Initial commit with project files

5_Bildanalyse/ü11/README.md

@@ -0,0 +1,29 @@
+# Übung 11: Objekt Klassifikation
+
+In dieser Aufgabe sollen Sie einen Algorithmus für die Klassifikation von bereits segmentierten Objekten schreiben.
+Dabei sollen Sie jedem der 6 folgenden Bilder eine Klasse zuordnen. Die Möglichen Klassen sind dabei 
+
+- Mensch
+- Ball
+- Fenster
+
+| ![](data/kasten2.png) | ![](data/mensch2.png) | ![](data/ball2.png) |
+| ---------- | -------- | ----- |
+| ![](data/ball.png) | ![](data/kasten.png) | ![](data/mensch.png) |
+
+
+## a) Erzeugung von Merkmalen
+
+Erstellen Sie enige Merkmale, welche Größe oder Form der Objekte quantitativ beschreiben. Achten Sie darauf,
+dass die Merkmale möglichst diskriminativ sind, sodass sie zur Unterscheidung in die verschiedenen Klassen genutzt 
+werden können.
+
+
+Bitte führen Sie für die Bearbeitung der Aufgabe das Skript [a.py](a.py) fort. 
+Die Lösung befindet sich in Datei [l_a.py](l_a.py).
+
+## b) Klassifikation von Merkmalen
+Erstellen Sie nun qualitative Regeln mit den in Aufgabe a) erstellen Merkmalen, um die Elemente in den Bildern zu 
+klassifizieren. Sie brauchen dabei nicht programmieren, sondern lediglich Regeln für die Klassifizierung erstellen. 
+
+Eine mögliche Lösung befindet sich in Datei [l_b.md](l_b.md).

5_Bildanalyse/ü11/a.py

@@ -0,0 +1,20 @@
+import numpy as np
+import cv2
+
+
+''' Load images '''
+img1 = cv2.imread("data/mensch.png", cv2.IMREAD_GRAYSCALE)
+img2 = cv2.imread("data/mensch2.png", cv2.IMREAD_GRAYSCALE)
+img3 = cv2.imread("data/kasten.png", cv2.IMREAD_GRAYSCALE)
+img4 = cv2.imread("data/kasten2.png", cv2.IMREAD_GRAYSCALE)
+img5 = cv2.imread("data/ball.png", cv2.IMREAD_GRAYSCALE)
+img6 = cv2.imread("data/ball2.png", cv2.IMREAD_GRAYSCALE)
+
+''' Define features '''
+
+
+''' Show parameter '''
+for name, img in [("img1", img1), ("img2", img2), ("img3", img3), ("img4", img4), ("img5", img5), ("img6", img6)]:
+    print("Image:", name)
+    print("    feature =", ...)
+

5_Bildanalyse/ü11/l_a.py

@@ -0,0 +1,60 @@
+import numpy as np
+import cv2
+
+''' Load images '''
+img1 = cv2.imread("data/mensch.png", cv2.IMREAD_GRAYSCALE)
+img2 = cv2.imread("data/mensch2.png", cv2.IMREAD_GRAYSCALE)
+img3 = cv2.imread("data/kasten.png", cv2.IMREAD_GRAYSCALE)
+img4 = cv2.imread("data/kasten2.png", cv2.IMREAD_GRAYSCALE)
+img5 = cv2.imread("data/ball.png", cv2.IMREAD_GRAYSCALE)
+img6 = cv2.imread("data/ball2.png", cv2.IMREAD_GRAYSCALE)
+
+''' Define features '''
+
+
+def height_and_width(img):
+    rows, cols = np.where(img != 0)
+    x1, x2, y1, y2 = np.min(cols), np.max(cols), np.min(rows), np.max(rows)
+    h = y2 - y1
+    w = x2 - x1
+    return h, w
+
+
+def height_over_width(w, h):
+    return h / w
+
+
+def perimeter(img):
+    kernel = np.asarray([[0, 1, 0], [1, 1, 1], [0, 1, 0]], dtype=np.uint8)
+    small_img = cv2.erode(img, kernel)
+    edges = img - small_img
+    peri = np.sum(edges / np.max(edges))
+    return peri
+
+
+def area(img):
+    return np.sum(img / np.max(img))
+
+
+def roundness(perimeter, area, h, w):
+    # (2 pi r) / (pi r^2) = perimeter / area = 2 / r           for round objects
+    # r = h / 2 = w / 2
+    r = 0.5 * (h / 2 + w / 2)
+    round = r * perimeter / (2 * area)
+    return round
+
+
+''' Show parameter '''
+for name, img in [("img1", img1), ("img2", img2), ("img3", img3), ("img4", img4), ("img5", img5), ("img6", img6)]:
+    print("Image:", name)
+    object_height, object_width = height_and_width(img)
+    print("    h =", object_height)
+    print("    w =", object_width)
+    object_height_over_width = height_over_width(object_width, object_height)
+    print("    height_over_width =", object_height_over_width)
+    object_perimeter = perimeter(img)
+    print("    perimeter =", object_perimeter)
+    object_area = area(img)
+    print("    area =", object_area)
+    object_roundness = roundness(object_perimeter, object_area, object_height, object_width)
+    print("    roundness =", object_roundness)

5_Bildanalyse/ü11/l_b.md

@@ -0,0 +1,60 @@
+# Lösung b): Klassifikation von Merkmalen
+
+Basierend auf den Merkmalen in Teilaufgabe a) können einige Regelen für die Klassifikation von Objekten erstellt werden. 
+Diese Lösung ist eine von vielen möglichen Lösungen und bezieht sich auf die Ausgabe aus Aufgabe a):
+
+````shell
+Image: img1
+    h = 119
+    w = 60
+    height_over_width = 1.9833333333333334
+    perimeter = 535.0
+    area = 2925.0
+    roundness = 4.092521367521368
+Image: img2
+    h = 96
+    w = 53
+    height_over_width = 1.8113207547169812
+    perimeter = 494.0
+    area = 1981.0
+    roundness = 4.6444977284199895
+Image: img3
+    h = 98
+    w = 117
+    height_over_width = 0.8376068376068376
+    perimeter = 1120.0
+    area = 2489.0
+    roundness = 12.093210124548012
+Image: img4
+    h = 73
+    w = 56
+    height_over_width = 1.3035714285714286
+    perimeter = 631.0
+    area = 884.0
+    roundness = 11.510039592760181
+Image: img5
+    h = 48
+    w = 50
+    height_over_width = 0.96
+    perimeter = 140.0
+    area = 1960.0
+    roundness = 0.875
+Image: img6
+    h = 49
+    w = 56
+    height_over_width = 0.875
+    perimeter = 382.0
+    area = 2111.0
+    roundness = 2.3750592136428232
+
+Process finished with exit code 0
+
+````
+
+- **Menschen** sind im stehenden Zustand ca. doppelt so hoch wie breit. Daher sollte bei einem Menschen *height_over_width* ca. 2 sein. Zusätzlich sollte die *roundness* deutlich ungleich 1 sein.
+- **Bälle** sind unabhängig von ihrer Größe rund. Die *roundness* sollte daher in der Nähe von 1 liegen.
+- **Fenster** haben meistens aufgrund der "Kacheln" eine geringe Fläche, verglichen zu dem Umfang.
+
+
+Diese Regeln müssen nicht auf jedes Objekt zutreffen. Sie sollen lediglich veranschaulichen, wie Regeln für einen Klassifikator
+aus Merkmalen erstellt werden können.