-
Notifications
You must be signed in to change notification settings - Fork 0
/
main.py
656 lines (550 loc) · 31.8 KB
/
main.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
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
import math
import os
import streamlit as st
import pydeck as pdk
import pandas as pd
import numpy as np
import geopandas
from shapely.geometry import Point, Polygon
import random
import json
import matplotlib.pyplot as plt
import cv2 as cv
import torch
region = ['Юг', 'Центр', 'Северо-Запад', 'Средняя Волга', 'Урал', 'Сибирь', 'Восток']
@st.cache
def get_df():
random.seed(42)
world = geopandas.read_file(geopandas.datasets.get_path('naturalearth_lowres'))
rus = geopandas.GeoSeries(world[world['iso_a3'] == 'RUS']['geometry'])
aa = np.random.randint(-100, 100, size=(2000, 2)) + [95.18068700622543, 63.92040775075484]
c1 = []
for i in range(2000):
s = Point(aa[i, 0], aa[i, 1])
if rus.contains(s)[18]:
c1.append([aa[i, 0], aa[i, 1], 100*random.random(), random.choice(region),
'ВЛ-'+str(random.randint(1, 1000)), random.randint(2010, 2022), 1])
df = pd.DataFrame(c1, columns=['lon', 'lat', 'deviation', 'region', 'line', 'year', 'count'])
return df
def hex_to_rgb(h):
h = h.lstrip("#")
return tuple(int(h[i : i + 2], 16) for i in (0, 2, 4))
level = st.sidebar.radio('Выберите, что хотите посмотреть:', ('Дашборд', 'Алгоритмы'), 0)
if level == 'Дашборд':
v = st.radio('Ситуация:', ('В целом по РФ', 'Местная'))
df_big = get_df()
df = df_big[df_big['year'] == 2021]
if v == 'В целом по РФ':
st.title('Состояние просек охранных зон ВЛ ЛЭП РФ')
st.write('**********************************************************')
# st.header('Основные показатели KPI:')
st.title('10% (10190)')
st.subheader('просек не соответствует нормативу')
col1, col2 = st.columns(2)
with col1:
# st.write('Среднее по региону:')
d1 = pd.DataFrame(df.groupby(['region'])['deviation'].mean())
# st.write(d1)
with col2:
# st.write('Количество проблемных точек:')
d2 = pd.DataFrame(df.groupby(['line'])['count'].sum())
# st.write(d1)
# st.write(d2[ d2['count'] > 1])
st.write('**********************************************************')
st.pydeck_chart(pdk.Deck(
map_style = 'mapbox://styles/mapbox/light-v9',
initial_view_state = pdk.ViewState(
latitude = 63.92040775075484,
longitude = 95.18068700622543,
zoom = 2,
pitch = 0,
),
layers =
[
pdk.Layer(
"HeatmapLayer",
data=df,
opacity=0.9,
get_position=["lon", "lat"],
# threshold=0.75,
aggregation=pdk.types.String("MEAN"),
get_weight="deviation",
auto_highlight=True,
# pickable=True,
)
],
))
# st.write(d1)
# st.write(' ')
# st.write(' ')
# st.write('Состояние просек ВЛЭП в ()')
d1 = d1.sort_values(by=['deviation'], ascending=False)
fig, ax = plt.subplots()
ax.bar(height=d1['deviation'], x = d1.index)
ax.set_title('Состояние просек ВЛ ЛЭП, %')
plt.xticks(rotation=90)
st.pyplot(fig)
# st.line_chart(d1)
else:
reg = st.selectbox('Выберите регион', region)
df1 = df[df['region'] == reg]
st.write(df1)
lines_reg = sorted(df1['line'].tolist())
li = st.selectbox('Выберите ВЛ ЛЭП', lines_reg)
row = df1[df1['line'] == li].iloc[0]
n_chan = random.randint(4,10)
p=[]
p.append([row["lon"], row["lat"]])
data_tree = []
for ii in range(1, n_chan):
x1, y1 = p[ii-1]
x2, y2 = [(a * (1 + 0.001*random.random())) if random.random() > 0.5 else (a * (1 - 0.001*random.random()))
for a in (x1, y1)]
p.append([x2, y2])
for jj in range(random.randint(200, 400)):
alfa = random.random()
xp = alfa * x1 + (1 - alfa) * x2
yp = y1 + (y2 - y1) / (x2 - x1) * (xp - x1)
si = random.random()
if si > 0:
yp += 0.0001
else:
yp -= 0.0001
height1 = random.randint(0, 10)
if height1 < 3:
type = 'low'
elif height1 < 7:
type = 'mean'
else:
type = 'big'
data_tree.append([ [xp, yp], height1, type])
df_height = pd.DataFrame(data_tree, columns=['coordinates', 'height', "type"])
df_height1 = df_height[df_height['type'] == 'low']
df_height2 = df_height[df_height['type'] == 'mean']
df_height3 = df_height[df_height['type'] == 'big']
dic1 = [{"name": li,
"color": "#aa11aa",
"path": p
},]
json_path = json.dumps(dic1)
df_path = pd.read_json(json_path)
df_path["color"] = df_path["color"].apply(hex_to_rgb)
# print(df_path)
view_state = pdk.ViewState(latitude=row["lat"], longitude=row["lon"], zoom=9)
layer_opor = pdk.Layer(
type="PathLayer",
data=df_path,
pickable=True,
get_color="color",
width_scale=2,
width_min_pixels=2,
get_path="path",
get_width=2,
)
fill_color_low = [[30, 200, 10], [30, 200, 10]]
fill_color_mean = [[250, 250, 50], [250, 250, 50]]
fill_color_big = [[200, 20, 20], [200, 20, 20]]
what_look = st.multiselect('Высота растительности:', ['Низкая', "Средняя", "Высокая"],
['Низкая', "Средняя", "Высокая"])
layer_tree1 = pdk.Layer(
"HeatmapLayer",
data=df_height1,
opacity=0.9,
get_position="coordinates",
aggregation=pdk.types.String("MEAN"),
get_weight="height",
color_range=fill_color_low,
pickable=True,
threshold=1,
)
layer_tree2 = pdk.Layer(
"HeatmapLayer",
data=df_height2,
opacity=0.9,
get_position="coordinates",
aggregation=pdk.types.String("MEAN"),
get_weight="height",
color_range=fill_color_mean,
pickable=True,
threshold=1,
)
layer_tree3 = pdk.Layer(
"HeatmapLayer",
data=df_height3,
opacity=0.9,
get_position="coordinates",
aggregation=pdk.types.String("MEAN"),
get_weight="height",
color_range=fill_color_big,
pickable=True,
threshold=1,
)
layer_tree = []
if 'Низкая' in what_look:
layer_tree.append(layer_tree1)
if 'Средняя' in what_look:
layer_tree.append(layer_tree2)
if 'Высокая' in what_look:
layer_tree.append(layer_tree3)
st.pydeck_chart(pdk.Deck(
map_style='mapbox://styles/mapbox/satellite-v9',
initial_view_state=view_state,
layers = [layer_opor] + layer_tree
))
st.subheader('Предсказание роста ДКП')
year_f = st.number_input('Год для предсказания', 2022, 2030, 2025)
# предскажем по 2 точкам
# df_height = pd.DataFrame(data_tree, columns=['coordinates', 'height', "type"])
df_height_5 = df_height.copy()
df_height_5['height_5'] = df_height['height'].apply(lambda row: row / random.randint(2,4) )
df_height_5['pred'] = df_height_5.apply(lambda row: (row['height'] - row['height_5'])/5 * (year_f-2021) + row['height_5'], axis=1)
df_height_5['type_new'] = df_height_5['pred'].apply(lambda x: 'low' if x < 3 else ('mean' if x < 7 else 'big'))
# st.write(df_height_5)
col1, col2 = st.columns(2)
with col2:
st.write('Количество точек с определенной высотой ДКР в {}г'.format(int(year_f)))
st.write(df_height_5.groupby('type_new')['type'].count())
with col1:
st.write(f'Количество точек с определенной высотой ДКР в 2021г')
st.write(df_height_5.groupby('type')['type_new'].count())
# if height1 < 3:
# type = 'low'
# elif height1 < 7:
# type = 'mean'
# else:
# type = 'big'
else:
st.title('Используемые алгоритмы:')
segm_dkr = 'Сегментация наличия ДКР'
regr_dkr = 'Регрессия высоты ДКР'
tyalgo = st.radio('', (segm_dkr, regr_dkr, 'Классическое CV', 'Обучение с подкреплением',
'Детектор теней и домов нейросеткой', 'Стереопара',
'Сегментация по маске (тип дкр)'))
st.write('**********************************************************************')
if tyalgo in [segm_dkr, regr_dkr]:
from unet_lidar.plot_function import plot_function
if tyalgo == segm_dkr:
st.write('Бинарная сегментация снимка на лес / не лес.\n'
'Каждому пикселю присваивается вероятность быть "лесом" от 0 до 1.\n'
'Нейросеть обучена на открытых географических данных Швейцарии.\n'
'В качестве ground truth использовались высокоточные лидарные карты местности.')
else:
st.write('Регрессия высоты деревьев по снимку.\n'
'Каждому пикселю присваивается высота. Диапазон высот - от 0 до 63.75 м.\n'
'Нейросеть обучена на открытых географических данных Швейцарии.\n'
'В качестве ground truth использовались высокоточные лидарные карты местности.')
this_file_dir = os.path.dirname(os.path.abspath(__file__))
images_dir = f'{this_file_dir}/RES/swiss_lidar_and_surface/for_plotting/image'
image_names = os.listdir(images_dir)
image_paths = [
os.path.join(images_dir, name)
for name in image_names
]
n_im = st.slider('Номер фотографии', 0, 9)
_, col2, _ = st.columns([1, 3, 1])
with col2:
path_img = image_paths[n_im]
st.image(path_img)
select = st.radio('Обработка изображения', ('Целиком', 'Блоками по 496 пикселей'))
is_slice = select != 'Целиком'
go_unet = st.button('Выполнить')
if go_unet:
fig = plot_function(
model_name='binary_mask_30_epochs' if tyalgo == segm_dkr else 'regression',
file_idx=n_im,
is_slice=is_slice
)
st.header('Результат')
st.pyplot(fig)
if tyalgo == 'Классическое CV':
from classica.izmeritel_teney import Shadow
st.header('Пример')
st.write('Классическими алгоритмами можно искать тени. Тени темнее фона, и если тень хорошо выделяется'
' можно попробовать вырезать ее контур. В сложных ситуациях можно попробовать несколько усредненй.'
' Но тогда время нахождения тени удваивается. Если делать 2 усредненеия, рассчет (не оптимизированный'
' как у нас) может идти до 5 минут. Предлагаем 2 примера. Параметры уже предустановлены, но '
'можно ставить свои. Фото были скачены с Яндекса.')
option = st.selectbox('',
('1', '2',))
if option == '1':
id = 1
path_img = './classica/strim_input_2.jpg'
default_angle = 10
default_stt = 20
default_adjacency = 1
default_n_maen = 0
elif option == '2':
id = 0
path_img = './classica/strim_input_1.jpg'
default_angle = 10
default_stt = 40
default_adjacency = 0
default_n_maen = 1
st.image(path_img)
st.write('Метод предполагает бинаризацию фотографии по скользящему порогу. Соединение полученных точек '
'в контура используя разную связность, '
'удалению маленьких контуров и измерение длин оставшихся контуров по лучу освещения солнца.'
' Для удаления маленьких контуров (шума) можно использовать дискретное преобразование Фурье '
'(в интерфейс не выведено, используется анализ площадей)')
path_img_out = './classica/strim_out.jpg'
path_img_out2 = './classica/stack.jpg'
path_img_out3 = './classica/bar.jpg'
path_img_out4 = './classica/mask_green.jpg'
arg = [path_img, path_img_out, path_img_out2, path_img_out3, path_img_out4]
sh = Shadow(*arg)
col1, col2 = st.columns(2)
with col1:
adjacency = st.selectbox('Связность', (4, 8), default_adjacency)
with col2:
n_maen = st.selectbox('Количество итераций усреднения', (1, 2), default_n_maen)
if n_maen == 1:
stt = st.number_input('Радиус окна экспозиции', 1, 100, default_stt, 1)
else:
col1, col2 = st.columns(2)
with col1:
stt = st.number_input('Радиус окна экспозиции', 1, 100, default_stt, 1)
with col2:
stt2 = st.number_input('Радиус окна экспозиции', 1, 100, default_stt//2, 1)
col1, col2 = st.columns(2)
with col1:
angle = st.number_input('Угол на солнце', -90, 90, default_angle, 1)
with col2:
angle2 = st.number_input('Угол высоты солнца', 0, 90, 45, 1)
porog = st.number_input('Порог теней для объектов', 1, 100, 50, 1)
if st.button('Найти тени'):
if n_maen == 1:
img1 = sh.porog(id, stt)
img, countours = sh.edit_pixels(img1, adjacency=adjacency)
teni, distance = sh.find_shadow_gray(angle=angle, contours=countours)
else:
img1 = sh.porog(id, stt)
img2 = sh.porog(id, stt2)
img, countours = sh.edit_pixels(img1, img2, adjacency=adjacency)
teni, distance = sh.find_shadow_gray(angle=angle, contours=countours)
st.write('Средняя высота теней {:.2f} пикселей, что при угле высоты солнца {}, дает среднюю высоту {:.2f}. '
'Если предположить, что 1 пиксель это 0,3м, то средняя высота {:.2f}м. Средняя'
' высота теней не относится к столбам и деревьям. Если использовать порог {:.2f}, то высота столбов'
' окажется {:.2f}м'.format(
teni, angle2, teni*math.tan(math.radians(angle2)), 0.3*teni*math.tan(math.radians(angle2)), porog,
0.3*sum([x for x in distance if x > porog])/len([x for x in distance if x > porog])*
math.tan(math.radians(angle2))
))
st.write('Найденный тени')
st.image(path_img_out2)
st.write('Гистограмма высот')
st.image(path_img_out3)
if tyalgo == 'Обучение с подкреплением':
st.write('ИИ может не только искать на фотографии объекты по примерам из датасета и передавать на постпроцесинг. '
'Он может самостоятельно вырабатывать стратегии взаимодействия с "миром". '
'ИИ способен сам выработать алгоритм поиска объектов, без примеров, а только получая от нас'
' вознаграждение за свою правильную работу, если мы ее оценили положительно, или научится '
' избегать наказания, если он что то делает не правильно. Например, ИИ '
'может сам, без заложенной программы конкретных инструкций, найти на фото 2 красных квадрата и изменить им цвет. Вашему'
' вниманию предлагается робот, который обучался искать квадраты, но мы не говорили ему как он должен '
'это делать. Он научился сам. Не всегда он это делает быстро. Чаще всего требуется 20-100 шагов. '
'Для увеличения скорости требуется больше времени обучения (без обучения он не решал задачу и за тысячи шагов). '
'В более сложных системах, ИИ сможет исправлять человеческие ошибки или работать совместно с другими '
'детекторами, корректируя их работу, если он посчитает нужным, исходя из своей стратегии')
st.write('Координаты первого квадрата')
col1, col2 = st.columns(2)
with col1:
x1 = st.number_input('x', 0, 4, 1)
with col2:
y1 = st.number_input('y', 0, 4, 1)
st.write('Координаты второго квадрата')
col1, col2 = st.columns(2)
with col1:
x2 = st.number_input('x', 0, 4, 3)
with col2:
y2 = st.number_input('y', 0, 4, 3)
if (x1, y1) == (x2, y2):
st.write('Координаты деревьев должны отличаться')
else:
click = st.button('Запустить робота')
if click:
from RL.play import Labirint, PolicyNetwork, reiforce
random.seed(None)
h = 5
w = 5
n_tree = 2
vis = 5
n_action = 9
n_state = (h*w)**(1 + n_tree)
n_hidden = 256
env = Labirint(h, w, n_tree, n_state, (x1, y1), (x2, y2))
# env.render()
lr = 0.001
police_net = PolicyNetwork(n_state, n_action, n_hidden, lr)
reiforce(env, police_net)
st.image('mygif.gif')
if tyalgo == 'Детектор теней и домов нейросеткой':
st.write('Один из самых точных, но при этом требовательных алгоритмов. Обучая сеть на множестве примеров'
', мы можем получить класс объекта или его высоту. В качестве примера мы покажем сеть классификатора'
' Yolo (https://github.com/ultralytics/yolov5), но это не принципиальная архитектура. Можно '
'использовать и двухшаговые детекторы или написанные самостоятельно. '
'Мы обучили сеть на 300 снимках с космоса выделять тени и дома. Зная длину тени (по пискелям), '
'мы классическими методами можем получить высоту объекта. А зная класс объекта - соответственно '
'то, что находится в защитной зоне. По тени лэп мы понимаем, где она располагается. '
'В целом, в зависимости от датасета, можно получить различные '
'классификаторы и регрессоры, которые будут точнее классических методов в большинстве случаев.'
)
st.write('В демо встроены некоторые фотографии, которые были в тестовом датасете. Их можно прогнать через '
'детектор и проверить визуально качество детекции')
list_test = sorted(os.listdir('./data/1.v1i.yolov5pytorch/test/images'))
n_im = st.slider('Номер фотографии', 0, len(list_test)-1)
_, col2, _ = st.columns([1, 3, 1])
with col2:
path_img = os.path.join('./data/1.v1i.yolov5pytorch/test/images', list_test[n_im])
st.image(path_img)
go_yolo = st.button('Выполнить')
if go_yolo:
from detect import run
args = {
'source': path_img,
'weights': './yolov5/vesa_for_demo/exp2/weights/best.pt',
'imgsz': [480, 480],
'device': 'cpu',
'save_txt': True,
'save_conf': True,
'save_crop': True}
save_path, save_dir = run(**args)
st.header('Результат')
st.write('Найденные объекты:')
if os.path.exists(os.path.join(save_dir, 'crops')):
obj_in_yo = os.listdir(os.path.join(save_dir, 'crops'))
for classiki in obj_in_yo:
obj_in_yo2 = os.listdir(os.path.join(save_dir, 'crops', classiki))
for classiki2 in obj_in_yo2:
col3, col4 = st.columns(2)
with col3:
st.image(os.path.join(save_dir, 'crops', classiki, classiki2))
with col4:
st.write(classiki)
else:
st.write('...объекты не найдены')
st.write('Таблица объектов:')
if os.path.exists(os.path.join(save_dir, 'labels')):
obj_in_yo = os.listdir(os.path.join(save_dir, 'labels'))
for filu in obj_in_yo:
st.write(pd.read_csv(os.path.join(save_dir, 'labels', filu), delimiter=' ', header=None,
names=('x', 'y', 'w', 'h', 'p')))
else:
st.write('...ничего не найдено')
st.write('Фото')
st.image(save_path)
if tyalgo == 'Стереопара':
st.write('Бинокулярное зрение - реальность. Если решить задачу - определить связанные точки '
'на левом и правом видах сцены, то не составляет труда вычислить глубину, т.е. расстояние до '
'видимой точки поверхности. Фотография должна быть хорошего качества. '
'Имея два изображения и соответствующий математический аппарат можно вычислить диспаратность. '
'А по фокусному расстоянию камер, высоты спутника и базы - расстояние.')
primer = st.radio('Пример', ('Фото с телефона', 'Фото дрона'))
st.write('Пусть есть два изображения')
col1, col2 = st.columns(2)
if primer == 'Фото с телефона':
with col1:
st.image('./stereo img/3/l1.jpg')
with col2:
st.image('./stereo img/3/r1.jpg')
else:
with col1:
st.image('./stereo img/1/2021-12-03_00-20_2.png')
with col2:
st.image('./stereo img/1/2021-12-03_00-21.png')
st.write('Совместим две фотографии')
if primer == 'Фото с телефона':
imgL = cv.imread('./stereo img/3/l1.jpg')
imgR = cv.imread('./stereo img/3/r1.jpg')
else:
imgL = cv.imread('./stereo img/1/2021-12-03_00-20_2.png')
imgR = cv.imread('./stereo img/1/2021-12-03_00-21.png')
imgL = cv.cvtColor(imgL, cv.COLOR_BGR2RGB)
imgR = cv.cvtColor(imgR, cv.COLOR_BGR2RGB)
if primer == 'Фото с телефона':
(h, w) = imgR.shape[:2]
(cX, cY) = (h, w)
M = cv.getRotationMatrix2D((cX, cY), 1, 1.0)
rotatedR = cv.warpAffine(imgR, M, (w, h))
M = cv.getRotationMatrix2D((cX, cY), 1, 1.0)
rotatedL = cv.warpAffine(imgL, M, (w, h))
img1 = rotatedL[50:500, 50:800]
img2 = rotatedR[50:500, 51:801]
else:
from scipy import ndimage
rotatedR = ndimage.rotate(imgR, 90)
rotatedL = ndimage.rotate(imgL, 90)
img1 = rotatedL[300:1100, 0:1000]
img2 = rotatedR[309:1109, 0:1000]
fig, ax = plt.subplots()
# plt.figure(figsize=(15, 15))
ax.imshow(img1)
ax.imshow(img2, alpha=0.5)
ax.axis('off')
st.pyplot(fig)
st.write('Теперь построим первичную карту глубины')
frame1_new = cv.cvtColor(img1, cv.COLOR_BGR2GRAY)
frame2_new = cv.cvtColor(img2, cv.COLOR_BGR2GRAY)
stereo = cv.StereoBM_create(numDisparities=128, blockSize=15)
disparity = stereo.compute(frame1_new, frame2_new)
fig, ax = plt.subplots()
ax.imshow(disparity, cmap='turbo')
ax.axis('off')
st.pyplot(fig)
st.write('Если применить фильтры, то получим более сглаженную картину')
# SGBM Parameters -----------------
window_size = 3 # wsize default 3; 5; 7 for SGBM reduced size image; 15 for SGBM full size image (1300px and above); 5 Works nicely
left_matcher = cv.StereoBM_create(
numDisparities=128, # max_disp has to be dividable by 16 f. E. HH 192, 256
blockSize=15,
)
right_matcher = cv.ximgproc.createRightMatcher(left_matcher)
# FILTER Parameters
col1, col2 = st.columns(2)
with col1:
lmbda = st.number_input('lmbda', 10, 10000, 1000)
with col2:
sigma = st.number_input('sigma', 1, 100, 10)
visual_multiplier = 1.0
wls_filter = cv.ximgproc.createDisparityWLSFilter(matcher_left=left_matcher)
wls_filter.setLambda(lmbda)
wls_filter.setSigmaColor(sigma)
print('computing disparity...')
displ = left_matcher.compute(frame1_new, frame2_new) # .astype(np.float32)/16
dispr = right_matcher.compute(frame2_new, frame1_new) # .astype(np.float32)/16
displ = np.int16(displ)
dispr = np.int16(dispr)
filteredImg = wls_filter.filter(displ, frame1_new, None, dispr) # important to put "imgL" here!!!
filteredImg = cv.normalize(src=filteredImg, dst=filteredImg, beta=0, alpha=255, norm_type=cv.NORM_MINMAX);
filteredImg = np.uint8(filteredImg)
fig, ax = plt.subplots()
ax.imshow(filteredImg, cmap='turbo')
ax.axis('off')
st.pyplot(fig)
st.write('Наложим модель диспарантности и правое фото')
fig, ax = plt.subplots()
ax.imshow(img2)
ax.imshow(filteredImg, alpha=0.5, cmap='turbo')
ax.axis('off')
st.pyplot(fig)
st.write('Красный цвет окрашивает близкие объекты, темно синим - дальние. Если спутник будет делать фотографии'
', на которых будут видны движения крон и опор, то можно получить точность определения выстоты +/-1,5м')
if tyalgo == 'Сегментация по маске (тип дкр)':
from unet_type_dkr.pyimagesearch import config
st.write('Нейросети также хорошо могут классифицировать протяженные объекты. Человек может отличить хвойные от '
'лиственных, например, на зимней фотографии. Обучим этому сеть (на 35 фото с Яндекса). '
'В демо встроены некоторые фотографии, которые были в '
'тестовом датасете. Их можно прогнать через детектор и проверить визуально качество детекции')
imagePaths = open(config.TEST_PATHS2).read().strip().split("\n")
# list_test = sorted(os.listdir('./data/1.v1i.yolov5pytorch/test/images'))
n_im = st.slider('Номер фотографии', 0, len(imagePaths) - 1)
_, col2, _ = st.columns([1, 3, 1])
with col2:
path_img = imagePaths[n_im]
st.image(path_img)
go_unet = st.button('Выполнить')
if go_unet:
from unet_type_dkr.predict import make_predictions, get_unet
unet = get_unet()
fig = make_predictions(unet, path_img)
st.header('Результат')
st.pyplot(fig)