Labelling_script 16.4 KB
Newer Older
Mayer's avatar
Mayer committed
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
# Labelling 2.0 (ohne Skala 0-200 und weißen Hintergrund) ACHTUNG - Es wurden mehrere Verarbeitungsmöglichkeiten implementiert mit minimalen Unterschieden. Ungewollte Verarbeitung sollte auskommentiert werden: 
# Möglichkeit 1:
import pandas as pd
import geopandas as gpd
import os
import rasterio
import numpy as np
from shapely.geometry import box
import matplotlib.pyplot as plt
import matplotlib.patches as patches

city_name = 'konstanz'

gdf = gpd.read_file('baumkataster_stadt_' + city_name + '.geojson')
gdf.loc[:, 'id'] = list(gdf.index)
gdf = gdf.to_crs('EPSG:31468')

df = pd.read_csv('baumkataster_classified_' + city_name + '.csv')
tree_class = df.Klasse

# Importverzeichnis für die rgbi Bilder
datadir = city_name + '_aerial_images_rgbi'

# Exportverzeichnis für die rgb Bilder
rgbdir = city_name + '_aerial_images_rgb'

# Exportverzeichnis für die gelabelten Bilder
labeldir = city_name + '_labeled'

# Verzeichnisse erstellen, falls noch nicht existent
if not os.path.exists(labeldir):
    os.makedirs(labeldir)

if not os.path.exists(rgbdir):
    os.makedirs(rgbdir)

filenames = os.listdir(datadir)

# Distanz pro Pixel festlegen
gsd = 0.2  # m/px

# Klassifizierungssystem und Farbgebung definieren
class_id = {'Großer Laubbaum': 0,
            'Kleiner Laubbaum': 1,
            'Großer Nadelbaum': 2,
            'Kleiner Nadelbaum': 3,
            'Busch/Hecke (Laub/Hartlaub)': 4,
            'Busch/Hecke (Nadel)': 5,
            'Unbekannt': 6}

class_colors = {'Großer Laubbaum': 'red',
                'Kleiner Laubbaum': 'orange',
                'Großer Nadelbaum': 'darkgreen',
                'Kleiner Nadelbaum': 'lightgreen',
                'Busch/Hecke (Laub/Hartlaub)': 'purple',
                'Busch/Hecke (Nadel)': 'cornflowerblue',
                'Unbekannt': 'white'}

# Liste zum Speichern problematischer Dateien
problematic_files = []

# Schleife für gesamten Ordner
for filename in filenames:
    try:
        # Überprüfen, ob die Datei eine Bilddatei ist (z.B. .tif oder .png)
        if filename.endswith('.tif') or filename.endswith('.png'):
        
            # Öffnet Bilddatei
            dataset = rasterio.open(os.path.join(datadir, filename))

            # Erstellung BBox für Bildgrenzen
            geom = box(*dataset.bounds)

            # Filtern der Bäume aus dem GeoDataFrame, die sich innerhalb der Bildgrenzen befinden
            trees = gdf[gdf.intersects(geom)]

            # Vorbereitung der Bilddarstellung
            f, ax = plt.subplots()
            ax.axis('off')  # Skalen und Achsen ausblenden

            # Erstellen eines RGB-Bildes für die Visualisierung
            img = np.dstack(dataset.read()[:3])
            ax.imshow(img)
            
            # Speichern des Originalbilds ohne Bounding-Boxen
            plt.savefig(os.path.join(rgbdir, filename.replace('.tif', '.png')))

            # Erstellen und Speichern der Bounding-Boxen, wenn Bäume im Bild gefunden wurden
            if len(trees) > 0:
                for i, tree in trees.iterrows():
                    if not np.isnan(tree.kronenbrei):
                        # Berechnen der Pixelkoordinaten des Baumes im Bild
                        xy = dataset.index(tree.geometry.x, tree.geometry.y)

                        # Bestimmen der oberen linken Ecke der Bounding-Box basierend auf der Baumkrone
                        xy_center = (xy[0] - int(tree.kronenbrei/gsd/2), xy[1] - int(tree.kronenbrei/gsd/2))

                        # Speichern der Bounding-Box-Koordinaten und der Klassen-ID in einer .txt-Datei
                        with open(os.path.join(labeldir, filename.replace('.tif', '.txt')), 'a') as bboxf:
                            bboxf.write('{:d} {} {} {} {}\n'.format(class_id[tree_class.iloc[tree.id]], # Klassen-ID basierend auf dem Baumtyp
                                                                    xy[1]/img.shape[1], # Normalisierte x-Koordinate
                                                                    (xy[1] + int(tree.kronenbrei/gsd/2))/img.shape[1], # Normalisierte Breite
                                                                    xy[0]/img.shape[0], # Normalisierte y-Koordinate
                                                                    (xy[0] + int(tree.kronenbrei/gsd/2))/img.shape[1])) # Normalisierte Höhe

                        # Erstellen eines Rechtecks (Bounding-Box) zur Visualisierung im Bild
                        rect = patches.Rectangle(np.array(xy_center)[::-1], # Position der Bounding-Box
                                                 tree.kronenbrei/gsd, # Breite der Bounding-Box
                                                 tree.kronenbrei/gsd, # Höhe der Bounding-Box
                                                 linewidth=1, # Linienstärke der BBox
                                                 edgecolor=class_colors[tree_class.iloc[tree.id]], facecolor='none') # Farbe der Bounding-Box basierend auf der Klasse
                        ax.add_patch(rect)

            # Speichern des Bildes mit den Bounding-Boxen als PNG-Datei    
            plt.savefig(os.path.join(labeldir, filename.replace('.tif', '_bbox.png')))
            plt.close()

            print(f"Processed: {filename}")
    except Exception as e:
        print(f"Error processing {filename}: {e}")
        problematic_files.append(filename)

# Problematische Dateien anzeigen
if problematic_files:
    print("\nProblematic files:")
    for problem_file in problematic_files:
        print(problem_file)






# Möglichkeit 2: (Bilder unskaliert lassen)
import pandas as pd
import geopandas as gpd
import os
import rasterio
import numpy as np
from shapely.geometry import box
import matplotlib.pyplot as plt
import matplotlib.patches as patches

city_name = 'wuerzburg'

gdf = gpd.read_file('baumkataster_stadt_' + city_name + '.geojson')
gdf.loc[:, 'id'] = list(gdf.index)
gdf = gdf.to_crs('EPSG:31468')

df = pd.read_csv('baumkataster_classified_' + city_name + '.csv')
tree_class = df.Klasse

# Importverzeichnis für die rgbi Bilder
datadir = city_name + '_aerial_images_rgbi'

# Exportverzeichnis für die rgb Bilder (ohne Bounding-Boxen)
rgbdir = city_name + '_aerial_images_rgb'

# Exportverzeichnis für die gelabelten Bilder (mit oder ohne Bounding-Boxen)
labeldir = city_name + '_labeled'

# Verzeichnisse erstellen, falls noch nicht existent
if not os.path.exists(labeldir):
    os.makedirs(labeldir)

if not os.path.exists(rgbdir):
    os.makedirs(rgbdir)

filenames = os.listdir(datadir)

# Distanz pro Pixel festlegen
gsd = 0.2  # m/px

# Klassifizierungssystem und Farbgebung definieren
class_id = {'Großer Laubbaum': 0,
            'Kleiner Laubbaum': 1,
            'Großer Nadelbaum': 2,
            'Kleiner Nadelbaum': 3,
            'Busch/Hecke (Laub/Hartlaub)': 4,
            'Busch/Hecke (Nadel)': 5,
            'Unbekannt': 6}

class_colors = {'Großer Laubbaum': 'red',
                'Kleiner Laubbaum': 'orange',
                'Großer Nadelbaum': 'darkgreen',
                'Kleiner Nadelbaum': 'lightgreen',
                'Busch/Hecke (Laub/Hartlaub)': 'purple',
                'Busch/Hecke (Nadel)': 'cornflowerblue',
                'Unbekannt': 'white'}

# Liste zum Speichern problematischer Dateien
problematic_files = []

# Schleife für gesamten Ordner
for filename in filenames:
    try:
        # Überprüfen, ob die Datei eine Bilddatei ist (z.B. .tif oder .png)
        if filename.endswith('.tif') or filename.endswith('.png'):
        
            # Öffnet Bilddatei
            dataset = rasterio.open(os.path.join(datadir, filename))

            # Erstellung BBox für Bildgrenzen
            geom = box(*dataset.bounds)

            # Filtern der Bäume aus dem GeoDataFrame, die sich innerhalb der Bildgrenzen befinden
            trees = gdf[gdf.intersects(geom)]

            # Erstellen eines RGB-Bildes für die Visualisierung
            img = np.dstack(dataset.read()[:3])  # Verwende nur die RGB-Kanäle

            # Speichern des Originalbilds im 'rgbdir'-Ordner (ohne Bounding-Boxen)
            plt.imsave(os.path.join(rgbdir, filename.replace('.tif', '.png')), img)

            # Falls keine Bäume gefunden wurden, speichere das Bild dennoch im 'labeldir'-Ordner mit der Endung '_bbox.png'
            if len(trees) == 0:
                plt.imsave(os.path.join(labeldir, filename.replace('.tif', '_bbox.png')), img)
                continue  # Keine Bounding-Boxen, also überspringe den Rest des Loops
            
            # Bild und Achsen für Bounding-Box vorbereiten
            fig, ax = plt.subplots(figsize=(img.shape[1] / 100, img.shape[0] / 100), dpi=100)  # Bildgröße exakt festlegen
            ax.imshow(img)
            ax.axis('off')  # Skalen und Achsen ausblenden
            
            # Erstellen und Speichern der Bounding-Boxen, wenn Bäume im Bild gefunden wurden
            for i, tree in trees.iterrows():
                if not np.isnan(tree.kronenbrei):
                    # Berechnen der Pixelkoordinaten des Baumes im Bild
                    xy = dataset.index(tree.geometry.x, tree.geometry.y)

                    # Bestimmen der oberen linken Ecke der Bounding-Box basierend auf der Baumkrone
                    xy_center = (xy[0] - int(tree.kronenbrei/gsd/2), xy[1] - int(tree.kronenbrei/gsd/2))

                    # Speichern der Bounding-Box-Koordinaten und der Klassen-ID in einer .txt-Datei
                    with open(os.path.join(labeldir, filename.replace('.tif', '.txt')), 'a') as bboxf:
                        bboxf.write('{:d} {} {} {} {}\n'.format(class_id[tree_class.iloc[tree.id]], # Klassen-ID basierend auf dem Baumtyp
                                                                xy[1]/img.shape[1], # Normalisierte x-Koordinate
                                                                (xy[1] + int(tree.kronenbrei/gsd/2))/img.shape[1], # Normalisierte Breite
                                                                xy[0]/img.shape[0], # Normalisierte y-Koordinate
                                                                (xy[0] + int(tree.kronenbrei/gsd/2))/img.shape[1])) # Normalisierte Höhe

                    # Erstellen eines Rechtecks (Bounding-Box) zur Visualisierung im Bild
                    rect = patches.Rectangle(np.array(xy_center)[::-1], # Position der Bounding-Box
                                             tree.kronenbrei/gsd, # Breite der Bounding-Box
                                             tree.kronenbrei/gsd, # Höhe der Bounding-Box
                                             linewidth=1, # Linienstärke der BBox
                                             edgecolor=class_colors[tree_class.iloc[tree.id]], facecolor='none') # Farbe der Bounding-Box basierend auf der Klasse
                    ax.add_patch(rect)

            # Speichern des Bildes mit den Bounding-Boxen als PNG-Datei
            plt.savefig(os.path.join(labeldir, filename.replace('.tif', '_bbox.png')), bbox_inches='tight', pad_inches=0)
            plt.close()

            print(f"Processed: {filename}")
    except Exception as e:
        print(f"Error processing {filename}: {e}")
        problematic_files.append(filename)

# Problematische Dateien anzeigen
if problematic_files:
    print("\nProblematic files:")
    for problem_file in problematic_files:
        print(problem_file)





# Möglichkeit 3: (Das Gleiche noch einmal aber mittels Pillow)
import pandas as pd
import geopandas as gpd
import os
import rasterio
import numpy as np
from shapely.geometry import box
from PIL import Image, ImageDraw

city_name = 'memmingen'

gdf = gpd.read_file('baumkataster_stadt_' + city_name + '.geojson')
gdf.loc[:, 'id'] = list(gdf.index)
gdf = gdf.to_crs('EPSG:31468')

df = pd.read_csv('baumkataster_classified_' + city_name + '.csv')
tree_class = df.Klasse

# Importverzeichnis für die rgbi Bilder
datadir = city_name + '_aerial_images_rgbi'

# Exportverzeichnis für die rgb Bilder (ohne Bounding-Boxen)
rgbdir = city_name + '_aerial_images_rgb'

# Exportverzeichnis für die gelabelten Bilder (mit oder ohne Bounding-Boxen)
labeldir = city_name + '_labeled'

# Verzeichnisse erstellen, falls noch nicht existent
if not os.path.exists(labeldir):
    os.makedirs(labeldir)

if not os.path.exists(rgbdir):
    os.makedirs(rgbdir)

filenames = os.listdir(datadir)

# Distanz pro Pixel festlegen
gsd = 0.2  # m/px

# Klassifizierungssystem und Farbgebung definieren
class_id = {'Großer Laubbaum': 0,
            'Kleiner Laubbaum': 1,
            'Großer Nadelbaum': 2,
            'Kleiner Nadelbaum': 3,
            'Busch/Hecke (Laub/Hartlaub)': 4,
            'Busch/Hecke (Nadel)': 5,
            'Unbekannt': 6}

class_colors = {'Großer Laubbaum': 'red',
                'Kleiner Laubbaum': 'orange',
                'Großer Nadelbaum': 'darkgreen',
                'Kleiner Nadelbaum': 'lightgreen',
                'Busch/Hecke (Laub/Hartlaub)': 'purple',
                'Busch/Hecke (Nadel)': 'cornflowerblue',
                'Unbekannt': 'white'}

# Liste zum Speichern problematischer Dateien
problematic_files = []

# Schleife für gesamten Ordner
for filename in filenames:
    try:
        # Überprüfen, ob die Datei eine Bilddatei ist (z.B. .tif oder .png)
        if filename.endswith('.tif') or filename.endswith('.png'):
        
            # Öffnet Bilddatei
            dataset = rasterio.open(os.path.join(datadir, filename))

            # Erstellung BBox für Bildgrenzen
            geom = box(*dataset.bounds)

            # Filtern der Bäume aus dem GeoDataFrame, die sich innerhalb der Bildgrenzen befinden
            trees = gdf[gdf.intersects(geom)]

            # Erstellen eines RGB-Bildes für die Visualisierung
            img = np.dstack(dataset.read()[:3])  # Verwende nur die RGB-Kanäle
            img_pil = Image.fromarray(img.astype(np.uint8))

            # Speichern des Originalbilds im 'rgbdir'-Ordner (ohne Bounding-Boxen)
            img_pil.save(os.path.join(rgbdir, filename.replace('.tif', '.png')))

            # Falls keine Bäume gefunden wurden, speichere das Bild dennoch im 'labeldir'-Ordner mit der Endung '_bbox.png'
            if len(trees) == 0:
                img_pil.save(os.path.join(labeldir, filename.replace('.tif', '_bbox.png')))
                continue  # Keine Bounding-Boxen, also überspringe den Rest des Loops
            
            # Erstellen des Zeichenwerkzeugs für Bounding-Boxen
            draw = ImageDraw.Draw(img_pil)
            
            # Erstellen und Speichern der Bounding-Boxen, wenn Bäume im Bild gefunden wurden
            for i, tree in trees.iterrows():
                if not np.isnan(tree.kronenbrei):
                    # Berechnen der Pixelkoordinaten des Baumes im Bild
                    xy = dataset.index(tree.geometry.x, tree.geometry.y)

                    # Bestimmen der oberen linken Ecke der Bounding-Box basierend auf der Baumkrone
                    xy_center = (xy[0] - int(tree.kronenbrei/gsd/2), xy[1] - int(tree.kronenbrei/gsd/2))

                    # Speichern der Bounding-Box-Koordinaten und der Klassen-ID in einer .txt-Datei
                    with open(os.path.join(labeldir, filename.replace('.tif', '.txt')), 'a') as bboxf:
                        bboxf.write('{:d} {} {} {} {}\n'.format(class_id[tree_class.iloc[tree.id]],  # Klassen-ID basierend auf dem Baumtyp
                                                                xy[1] / img.shape[1],  # Normalisierte x-Koordinate
                                                                (xy[1] + int(tree.kronenbrei / gsd / 2)) / img.shape[1],  # Normalisierte Breite
                                                                xy[0] / img.shape[0],  # Normalisierte y-Koordinate
                                                                (xy[0] + int(tree.kronenbrei / gsd / 2)) / img.shape[0]))  # Normalisierte Höhe

                    # Zeichnen der Bounding-Box
                    rect_xy = [xy_center[1], xy_center[0], xy_center[1] + tree.kronenbrei / gsd, xy_center[0] + tree.kronenbrei / gsd]
                    draw.rectangle(rect_xy, outline=class_colors[tree_class.iloc[tree.id]], width=2)

            # Speichern des Bildes mit den Bounding-Boxen als PNG-Datei
            img_pil.save(os.path.join(labeldir, filename.replace('.tif', '_bbox.png')))

            print(f"Processed: {filename}")
    except Exception as e:
        print(f"Error processing {filename}: {e}")
        problematic_files.append(filename)

# Problematische Dateien anzeigen
if problematic_files:
    print("\nProblematic files:")
    for problem_file in problematic_files:
        print(problem_file)