import numpy as np import matplotlib.pyplot as plt from egnn_core.data import load_data_v3,load_data_v6 import os import json from skimage.feature import graycomatrix #根据连接来遍历点的表 #第一步,遍历edge index.T里面的第一列对应的点的序号[:,0] #第二步,根据序号去找对应的label是否为普通,即0,如果等于0进入下一步,不然跳过;这一步是为了排除掉非普通原子的 #第三步,判断普通的原子的邻居是不是也是普通的: #先找edge index.T里面的第一列对应的点的序号[:,1],即邻居有哪些 #去判断这些邻居有多少个属于线缺陷,即label是2,并计数 #记住,此时要把该点从表中永远排除,避免重复技术 # edge_index = np.array([[1, 3], [4, 5], [1, 7], [1, 10]]) # labels = np.array([0,0,0,2,0,2,0,2,0,0,2]) # 指定文件夹路径 folder_path = '/home/gao/mouclear/analyze_center/new+label' img_size = 2048 # target_size = [150,200] target_size = [165,185] def calculate_entropy(image): # 计算每个灰度级出现的次数 hist, _ = np.histogram(image, bins=range(256), range=(0, 255)) # 计算灰度级的概率 probabilities = hist / np.sum(hist) # 计算熵 entropy = -np.sum(probabilities[probabilities > 0] * np.log2(probabilities[probabilities > 0])) return entropy def calculate_entropy_v2(image, distances=[1], angles=[0], levels=256, return_matrix=False): """ 计算基于灰度共生矩阵的熵。 参数: - image: 二维NumPy数组，表示灰度图像。 - distances: 考虑的像素距离。 - angles: 考虑的角度，可以是0, 90, 135, 45度。 - levels: 灰度级别数量，默认为256。 - return_matrix: 是否返回灰度共生矩阵，默认为False。 返回: - entropy: 熵值。 - glcm (如果return_matrix为True): 灰度共生矩阵。 """ # 确保image是uint8类型 image = image.astype(np.uint8) # 计算灰度共生矩阵 glcm = graycomatrix(image, distances, angles, levels, symmetric=True, normed=True) # 创建一个与glcm形状相同的掩码，用于过滤零概率值 mask = glcm > 0 # 计算每个GLCM的熵，只对非零概率值进行计算 glcm_entropy = -np.sum(glcm * np.log2(glcm) * mask, axis=1) / np.sum(mask, axis=1) # 取平均熵作为图像的熵 entropy = np.mean(glcm_entropy[glcm_entropy > 0]) # 排除NaN值 # # # 计算每个GLCM的熵 # glcm_prob = glcm / np.sum(glcm) # glcm_entropy = -np.sum(glcm_prob * np.log2(glcm_prob), axis=1) # 取平均熵作为图像的熵 # entropy = np.mean(glcm_entropy) if return_matrix: return entropy, glcm else: return entropy def process_json_file(json_file): json_filename = os.path.basename(json_file) json_filename_without_ext = os.path.splitext(json_filename)[0] image_filename = f"{json_filename_without_ext}.png" points, edge_index, labels, lights = load_data_v6(json_file) # 假设这是你的数据加载函数 graph_index = np.where(labels == 3) center_index = np.where(labels == 4) vacancy = np.where(labels == 5) combined_index = np.array(center_index[0].tolist() + graph_index[0].tolist() + vacancy[0].tolist()) print(len(combined_index)) selected_point = [] selected_light = [] selected_label = [] for i in combined_index: selected_point.append(points[i]) selected_light.append(lights[i]) selected_label.append(labels[i]) selected_point = np.array(selected_point) selected_light = np.array(selected_light) selected_label = np.array(selected_label) bg = np.zeros((img_size, img_size)) plt.figure(figsize=(9, 9)) for label, point in zip(selected_label, selected_point): img_h, img_w = bg.shape # 背景图像的高度和宽度 h, w = point ps = 1 # 因为 light 是 3x3 的区域，所以 ps 应该是 1 hs = np.clip(h - ps, 0, img_h - ps - 1) ws = np.clip(w - ps, 0, img_w - ps - 1) he = hs + 2 * ps + 1 # 3x3 区域的结束行索引 we = ws + 2 * ps + 1 # 3x3 区域的结束列索引 if label == 3: array_3x3 = np.full((3, 3), 200) if label == 4: if json_filename_without_ext !='2_2': array_3x3 = np.full((3,3), 50) else: array_3x3 = np.full((3, 3), 200) if label == 5: array_3x3 = np.full((3, 3), 50) # 绘制到背景图像上 bg[hs:he, ws:we] = array_3x3 # 绘制完所有 light 后，找到被修改的区域 modified_rows, modified_cols = np.where(bg != 0) # 计算最小和最大索引，以确定被修改区域的范围 min_row, max_row = min(modified_rows), max(modified_rows) min_col, max_col = min(modified_cols), max(modified_cols) # 计算需要裁剪的边界，以保持统一尺寸 pad_height = max_row - min_row pad_width = max_col - min_col pad_top = (target_size[0] - pad_height) // 2 pad_left = (target_size[1] - pad_width) // 2 # 确保裁剪尺寸不超出原始图片尺寸 pad_top = min(pad_top, img_size - max_row) pad_left = min(pad_left, img_size - max_col) # 裁剪背景图像，只保留被修改的区域，并添加边界以保持统一尺寸 cropped_bg = bg[ min_row - pad_top:min_row - pad_top + target_size[0], min_col - pad_left:min_col - pad_left + target_size[1] ] # 裁剪背景图像，只保留被修改的区域 # cropped_bg = bg[min_row-1:max_row + 1, min_col-1:max_col + 1] # 绘制裁剪后的背景图像 plt.figure(figsize=(9, 9)) plt.imshow(cropped_bg, cmap='gray') # 使用 'nearest' 插值以保持像素的完整性 plt.axis('off') plt.tight_layout() plt.savefig(image_filename, bbox_inches='tight', pad_inches=0) plt.close() # 关闭绘图以释放资源 # 计算 bg 图像的熵 entropy = calculate_entropy(cropped_bg) print(f"The entropy of the image is: {entropy}") # entropy = calculate_entropy_v2(cropped_bg) # print("灰度共生矩阵的熵:", entropy) # 可以选择再次显示图像和熵值 plt.imshow(cropped_bg, cmap='gray') # plt.title(f"Image Entropy: {entropy}") plt.axis('off') plt.show() # 遍历文件夹中的所有文件 for filename in os.listdir(folder_path): if filename.endswith('.json'): print(filename) json_file = os.path.join(folder_path, filename) process_json_file(json_file)