[연구내용정리] 코드정리(utils_min.py)

필요한 라이브러리

import cv2
import numpy as np
import scipy.io
import os, sys
import glob

cv2 : 영상을 읽을 때 opencv를 사용함 scipy.io : matlab에서 구한 결과값을 사용하기 위해 mat-file을 load해야함 glob : 폴더 내의 영상들의 리스트를 읽어올 때 필요한 라이브러리 os, sys : 경로추가 때 필요한 라이브러리 image파일들이 포함된 폴더에 접근하여 폴더 내의 모든 image파일 리스트를 가져오고 cv2.imread를 이용하여 image에 포함된 픽셀 값을 담을 수 있는 변수를 생성한다. image의 전처리 과정들은 numpy 라이브러리르 많이 사용하기 때문에, array형태로 저장한다. 그 결과 image 파일 리스트와 image가 담긴 변수를 반환한다.

def load_img_list(path, extension_name):    



    if os.path.exists(path + '/*.' + extension_name):        



    print("No File")
    img_file_list = glob.glob(path + '/*.' + extension_name)
    ori_img = []

    for i in range(len(img_file_list)):        



        img = cv2.imread(img_file_list[i], cv2.IMREAD_GRAYSCALE)
        ori_img.append(img)

    ori_img = np.array(ori_img)

    return ori_img, img_file_list

matlab에서 실행하면 결과값이 mat파일로 저장된다. 이를 불러오고, mat파일 내의 원하는 인자들을 들고 오기 위해 dictionary 값을 인자로 넣어준다. 본 연구에서는 x와 y값이 한번에 저장된 mat 파일을 불러오기 때문에, 분리하여 array형태로 저장할 수 있는 함수를 만들었다.

def load_mat_file_mod(save_filename, x_dic, y_dic):
    data = scipy.io.loadmat(save_filename + '.mat')
    x_data = data[x_dic]
    y_data = data[y_dic]

    arr_x_raw = np.array(x_data)
    arr_y_raw = np.array(y_data)

    return arr_x_raw, arr_y_raw

matlab에 digital image correlation 알고리즘 m-file에서는 마우스커서로 left-top과 right-bottom의 두 점을 찍고, grid의 간격 값을 입력하면 grid로 나눌 수 있었다. 이때 grid 좌표 값이 mat file로 출력되는데 이를 이용하여 python에서도 grid별로 image를 자르고 이를 저장하는 함수를 만들었다.

def crop_save_img_mod(original_image_array ,
                      gridx, gridy,
                      save_extension,
                      skip,
                      height = 32, width = 32):

    ori_img = original_image_array    

    grid_width = width    

    grid_height = height    

    ori_img = np.array(ori_img)


    crop_img_path = './cropped_imgs'
    crop_img = []
    for i in range(0, len(ori_img)-skip, skip):        

        crop_img_path_folder = crop_img_path + '%d' % i
        if not os.path.exists(crop_img_path_folder):            

              os.mkdir(crop_img_path_folder)
        for j in range(len(gridx)):            

              crop_img.append(ori_img[i+skip][
                            int(gridy[j]):int(gridy[j]) + grid_height,
                            int(gridx[j]):int(gridx[j]) + grid_width])
              tmp_filename = 'cropped' + '%d' % j + '.' + save_extension

데이터 중 outlier 데이터를 제거하기 위해서 다음과 같은 함수를 작성하였다. 정규분포에서 +-3sigma 보다 큰 데이터는 신뢰도 99.8%에서 벗어나기 때문에, 이러한 데이터들을 제거하였다. 하지만 sigma값을 다르게 줄 수 있도록 sigma값을 인자로 주었다.

def delete_outlier(data , thr_sigma):    mu = np.mean(data)
    sigma = np.std(data)
    print('mean : ', mu)
    print('standard deviation : ', sigma)

    bottom_thd = mu - thr_sigma * sigma
    top_thd = mu + thr_sigma * sigma

    return np.logical_and(np.greater_equal(data, bottom_thd), np.less_equal(data, top_thd))