семестр 2 / лабы / lab9_v1

import os
import skimage
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import minimize
from threading import Thread
import time

#Создание класса-наследника класса Thread с возвращением элементов
class ThreadRV(Thread):

    def __init__(self, group=None, target=None, name=None,
        args=(), kwargs={}, Verbose=None):
        Thread.__init__(self, group, target, name, args, kwargs)
        self._return = None

    def run(self):
        if self._target is not None:
            self._return = self._target(*self._args, ** self._kwargs)

    def result(self):
        return self._return

#Функция вызова потоков
def thrd_call(trg, argnt1, argnt2, a):
    thread1 = ThreadRV(target=trg, args =argnt1)
    thread2 = ThreadRV(target=trg, args =argnt2)
    thread1.start()
    thread2.start()
    if a == False:
        thread2.join()
        thread1.join()
    elif a == True:
        thread1.join()
        thread2.join()
        return (thread1.result(), thread2.result())

#Функция считывания названий файлов
def f_name(s):
    lt = os.listdir(s)
    return lt

#Функция создания списков изображений
def img_read(ls, path):
    array = []
    for i in ls:
        array.append(np.array(skimage.io.imread(f'{path}/{i}')))
    return array

#Функция «спрямления» изображений
def img_flatten(ls):
	for i in ls:
		i.shape = (len(i)*len(i[0])*3)
		i = i.T

#Функция нормирования параметров
def norm(arr,mn,st):
    for i in range(len(arr)):
        arr[i] = (arr[i] - mn[i])/st[i]

#Очистка окна консоли
os.system('cls')

#Запуск таймера
t1 = time.perf_counter_ns()

#Создание списков названий файлов в папках
trees_list, no_trees_list = thrd_call(f_name,\
    ("Trees",), ("NoTrees",), True)

#Создание списков изображений в папке
trees_img_list, no_trees_img_list = thrd_call(img_read,\
    (trees_list, "Trees"), (no_trees_list, "NoTrees"), True)

#Создание массива изображений
##«Спрямление» массивов изображений
thrd_call(img_flatten, (trees_img_list,),
    (no_trees_img_list,), False)
##Объединение массивов в один
X = np.vstack((np.array(trees_img_list[0:len(trees_img_list)+1]),
    np.array(no_trees_img_list[0:len(no_trees_img_list)+1])))
X = X.astype('float64')

#Метод главных кординат
##Максимальное количество параметров
max_par = 2
##Среднее нормирование
mean = np.mean(X.T, axis=1)
std = np.std(X.T, axis=1)
norm(X.T,mean,std)
##Создание ковариционной матрицы
if os.path.isfile('sigma.npy') == True:
    sigma = np.load('sigma.npy')
elif os.path.isfile('sigma.npy') == False:
    sigma = np.cov(X.T,bias=True)
    np.save('sigma.npy', sigma)
##Создание матрицы собственных векторов для ковариационной матрицы
if os.path.isfile('U_matrix.npy') == True:
    U = np.load('U_matrix.npy')
elif os.path.isfile('U_matrix.npy') == False:
    U, S, Vh = np.linalg.svd(sigma)
    np.save('U_matrix.npy', U)
U_r = U[::,:max_par:] #Создание матрицы преобразований
X_cmprs = X@U_r #Компрессия изображений

#Построение изображений в двух главных координатах
plt.figure(1)
plt.scatter(X_cmprs.T[0],X_cmprs.T[1],alpha=0.3)
plt.title("Изображения в двух главных координатах")

#Метод K-means
k = 3 #количество кластеров
CK = np.array(np.copy([X_cmprs[0],X_cmprs[1],X_cmprs[2]])) #массив центроидов
dist = np.zeros((len(X_cmprs),k)) #массив расстояний
K_number = 0
##Кластеризаця
tmp = np.zeros((k,max_par))
while np.all(tmp == CK) == False:
    tmp = np.copy(CK)
    ##Вычисление расстояний до изображений
    for i in range(0,k):
        dist.T[i] = (X_cmprs.T[0]-CK[i][0])**2 + (X_cmprs.T[1]-CK[i][1])**2
    MinDist = np.argmin(dist, axis=1) #определение минимального расстояния
    ##Обновление центров кластеров
    for i in range(0,k):
        CK[i] = np.mean(X_cmprs[MinDist==i,:],axis=0)
    K_number = np.copy(MinDist)

#Вывод графиков на экран
plt.figure(2)
for i in range(k):
    plt.scatter(X_cmprs[K_number==i,0], X_cmprs[K_number==i,1], alpha=0.4, label=f'{i+1} кластер')
plt.title('Кластеризованные Изображения в двух координатах')
plt.legend()

#Вывод времени выполнения программы
print(f'\nTotal program execution time: \
{(time.perf_counter_ns()-t1)/10**9:.5f} seconds.')

plt.show()