diff --git a/python_scripts/DLM_Tree_Classification/Labelling_script b/python_scripts/DLM_Tree_Classification/Labelling_script
new file mode 100644
index 0000000000000000000000000000000000000000..ee7810520c18b592baa11095a1ca3ce1d13ddf53
--- /dev/null
+++ b/python_scripts/DLM_Tree_Classification/Labelling_script
@@ -0,0 +1,391 @@
+# 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)