clahe, out_range=(0, 256))

#revient a faire polDia_clahe multiplie par 256

plt.subplot(3,3,4)

plt.title("CLAHE")

plt.imshow(polDia_clahe_stretch,cmap = plt.cm.gray)

plt.colorbar()

# applique un gradient sur l'image floutee : mise en evidence des changements

#de niveau abrupt

polDia_grad = rank2.gradient(polDia_clahe_stretch,disk(3))

plt.subplot(3,3,5)

plt.title("Suivi d'un filtre gradient")

plt.imshow(polDia_grad,cmap = plt.cm.gray)

plt.colorbar()

type(polDia_grad)

# Binarisation de l'image en la partie inferieur a un certain gradient

#et l'autre

polDia_grad_mark = polDia_grad<20

plt.subplot(3,3,6)

plt.title("Selection d'un grandient mini")

plt.imshow(polDia_grad_mark,cmap = plt.cm.gray)

plt.colorbar()

# Filtre gradient le plus fin qui sera utilise par le watershed comme

#base

polDia_grad_forws = rank2.gradient(polDia_clahe_stretch,disk(1))

#polDia_grad_forws = rank2.gradient(polDia_med,disk(1))

#title("Image de base pour le watershed")

#subplot(4,2,6)

#imshow(polDia_grad,cmap = plt.cm.gray)

#colorbar()

# Fermeture de l'image binarisee

polDia_grad_mark_closed = closing(polDia_grad_mark,disk(1))

plt.subplot(3,3,7)

plt.title("Fermeture de l'image binarisee")

plt.imshow(polDia_grad_mark_closed,cmap = plt.cm.gray)

plt.colorbar()

# labelisation de l'image binarise, puis watershed de l'image labelise, en

#partant de l'image de gradient la plus fine

Labelised = (skimage.measure.label(polDia_grad_mark_closed,8,0))+1

Watersheded = watershed(polDia_grad_forws,Labelised)

plt.subplot(3,3,8)

plt.title("Image apres watershed")

plt.imshow(Watersheded)

plt.colorbar()