#!/usr/bin/env python
# coding: utf-8

# # Zadání semestrální práce 2016 - kvasinky

# Cílem práce je sledování pohybu kvasinek v obrazu z mikroskopu. Úloha je rozdělena na dvě části:
# 
# * Nalezení modelu pozadí
# * Sledování kvasinek
# 
# V první části jde o nalezení pozadí. To je ve videích poměrně neměnné. Prakticky je nutné naimplementovat třídu `BackgroundModel`. 
# 
# Druhá část řeší vlastní sledování kvasinek. Tam je úkolem nalezení pohybující se kvasinky, určení její polohy v pixelech a směru jejího pohybu (předpokládanou polohu v následujícím framu).

# ![kvasinky](http://147.228.240.61/zdo/2015/kvasinky-res.png)

# Data:
# 
# http://147.228.240.61/zdo/2015/converted2/
# 
# případně alternativně
# 
# http://147.228.240.61/zdo/2015/converted/
# 
# 
# Základ pro semestrální práci
# http://github.com/neduchal/ZDO2015_sem_prace/

# ## Požadované rozhraní

# vstupem odevzdávané aplikace bude skript, který je možné volat z příkazové řádky následujícím způsobem
# 
#         python kvasinky.py -i adresar_s_jpg_soubory -dt 0.020 -o vystupni.csv -d 
# 
# První argument označuje vstupní data, druhý označuje časový posun mezi jednotlivými framy. Třetí parametr popisuje výstupní soubor. Poslední parametr je volitelný. Pokud je použit. Bude spuštěn debugovací režim s vykreslením jednotlivých kroků.
# 
# 
# Výstupní soubor obsahuje informace o detekovaných kvasinkách. Je ve formátu `csv` a musí obsahovat následující sloupce:
#     * `time` čas události
#     * `id`   číselný identifikátor objektu
#     * `x_px` x-ová souřadnice objektu v pixelech
#     * `y_px` y-ová souřadnice objektu v pixelech
# 
# Volitelně pak lze přidat i sloupce popisující směr pohybu objektu a jeho rychlost
# 
#     * `angle` úhlel pohybu
#     * `speed_px` rychlost pohybu v pixelech za sekundu
# 
#     

# In[ ]:


## 


# In[10]:


get_ipython().run_line_magic('pylab', 'inline')


# In[2]:


# http://147.228.240.61/zdo/2015/converted/


# ## Načítání obrázků z adresáře

# In[8]:


import scipy
import scipy.misc
import glob
import numpy as np
import cv2
import matplotlib.pyplot as plt
# import model
# import tracker


# prostor pro inicializaci
# 1.část
# bm = model.BackgroundModel()
# 2.část
# tr = tracker.Tracker()

files = sorted(glob.glob('/home/mjirik/tmp/kvasinky1/*.jpg'))

for filename in files:
    img = scipy.misc.imread(filename)
    # zde místo pro práci s každým snímkem
    
    # 1.část
    # bm.add_frame(gray_img)
    # model = bm.get_model()
    # img_without_background = img - model
    
    # 2.část
    # tr.track_in_frame(gray_img)

# ulož výsledky
# tr.saveCsvFile()    



    


# # Medicína - bránice

# ![kvasinky](http://147.228.240.61/zdo/2016/bn-diagragm-segmentation-0.png)
# ![kvasinky](http://147.228.240.61/zdo/2016/bn-diagragm-profile-0.png)
# 
# ![kvasinky](http://147.228.240.61/zdo/2016/bn-diagragm-segmentation-1.png)
# ![kvasinky](http://147.228.240.61/zdo/2016/bn-diagragm-profile-1.png)
# 
# 

# ![kvasinky](http://147.228.240.61/zdo/2016/bn-spine-001.png)
# ![kvasinky](http://147.228.240.61/zdo/2016/bn-spine-002.png)
# ![kvasinky](http://147.228.240.61/zdo/2016/bn-spine-003.png)

# ## Jak si zkusit prohlédnout játra
# 
# 
# ukázková data lze stáhnout zde:
# 
# http://147.228.240.61/zdo/2016/jatra_5mm.hdf5
# 
# 

# In[15]:


import h5py
import matplotlib.pyplot as plt

f = h5py.File('jatra_5mm.hdf5','r')
data3d = f['data3d']
metadata = f['metadata']


plt.imshow(data3d[30, :, :])
plt.show()

print 'size of voxel: ', np.asarray(metadata['voxelsize_mm']), ' mm'


# ## Klasifikace obrázků na text/netext (kontakt : neduchal@kky.zcu.cz)

# Úkolem v této semestrální práci je vytvořit dataset obrázků, které by sloužily k natrénování klasifikátoru schopného rozlišit obraz dle jeho obsahu na text/netext. Cílem není zjistit jaké znaky případný text obsahuje (OCR), pouze přinést informaci o tom zda se na obrázku text nachází. 

# ### Postup

# * Vytvořit zdrojové obrazy (scan dokumentů a novin, fotky, ...)
# * Vytvořit skript v pythonu, který z výše uvedených dat vytvoří dataset (obrázky o stejné velikosti získané náhodným vyříznutím ze zdrojových dat) s informací od učitele o tom zda je na daném obrázku text nebo ne. 
# * Rozdělení výše uvedeného na trénovací a testovací data (lze automatizovat)
# * Provedení sady experimentů s různými klasifikátory 
#     * Vybrání příznaků použitých v klasifikátoru
#     * Natrénování klasifikátoru
#     * Analýza dat
#