# -*- coding: UTF-8 -*-
"""
@Project ：onestar
@File ：GLDM.py
@Contact：
scikit-image feature计算图像特征：https://blog.csdn.net/lyxleft/article/details/102904909
python如何在二维图像上进行卷积：https://www.xz577.com/j/281686.html
利用python的skimage计算灰度共生矩阵：https://zhuanlan.zhihu.com/p/147066037
@function ：计算图像灰度共生矩阵
@Author ：SHJ
@Date ：2021/11/10 14:42
@Version ：1.0.0
"""
import numpy as np
import os
from skimage.feature import greycomatrix, greycoprops
import datetime
from tool.algorithm.image.ImageHandle import ImageHandler

class GLDM:
    def __init__(self,win_size = 15, step=2,levels=16,angles=[0,45,90,135],
                 prop=['contrast', 'dissimilarity', 'homogeneity', 'energy', 'correlation', 'ASM']):
        self._win_size = win_size  # 计算灰度共生矩阵窗口尺寸，为奇数
        self._step = step # 步长
        self._levels = levels # 灰度等级：例如16，256
        self._angles = list(np.deg2rad(np.array(angles))) #角度，使用弧度制
        """
        'contrast':对比度：反映了图像的清晰度和纹理沟纹深浅的程度
        'dissimilarity':差异性
        'homogeneity':同质性/逆差距：度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化，局部非常均匀。
        'energy':能量：是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度
        'correlation':相关性：它度量空间灰度共生矩阵元素在行或列方向上的相似程度
        'ASM':二阶距
        """
        self._prop = prop #纹理特征名称

    def get_glcm_value(self,input):
        values_temp = []
        # 统计得到glcm
        # 得到共生矩阵，参数：图像矩阵，距离，方向，灰度级别，是否对称，是否标准化
        # para2: [0, np.pi / 4, np.pi / 2, np.pi * 3 / 4] 一共计算了四个方向，你也可以选择一个方向
        glcm = greycomatrix(input, [self._step], self._angles, self._levels, symmetric=False, normed=True)
        # print(glcm.shape)
        # 循环计算表征纹理的参数
        for prop in self._prop:
            temp = greycoprops(glcm, prop)
            # print(temp)
            values_temp.append(np.mean(temp))
        return values_temp


    def get_glcm_array(self,inputs: np.ndarray, win_size):
        h, w = inputs.shape
        pad = (win_size - 1) // 2
        inputs = np.pad(inputs, pad_width=[(pad, pad), (pad, pad)], mode="constant", constant_values=0)
        glcm_array ={}
        for name in self._prop:
            glcm_array.update({name:np.zeros(shape=(h, w),dtype=np.float32)})

        for i in range(h):  # 行号
            for j in range(w):  # 列号
                window = inputs[i: i + win_size, j: j + win_size]
                value = self.get_glcm_value(window)
                print('i:%s,j:%s',i,j)
                # print(value)
                for n,array in zip(range(len(glcm_array)),glcm_array.values()):
                    array[i,j] = value[n]
        return glcm_array

    @staticmethod
    def standardization(data, num=1):
        # 矩阵标准化到[0,1]
        data[np.isnan(data)] = np.min(data)  # 异常值填充为0
        _range = np.max(data) - np.min(data)
        return (data - np.min(data)) / _range * num

    def api_get_glcm_array(self,out_dir,in_tif_path,name=''):

        ih = ImageHandler()
        proj, geotrans, array = ih.read_img(in_tif_path)
        array[np.where(array > 500000)]=500000 #去除过大的值，避免标准化时，大部分的值都接近0
        array = self.standardization(array,self._levels-1) #标准化到0~（self._levels-1）
        array = np.uint8(array)
        glcm_array = self.get_glcm_array(array, self._win_size)
        for key,value in glcm_array.items():
            out_path = os.path.join(out_dir,name+'_'+key+'.tif')
            ih.write_img(out_path, proj, geotrans,value)

if __name__ == '__main__':
    start = datetime.datetime.now()
    gldm = GLDM(win_size=9,levels=16,step=3,angles=[0,45,90,135])
    gldm.api_get_glcm_array('D:\glcm','D:\glcm\src_img.tif',)
    end = datetime.datetime.now()
    msg = 'running use time: %s ' % (end - start)
    print(msg)

    # 666*720尺寸影像消耗的running use time: 0:04:23.155424