#%%

import numpy as np

import matplotlib.pyplot as plt

import skimage.color as clr

from skimage.exposure import histogram

import skimage.exposure as expo

import skimage.filters as flt

import skimage.morphology as morph

import multiprocessing

import matplotlib.pyplot as plt

from joblib import Parallel, delayed

import sklearn.metrics as mtr

#%%

def score(custom_mask, case_nr, show_img = False, save = False):

return acc, jaccard

def make_segment(case_nr, params):

return binary

def segment_and_score(params):

return combined_score

#%%

num_sample_sets = 1000 #zmiana ilości wylosowanych zestawów parametrów

random_params_hsv = np.random.random_sample((num_sample_sets,2)).astype(np.float16)

random_params_thresh = np.random.randint(low = 0, high=7, size = (num_sample_sets,1))

random_params = np.concatenate((random_params_hsv,random_params_thresh, np.expand_dims(np.arange(num_sample_sets), axis = 1)), axis = 1)

#Zestaw parametrów zawiera nową średnią oraz odchylenie standardowe kanału value oraz integer od 0 do 7, które oznaczają różne metody

#thresholdingu oraz ID zestawu

# %%

np.savetxt("rand_params_with_thresh.txt",random_params)

#%%

#random_params = np.loadtxt("rand_params_with_thresh.txt")

#W razie jeśli będzie potrzeba wczytania poprzednio wygenerowanego zestawu wylosowanych parametrów

# %%

set_nr_list = list(range(num_sample_sets))

num_cores = 4 #multiprocessing.cpu_count()

#Zlicza ilość dostępnych cpu

#%%

scores_list = Parallel(n_jobs=num_cores)(delayed(segment_and_score)(random_params[set_nr,:]) for set_nr in set_nr_list)

scores_all = np.array(scores_list)

#dzialanie funkcji na wielu watkach

#jesli chcemy zmienic ilosc watkow poswieconych na to zadanie nalezy zmienic zmienna num_cores na tyle watkow ile chcemy wykorzystac

#%%

scores_all = np.array(scores_all)

np.savetxt("scores.txt",scores_all)

highest = np.argmax(scores_all[:,1])

print(highest)

#znajduje dla ktorego indeksu mamy najwyzszy wynik jaccarda

#%%

params_best = random_params[highest,:] # zapomoca znalezonego indeksu wybieramy zestaw parametrow

scores_best = []

for j in range(30):

mask = make_segment(case_nr = j+1, params = params_best)

scores = score(mask, case_nr = j+1, show_img = False, save = False)

scores_best.append(scores)

#Przepuszczamy przez wszystkie obrazki funkcje make segment oraz score dla najlepszego znalezionego zestawu parametrów

#Jeśli chcemy, żeby funkcja pokazała otrzymaną maske wraz z porównaniem jej z wzorcową maską zmienna show_img należy ustawić na True

# Podobnie jeśli chcemy aby funkcja zapisała obraz należy ustawić save na True(funkcjonalność save nie zadziała jeśli show_img będzie na False)

#%%

scores_best = np.array(scores_best)

print("set nr: {}".format(highest))

print("acc mean: {}".format(np.mean(scores_best[:,0])))

print("jac mean: {}".format(np.mean(scores_best[:,1])))

#Drukuje nam najlepsze uzyskane wyniki

# %%