Nettoyage des TPs et homogénéisation

Ajout de cellues question et réponse dans tous les TP. Corrections de quelques bugs liés au nouvelles version des dépendances

Nettoyage des TPs et homogénéisation
Ajout de cellues question et réponse dans tous les TP. Corrections de quelques bugs liés au nouvelles version des dépendances
8dbf0c2b · Matthieu PERREIRA DA SILVA · a94dec86 · 8dbf0c2b · 8dbf0c2b · 8dbf0c2b
Commit 8dbf0c2b authored Sep 02, 2020 by Matthieu PERREIRA DA SILVA
--- a/.gitignore
+++ b/.gitignore
 .ipynb_*
+.venv
+.vscode
\ No newline at end of file
--- a/README.md
+++ b/README.md
@@ -2,4 +2,4 @@

 Notebooks python pour les TPs image info 4

-**Dépendance**: jupyter, numpy, scipy, scikitimage
\ No newline at end of file
+**Dépendance**: voir le fichier requirements.txt
\ No newline at end of file
--- a/TP1/TP1.ipynb
+++ b/TP1/TP1.ipynb
--- a/TP2/TP image filtrage.ipynb
+++ b/TP2/TP image filtrage.ipynb
--- a/TP2/TP2.ipynb
+++ b/TP2/TP2.ipynb
--- a/TP3/TP3.ipynb
+++ b/TP3/TP3.ipynb
--- a/TP3/classification dans les images.ipynb
+++ b/TP3/classification dans les images.ipynb
--- a/TP4/tp4.ipynb
+++ b/TP4/tp4.ipynb
@@ -20,7 +20,7 @@
   "metadata": {},
   "outputs": [],
   "source": [
-    "%matplotlib inline\n",
+    "%matplotlib widget\n",
    "\n",
    "import numpy as np\n",
    "import matplotlib.pyplot as plt\n",
@@ -667,7 +667,7 @@
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
-   "version": "3.7.4"
+   "version": "3.7.3"
  }
 },
 "nbformat": 4,
 %% Cell type:markdown id: tags:
  
 # Mise en correspondance d'images par points d'intérêt
  
 %% Cell type:markdown id: tags:
  
 Ce TP est une version très modifiée d'une des démo de https://github.com/scikit-image/scikit-image-demos
  
 %% Cell type:code id: tags:
  
 ``` python
-%matplotlib inline
+%matplotlib widget
  
 import numpy as np
 import matplotlib.pyplot as plt
 from skimage import io
 from skimage import transform as tf
 from skimage import exposure
 import math
 from skimage.color import rgb2gray
  
  
 def compare(*images, **kwargs):
    """
    Utility function to display images side by side.
  
    Parameters
    ----------
    image0, image1, image2, ... : ndarrray
        Images to display.
    labels : list
        Labels for the different images.
    """
    f, axes = plt.subplots(1, len(images), **kwargs)
    axes = np.array(axes, ndmin=1)
  
    labels = kwargs.pop('labels', None)
    if labels is None:
        labels = [''] * len(images)
  
    for n, (image, label) in enumerate(zip(images, labels)):
        axes[n].imshow(image, interpolation='nearest', cmap='gray')
        axes[n].set_title(label)
        axes[n].axis('off')
  
    plt.tight_layout()
 ```
  
 %% Cell type:markdown id: tags:
  
 ## 1. Construction de la paire d'images
  
  
 ### 1.1  Paire initiale
 Indication de la paire d'images à traiter. Il y a 4 paire d'images proposées, on fera les expériences avec chacune des paires, car elles présentent des situations différentes.
  
 %% Cell type:code id: tags:
  
 ``` python
 pano_imgs = io.ImageCollection('partie1/mairie*')  # translation de face
 #pano_imgs = io.ImageCollection('persp/persp*')  # angle de vue assez différent
 #pano_imgs = io.ImageCollection('mairie_b/mairie*')   # facteur d'échelle différent
 #pano_imgs = io.ImageCollection('chateau/chateau*')  # chateau
 ```
  
 %% Cell type:markdown id: tags:
  
 Observons la paire d'images ci-dessus.
 * Quel est, à vue d'oeil, le mouvement réel 3D de la caméra ?
 * Quel est, à vue d'oeil,  le mouvement 2D apparent dans l'image ?
 * Quelles seront, à première vue, les difficultés pour la mise en correspondance ?
  
 %% Cell type:code id: tags:
  
 ``` python
 compare(*pano_imgs, figsize=(15, 10))
 ```
  
 %% Output
  

  
 %% Cell type:markdown id: tags:
  
 Credit: Images of Private Arch and the trail to Delicate Arch in Arches National Park, USA, taken by Joshua D. Warner.<br>
 License: CC-BY 4.0
  
 %% Cell type:markdown id: tags:
  
 L'extraction des points d'intérêt et le calcul des descripteurs sur ces points d'intérêt se fait sur les images en niveau de gris.
  
  
 ### 1.2  Paire modifiée pour plus de défi
  
 On applique aussi, optionnellement, des transformations (artificielles) sur la 2eme image, pour ajouter un peu de piquant au défi. Pour commencer, on s'en tient à une rotation de 0 et une transformation de luminance gamma=1 (pas de transformation).
  
 %% Cell type:code id: tags:
  
 ``` python
  
 image0 = rgb2gray(pano_imgs[0])
 image1 = rgb2gray(pano_imgs[1])
  
  
 rotation_on_image = 0
 scale_on_image=1
 gamma_on_image=1
  
 # rotation_on_image = math.pi/32
 # scale_on_image=1.3
 # gamma_on_image=1.2  # si 0<gamma<1 : plus clair, si gamma>1 : plus foncé, essayer par exemple 0.5 et 2
  
 tform = tf.SimilarityTransform(scale=scale_on_image, rotation=rotation_on_image,
                               translation=(0, 0))
  
 image1 = tf.warp(image1,tform)
  
 image1=exposure.adjust_gamma(image1, gamma=gamma_on_image, gain=1)
  
 # View the results
  
 print("Modèle de transformation=",tform.params)
 compare(image0, image1,figsize=(15, 10))
 ```
  
 %% Output
  
    Modèle de transformation= [[ 1. -0.  0.]
     [ 0.  1.  0.]
     [ 0.  0.  1.]]