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

# # Několik odkazů do začátku

# Instalace Pythonu
# 
# PythonXY
# https://code.google.com/p/pythonxy/
# 
# WinPython
# http://winpython.github.io/
# 
# Anaconda
# https://store.continuum.io/cshop/anaconda/
# 
# 
# Programování v Pythonu
# http://pythonic.eu/fjfi/
# 
# Stránky našeho předmětu ZDO
# http://www.kky.zcu.cz/cs/courses/zdo
# 
# Ukazky metod zpracovani obrazu
# http://scipy-lectures.github.io/packages/scikit-image/
# 

# # Pusťme si ipython notebook

# In[1]:


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

# from pylab import *
# import cStringIO
import urllib
import scipy
import scipy.misc
import skimage
import skimage.data
from skimage.filters import threshold_otsu 
# from skimage.filters import gaussian_filter
from skimage.filters import gaussian as gaussian_filter
# from skimage.filter import threshold_otsu, gaussian_filter
from skimage.morphology import label
from scipy.ndimage.morphology import binary_closing, binary_erosion, binary_opening, binary_dilation

from skimage.measure import regionprops
from skimage.color import label2rgb
from skimage.io import imread
# import skimage.filter
# from skimage.filters import 


# ## Trocha Pythonu

# In[3]:


print("hello")


# In[4]:


def mojeFunkce(vstup):
    vystup = vstup + 6
    return vystup

mojeFunkce(5)


# In[5]:


for i in range(2,5):
    print(i)


# In[6]:


pole = ['Franta', 'Jakub', 'Marta']

for jmeno in pole:
    print(jmeno)


# ## Načtení a zobrazení obrázku z URL

# In[19]:


# URL = "http://plzen.cz/cameraFeed.php"
URL = "http://vysilani.zaktv.cz/camera/namesti.jpg"
img = imread(URL)

imshow(img)
# show()


# In[20]:


plt.figure(figsize=[10, 5])
subplot(131)
imshow(img[:, :, 0], cmap="Reds")
plt.axis("off")
subplot(132)
imshow(img[:, :, 1], cmap="Greens")
plt.axis("off")
subplot(133)
imshow(img[:, :, 2], cmap="Blues")
plt.axis("off")
img.shape


# ### Zobrazení obrázku z kamery

# In[66]:


URL = "http://uc452cam01-kky.fav.zcu.cz/snapshot.jpg"


# In[67]:


img = imread(URL, as_grey=True)
imshow(img, cmap='gray')


# In[31]:


# ukazkova data
img = skimage.data.coins() / 255.0
imshow(img, cmap='gray')


# ### Práce s obrazovými daty

# In[32]:


img.shape


# In[33]:


img[50, 10]


# In[34]:


imgi = img.astype(np.int)
imgi


# In[35]:


img[10:20,15:20]


# In[36]:


# img[10:200, 10:-100] = 100
imshow(img, cmap='gray')
colorbar()


# # Segmentace

# [cviceni7](http://nbviewer.jupyter.org/github/mjirik/ZDO/blob/master/ZDOcvSegmentation.ipynb)

# In[38]:


imthr = img > 0.2
imshow(imthr, cmap='gray')


# In[43]:


imthr = img > 0.50
imshow(imthr, cmap='gray')


# In[ ]:





# ## Barveni obrazu - label

# In[44]:


# blobs_labels = skimage.morphology.label(img, background=0)
imlabel = label(imthr, background=0)
imshow(imlabel, cmap='gray')


# In[45]:


np.unique(imlabel)


# In[46]:


# pocet labelu
print(np.max(imlabel))


# ### Zobrazení jednoho objektu

# In[47]:


imshow(imlabel==35)


# In[58]:


fig, axes = subplots(1,3, figsize=(15,4))
axes[0].imshow(imlabel==35)
axes[1].imshow(imlabel==36)
axes[2].imshow(imlabel==64)


# ### Barevná vizualizace

# In[61]:


# Barevne provedeni
image_label_overlay = label2rgb(imlabel, image=img)
plt.imshow(image_label_overlay)


# # Filtrace

# In[62]:


coins_zoom = img[10:80, 300:370]
from scipy import ndimage
gaussian_coins1 = gaussian_filter(coins_zoom, sigma=1)
gaussian_coins2 = gaussian_filter(coins_zoom, sigma=15)

fig, axes = subplots(1,3, figsize=(15,4))
axes[0].imshow(coins_zoom, cmap='gray')
axes[1].imshow(gaussian_coins1, cmap='gray')
axes[2].imshow(gaussian_coins2, cmap='gray')


# ## Optimální volba volba prahu - Otsu

# http://scikit-image.org/docs/dev/auto_examples/plot_otsu.html

# In[26]:


thr = threshold_otsu(img)
thr


# In[27]:


imthr = img > thr
imshow(imthr, cmap='gray')


# Spocitame pocet objektu?

# # Morfologicke operace

# In[28]:


# plt.figure(figsize(10,10))
# imshow(imthr[0:20,260:310], interpolation='nearest')


# In[56]:


imer = binary_erosion(imthr, iterations=1)
imdil = binary_dilation(imthr, iterations=2)

fig, axes = subplots(1,3, figsize=(15,5))
axes[0].imshow(imdil[160:230,240:310], interpolation='nearest')
axes[1].imshow(imthr[160:230,240:310], interpolation='nearest')
axes[2].imshow(imer[160:230,240:310], interpolation='nearest')


# In[30]:


ones([5,5])


# Pocet prekryvajicich se objektu?

# # Popis objektu

# [cviceni8](http://nbviewer.ipython.org/github/mjirik/ZDO/blob/master/ZDOcv8.ipynb)
# 
# * Velikost
# * Eulerovo číslo 
#     $$E = S - N$$
#     kde $S$ je počet souvislých oblastí a $N$ je počet děr
# * Výška, šířka
# * Projekce
# ![projekce0](http://www.kky.zcu.cz/uploads/courses/zdo/lesson7/projekce.jpg)
# ![projekce1](http://www.kky.zcu.cz/uploads/courses/zdo/lesson7/projekce2.jpg)
# 
# * Výstřednost - poměr délek nejdelší tětivy a nejdelší tětivy k ní kolmé
# * Podlouhlost
# * Pravoúhlost
# * Směr
# * Nekompaktnost 
#     $$\textrm{nekompaktnost}=\frac{(\textrm{délka hranice})^2}{\textrm{velikost}}$$
# 
# 
# Využijeme funkce [regionprops](http://scikit-image.org/docs/dev/api/skimage.measure.html#skimage.measure.regionprops). 

# In[83]:


objnumber = 38

imshow(imlabel==objnumber)
# print np.unique(imlabel)


props = regionprops(imlabel+1)
print("Centroid ", props[objnumber].centroid)
print("Plocha ", props[objnumber].area)
print("Obvod ", props[objnumber].perimeter)




# ### Hromadné zpracování

# In[88]:


for objnumber in range(1, len(props)):
    if props[objnumber].area > 2000:
        print("id ", objnumber)
        print("Centroid ", props[objnumber].centroid)
        print("Plocha ", props[objnumber].area)
        print("Obvod ", props[objnumber].perimeter)
        


# # Zadani

# Spocitejte kolik objektu urciteho typu se objevuje na obrazku z webkamery. Rozeznavame nasledujici typy objektu:
# 
# * Kolecko
# * Ctvrec
# * Obdelnik
# * Hvezda
# 
# Trenovaci data naleznete [zde](https://github.com/mjirik/ZDO/tree/master/objekty)
# 
#  * Odevzdejte skript ve formátu `.ipynb` nebo `.py`
#  * V názvu souboru uveďte své jméno
#  * Jako parametr nechť je URL k obrázku
# 
# ![ukazka](https://github.com/mjirik/ZDO/blob/master/objekty/01.jpg?raw=true)

# # Bonus - klasifikátory
# 
# [ZDO - classification](https://nbviewer.jupyter.org/github/mjirik/ZDO/blob/master/Cviceni_IG/ZDO_classification.ipynb)
# 

# In[ ]:


train_target = [1,1,1,2,2,2,3,3,3]


# In[ ]:


# Features - příznaky
train_data = np.zeros([9,2])
print(train_data)
for objnumber in range(1, len(props)):
    train_data[objnumber - 1, 0] = props[objnumber].area
    train_data[objnumber - 1, 1] = props[objnumber].perimeter
print(train_data)


# In[1]:


## Training

from sklearn import svm
svc = svm.SVC()
svc.fit(train_data, train_target) 


# In[ ]:


## Testing
y_pred = svc.predict(test_data)
# print("Number of mislabeled points : %d" % (test_target != y_pred).sum())


# In[ ]:


y_pred = svc.predict([[300, 7800]])
y_pred