85 lines
3.3 KiB
Python
85 lines
3.3 KiB
Python
import tensorflow as tf
|
|
from tensorflow.keras import layers, models
|
|
import numpy as np
|
|
from sklearn.utils import shuffle
|
|
import os
|
|
import cv2
|
|
import dataset
|
|
###GENERE DES IMAGES AVEC PANNEAUX DEPUIS UN MEDIA###
|
|
# Tuto25[OpenCV] Lecture des panneaux de vitesse p.1 (houghcircles) 28min
|
|
# Taille des images
|
|
size = 42
|
|
# Chemin vers le répertoire contenant les images de panneaux
|
|
dir_images_panneaux = "server-trainer/images/road_sign_speed_trainers/panneaux"
|
|
dir_images_genere_panneaux = "server-trainer/images/road_sign_speed_trainers/genere_panneaux"
|
|
|
|
# Fonction pour lire les images de panneaux à partir du répertoire spécifié
|
|
def lire_images_panneaux(dir_images_panneaux, size=None):
|
|
tab_panneau = []
|
|
tab_image_panneau = []
|
|
|
|
# Vérifie si le répertoire existe
|
|
if not os.path.exists(dir_images_panneaux):
|
|
quit("Le repertoire d'image n'existe pas: {}".format(dir_images_panneaux))
|
|
|
|
# Liste tous les fichiers dans le répertoire
|
|
files = os.listdir(dir_images_panneaux)
|
|
|
|
# Quitte si le répertoire est vide
|
|
if files is None:
|
|
quit("Le repertoire d'image est vide: {}".format(dir_images_panneaux))
|
|
|
|
# Parcours des fichiers dans le répertoire
|
|
for file in sorted(files):
|
|
# Vérifie si le fichier est un fichier PNG
|
|
if file.endswith("png"):
|
|
# Ajoute le nom du fichier (sans l'extension) à tab_panneau
|
|
tab_panneau.append(file.split(".")[0])
|
|
|
|
# Lit l'image et redimensionne si une taille est spécifiée
|
|
image = cv2.imread(dir_images_panneaux + "/" + file)
|
|
if size is not None:
|
|
image = cv2.resize(image, (size, size), cv2.INTER_LANCZOS4)
|
|
tab_image_panneau.append(image)
|
|
|
|
return tab_panneau, tab_image_panneau
|
|
|
|
# Appel de la fonction pour lire les images de panneaux
|
|
tab_panneau, tab_image_panneau = lire_images_panneaux(dir_images_panneaux, size)
|
|
|
|
# Initialisation des tableaux pour les images et les labels
|
|
tab_images = np.array([]).reshape(0, size, size, 3)
|
|
tab_labels = []
|
|
|
|
# Génération des données d'entraînement
|
|
id = 0
|
|
for image in tab_image_panneau:
|
|
lot = []
|
|
for _ in range(100):
|
|
lot.append(dataset.modif_img(image))
|
|
lot = np.array(lot)
|
|
tab_images = np.concatenate([tab_images, lot])
|
|
tab_labels = np.concatenate([tab_labels, np.full(len(lot), id)])
|
|
id += 1
|
|
|
|
# Conversion des tableaux en type approprié et normalisation des images
|
|
tab_panneau = np.array(tab_panneau)
|
|
tab_images = np.array(tab_images, dtype=np.float32) / 255
|
|
tab_labels = np.array(tab_labels).reshape([-1, 1])
|
|
|
|
# Mélange des données
|
|
tab_images, tab_labels = shuffle(tab_images, tab_labels)
|
|
|
|
# Boucle pour sauvegarder les images générées dans le répertoire de sortie
|
|
for i in range(len(tab_images)):
|
|
# Générer un nom de fichier unique en fonction de l'ID et du nom du panneau
|
|
file_name = "{:d}_{}.png".format(i, tab_panneau[int(tab_labels[i])])
|
|
# Enregistrer l'image dans le répertoire de sortie
|
|
cv2.imwrite(os.path.join(dir_images_genere_panneaux, file_name), tab_images[i] * 255.0) # Retour à l'échelle 0-255
|
|
|
|
# Affichage des images avec leur label
|
|
for i in range(len(tab_images)):
|
|
cv2.imshow("panneau", tab_images[i])
|
|
print("label", tab_labels[i], "panneau", tab_panneau[int(tab_labels[i])])
|
|
if cv2.waitKey() & 0xFF == ord('q'):
|
|
quit() |