Initial commit with project files

CV-App/algorithms/silhouette_ghost.py

@@ -0,0 +1,131 @@
+import cv2
+import numpy as np
+from copy import deepcopy
+from matplotlib import pyplot as plt
+
+from . import Algorithm
+
+
+class SilhouetteGhost (Algorithm):
+
+    """ init function """
+    def __init__(self):
+        self.image_count = 0
+        self.background = None
+        self.background_update_rate = 0.2
+        self.threshold = 15
+
+    """ Processes the input image"""
+    def process(self, img):
+
+        """ 2.1 Vorverarbeitung """
+        """ 2.1.1 Rauschreduktion """
+        plotNoise = False   # Schaltet die Rauschvisualisierung ein
+        if plotNoise:
+            self._plotNoise(img, "Rauschen vor Korrektur")
+        img = self._211_Rauschreduktion(img)
+        if plotNoise:
+            self._plotNoise(img, "Rauschen nach Korrektur")
+        """ 2.1.2 HistogrammSpreizung """
+        img = self._212_HistogrammSpreizung(img)
+
+
+        """ 2.2 Vordergrund-Detektion """
+        img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
+        h, w = img_gray.shape
+        resized_img_gray = cv2.resize(img_gray, (int(w/2), int(h/2)), interpolation=cv2.INTER_NEAREST)
+        blurred_img = cv2.GaussianBlur(resized_img_gray, (15, 15), 0)
+
+        if self.background is None:
+            self.background = blurred_img
+        self.background = (1 - self.background_update_rate) * self.background + self.background_update_rate * blurred_img
+
+        diff = blurred_img - self.background
+        diff_abs = np.abs(diff)
+        binary_image = diff_abs > self.threshold
+
+        """ 2.2.1 Opening und Closing """
+        binary_image = self._221_OpeningClosing(binary_image)
+
+        """ 2.3 Canny-Edge und Bildmodifizierung """
+        canny_edges = self._231_CannyEdge(resized_img_gray)
+
+        canny_edges = canny_edges * binary_image
+        canny_edges = cv2.resize(canny_edges, (int(w), int(h)), interpolation=cv2.INTER_NEAREST)
+
+        return canny_edges
+
+    """ Reacts on mouse callbacks """
+    def mouse_callback(self, event, x, y, flags, param):
+        if event == cv2.EVENT_LBUTTONUP:
+            print("A Mouse click happend! at position", x, y)
+
+
+    def _plotNoise(self, img, name:str):
+        height, width = np.array(img.shape[:2])
+        centY = (height / 2).astype(int)
+        centX = (width / 2).astype(int)
+
+        cutOut = 5
+        tmpImg = deepcopy(img)
+        tmpImg = tmpImg[centY - cutOut:centY + cutOut, centX - cutOut:centX + cutOut, :]
+
+        outSize = 500
+        tmpImg = cv2.resize(tmpImg, (outSize, outSize), interpolation=cv2.INTER_NEAREST)
+
+        cv2.imshow(name, tmpImg)
+        cv2.waitKey(1)
+
+    def _211_Rauschreduktion(self, img):
+        """
+            Hier steht Ihr Code zu Aufgabe 2.1.1 (Rauschunterdrückung)
+            - Implementierung Mittelwertbildung über N Frames
+        """
+
+
+        return img
+
+    def _212_HistogrammSpreizung(self, img):
+        """
+            Hier steht Ihr Code zu Aufgabe 2.1.2 (Histogrammspreizung)
+            - Transformation HSV
+            - Histogrammspreizung berechnen
+            - Transformation BGR
+        """
+
+        return img
+
+    def _221_OpeningClosing(self, binary_image):
+        """
+            Hier steht Ihr Code zu Aufgabe 2.2.1 (Opening and Closing)
+            - Implementieren Sie das Closing
+            - Speichern Sie das aktuelle Bild vor und nach der Funktion beim Mausklick
+        """
+
+        return binary_image
+
+    def _231_CannyEdge (self, img_gray):
+        """
+            Hier steht Ihr Code zu Aufgabe 2.3.1 (Manuelle Canny Edge Implementierung)
+            - Glättung
+            - Gradienten berechnen
+            - Nicht-Maximum Unterdrückung
+            - Hysterese Unterdrückung
+        """
+
+        """ 1. Glättung """
+
+
+        """ 2. Gradienten berechnen """
+
+
+        """ 3. Nicht-Maximum Unterdrückung """
+
+
+        """ 4. Hysterese Unterdrückung """
+        #parameter:
+        thresh1 = 50
+        thresh2 = 100
+
+
+        return np.ones_like(img_gray) * 255 # hier eigenes Edge-Bild ausgeben