Skip to content

Commit

Permalink
Commenti
Browse files Browse the repository at this point in the history 
Aggiunta di ulteriori commenti
  • Loading branch information
@GiuseppeCannata
GiuseppeCannata authored Mar 16, 2022
1 parent 1d75888 commit 9bf343f
Showing 1 changed file with 40 additions and 26 deletions.
66 changes: 40 additions & 26 deletions src/utils/augumentation/augumentation.py
View file
Original file line number Diff line number Diff line change
Expand Up @@ -6,11 +6,13 @@
from utils.utils_methods import format_example
from utils.augumentation.methods import aug_shift, aug_flip, random_brightness, random_contrast, aug_rotation_angle

"""
name_tfrecord: path relativo al tfrecord
cnt_dataset: lungezza totale dataset augumentato
"""

def apply_augumentation(data_tfrecord_path, unprocess_dataset_iterator, name_dataset, len_dataset):
"""
:return name_tfrecord: path relativo al tfrecord augumentato
:return cnt_dataset: lungezza totale dataset augumentato
"""

name_file = f'{name_dataset}_augumentation.tfrecord'
name_tfrecord = os.path.join(data_tfrecord_path, name_file)
tfrecord_writer = tf.compat.v1.python_io.TFRecordWriter(name_tfrecord)
Expand Down Expand Up @@ -67,16 +69,18 @@ def apply_augumentation(data_tfrecord_path, unprocess_dataset_iterator, name_dat

}
example = format_example(dic_data)
tfrecord_writer.write(example.SerializeToString())
tfrecord_writer.write(example.SerializeToString()) # scrivo l'immagine originale
cnt_dataset += 1

##############################
# Dinamic affine trasformation
##############################
# In questa sezione vado ad applicare le trasformazioni Affini di rotazione e shift sia sull'immagine target che di
# condizione.

vec_dic_affine = [] # conterra i dic con le trasfromazioni affini

### Aug image_raw_1
### Aug target image

# Rotazione Random
random_angles_1 = tf.random.uniform(shape=[4], minval=-91, maxval=91, dtype=tf.int64).numpy()
Expand All @@ -96,22 +100,23 @@ def apply_augumentation(data_tfrecord_path, unprocess_dataset_iterator, name_dat
dic_data_shifted = aug_shift(dic_data.copy(), indx_img="t", type="ver", ty=shift)
vec_dic_affine.append(dic_data_shifted)

### Aug image_raw_0
# Piccole trasformaizoni
### Aug condition image
# Effettuo delle piccole trasformazioni sull'immagine di condizione in modo tale da aumentare la variabilità
# e far si che i pairs abbiano immagini di condizione in pose differenti
list = vec_dic_affine.copy()
for i, dic in enumerate(list): # escludo l'immagine originale
for i, dic in enumerate(list):
trasformation = tf.random.uniform(shape=[1], minval=0, maxval=4, dtype=tf.int64).numpy()
if trasformation == 0: # Nessuna trasformazione
if trasformation == 0: # Nessuna trasformazione, salvo considero l'immagine di condizione cosi com è
continue
if trasformation == 1: # Rotation
elif trasformation == 1: # Rotation
angle = tf.random.uniform(shape=[1], minval=-46, maxval=46, dtype=tf.int64).numpy()[0]
dic_new = aug_rotation_angle(dic.copy(), angle, indx_img="c") # rotazione image raw_1
vec_dic_affine[i] = dic_new
if trasformation == 2: # Shift Or
elif trasformation == 2: # Shift Or
shift = tf.random.uniform(shape=[1], minval=-21, maxval=21, dtype=tf.int64).numpy()[0]
dic_new = aug_shift(dic.copy(), indx_img="c", type="or", tx=shift) # rotazione image raw_1
vec_dic_affine[i] = dic_new
if trasformation == 3: # Shift Ver
elif trasformation == 3: # Shift Ver
shift = tf.random.uniform(shape=[1], minval=-11, maxval=11, dtype=tf.int64).numpy()[0]
dic_new = aug_shift(dic.copy(), indx_img="c", type="ver", ty=shift) # rotazione image raw_1
vec_dic_affine[i] = dic_new
Expand All @@ -125,10 +130,14 @@ def apply_augumentation(data_tfrecord_path, unprocess_dataset_iterator, name_dat
###############################
# Structural trasformation
###############################
# In questa sezione vado ad applicare le trasformazioni Strutturali di random brightness e random contrast.
# Per aumentare la variabilità non considero le trasfrmaizione affini fatte in precedenza ma ne vado a effettuare di nuove
# In seguito, proprio su quest'ultime andrò ad applicare le strutturali

vec_dic_structural = [] # conterra i dic con le trasfromazioni random B e random C
vec_dic_new_affine = [] # conterra i dic con le trasfromazioni random B e random C
vec_dic_new_affine = [] # conterra i dic con le nuove trasformazioni affini

############# Image raw 1 (New Affine)
### Aug target image (New Affine)
# Rotazione Random
random_angles_1 = tf.random.uniform(shape=[4], minval=-91, maxval=91, dtype=tf.int64).numpy()
for angle in random_angles_1:
Expand All @@ -147,27 +156,27 @@ def apply_augumentation(data_tfrecord_path, unprocess_dataset_iterator, name_dat
dic_data_shifted = aug_shift(dic_data.copy(), indx_img="t", type="ver", ty=shift)
vec_dic_new_affine.append(dic_data_shifted)

############# Image raw 0 (New Affine)
### Aug condition image (New Affine)
# Piccole trasformaizoni
list = vec_dic_new_affine.copy()
for i, dic in enumerate(list):
trasformation = tf.random.uniform(shape=[1], minval=0, maxval=4, dtype=tf.int64).numpy()
if trasformation == 0: # Nessuna trasformazione
continue
if trasformation == 1: # Rotation
elif trasformation == 1: # Rotation
angle = tf.random.uniform(shape=[1], minval=-46, maxval=46, dtype=tf.int64).numpy()[0]
dic_new = aug_rotation_angle(dic.copy(), angle, indx_img="c") # rotazione image raw_1
vec_dic_new_affine[i] = dic_new
if trasformation == 2: # Shift Or
elif trasformation == 2: # Shift Or
shift = tf.random.uniform(shape=[1], minval=-21, maxval=21, dtype=tf.int64).numpy()[0]
dic_new = aug_shift(dic.copy(), indx_img="c", type="or", tx=shift) # rotazione image raw_1
vec_dic_new_affine[i] = dic_new
if trasformation == 3: # Shift Ver
elif trasformation == 3: # Shift Ver
shift = tf.random.uniform(shape=[1], minval=-11, maxval=11, dtype=tf.int64).numpy()[0]
dic_new = aug_shift(dic.copy(), indx_img="c", type="ver", ty=shift) # rotazione image raw_1
vec_dic_new_affine[i] = dic_new

############# Image raw 1 (structural)
### Aug target image (structural)
# Random B
for dic in vec_dic_new_affine:
dic_aug = random_brightness(dic.copy(), indx_img="t")
Expand All @@ -178,16 +187,15 @@ def apply_augumentation(data_tfrecord_path, unprocess_dataset_iterator, name_dat
dic_aug = random_contrast(dic.copy(), indx_img="t")
vec_dic_structural.append(dic_aug)

###### Image raw 0 (structural)

### Aug condition image (structural)
for i, dic in enumerate(vec_dic_structural):
trasformation = tf.random.uniform(shape=[1], minval=0, maxval=3, dtype=tf.int64).numpy()
if trasformation == 0: # Nessuna trasformazione
continue
if trasformation == 1: # brightness
elif trasformation == 1: # brightness
dic_new = random_brightness(dic.copy(), indx_img="c")
vec_dic_structural[i] = dic_new
if trasformation == 2: # Contrast
elif trasformation == 2: # Contrast
dic_new = random_contrast(dic.copy(), indx_img="c")
vec_dic_structural[i] = dic_new

Expand All @@ -200,10 +208,16 @@ def apply_augumentation(data_tfrecord_path, unprocess_dataset_iterator, name_dat
###############################
# Flipping trasformation
###############################
# Flip
vec_tot_trasformation = vec_dic_affine + vec_dic_structural + [dic_data]
# In questa sezione applico il flipping:
# - dell'immagine originale
# - delle trasformazioni affini
# - delle trasofrmazioni stutturali

# Aug Flip
vec_tot_trasformation = [dic_data] + vec_dic_affine + vec_dic_structural
for dic in vec_tot_trasformation:
dic_aug = aug_flip(dic.copy())
# Salvo l'augumentazione
example = format_example(dic_aug)
tfrecord_writer.write(example.SerializeToString())
cnt_dataset += 1
Expand Down

0 comments on commit 9bf343f

Please sign in to comment.