44 lines
1.7 KiB
Python
44 lines
1.7 KiB
Python
import numpy as np
|
|
from scipy import ndimage as ndi
|
|
from skimage.color import rgb2lab
|
|
|
|
PALETTE = {
|
|
"wasser": (44, 103, 164),
|
|
"land": (192, 216, 128),
|
|
"gruen": (139, 195, 74),
|
|
"sand": (232, 216, 136),
|
|
"stadt": (216, 216, 216),
|
|
"gebaeude": (176, 176, 176),
|
|
"strasse": (80, 80, 80),
|
|
"weg": (192, 152, 96),
|
|
"spekulativ": (198, 96, 96),
|
|
}
|
|
CLASSES = {name: i for i, name in enumerate(PALETTE)}
|
|
UNKNOWN = 255
|
|
MAX_DELTA_E = 14.0 # darüber gilt ein Pixel als unbekannt (Beschriftung, Icon, Kante)
|
|
|
|
|
|
def classify(rgb: np.ndarray, report_unknown: bool = False):
|
|
"""Ordnet jedes Pixel der nächsten Palettenfarbe zu; Ausreißer werden aufgefüllt.
|
|
|
|
Mit report_unknown=True kommt zusätzlich der Anteil der Pixel zurück, die vor dem
|
|
Auffüllen zu keiner Legendenfarbe passten. Aufgabe 6 bricht darüber bei über 5 % ab.
|
|
"""
|
|
lab = rgb2lab(rgb.astype(np.float32) / 255.0)
|
|
ref = rgb2lab(np.array([list(PALETTE.values())], dtype=np.float32) / 255.0)[0]
|
|
dist = np.linalg.norm(lab[:, :, None, :] - ref[None, None, :, :], axis=3)
|
|
labels = dist.argmin(axis=2).astype(np.uint8)
|
|
unknown = dist.min(axis=2) > MAX_DELTA_E
|
|
share = float(unknown.mean())
|
|
if unknown.any():
|
|
# Nächstes bekanntes Pixel übernehmen.
|
|
idx = ndi.distance_transform_edt(unknown, return_distances=False, return_indices=True)
|
|
labels = labels[tuple(idx)]
|
|
return (labels, share) if report_unknown else labels
|
|
|
|
|
|
def class_shares(labels: np.ndarray) -> dict[str, float]:
|
|
total = labels.size
|
|
counts = np.bincount(labels.ravel(), minlength=len(PALETTE))
|
|
return {name: float(counts[i]) / total for name, i in CLASSES.items()}
|