{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Informacja o wyświetlaniu w notebooku\n",
    "Można sprawdzić działanie kilku trybów wyświetlania `%matplotlib` i sprawdzić co wygodniejsze (i co działa...)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# lista (teoretycznie) dostępnych backendów:\n",
    "%matplotlib --list"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Zmiana może (gdy komunikat o nie udanej zmianie back-endu) wymagać restartu (menu: Kernel/Restart) "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Sprawdź co wygodniejsze:\n",
    "%matplotlib inline\n",
    "# czy:\n",
    "# %matplotlib tk\n",
    "import matplotlib.pyplot as plt\n",
    "import skimage.data\n",
    "print(skimage.data.astronaut().shape)\n",
    "plt.imshow(skimage.data.astronaut(), interpolation='nearest')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "plt.figimage(skimage.data.astronaut()) # powinno być bez skalowania (może nie działać przy %matplotlib inline)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Ćwiczenie\n",
    "Wczytaj obrazek `\"components/objects/fig.png\"` (obrazki były spakowane razem z pierwszmi ćwiczeniami), poetykietuj go (`skimage.measure.label`) i wyświetl (np. po zamianie na kolorowy obrazek przy użyciu `skimage.color.label2rgb`)."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Ćwiczenie\n",
    "Dla każdego obiektu oblicz jego pole powierzchnii (liczbę pikseli) używając operacji na tablicach NumPy i funkcji np. `np.min`).\n",
    "Potem użyj funkcji `skimage.measure.regionprops` i wypisz pole powierzchni każdego obiektu."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Ćwiczenie\n",
    "Znajdz kontury obiektów (`skimage.measure.find_contours`) i je narysuj."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "contours = skimage.measure.find_contours(...)\n",
    "\n",
    "# Display the image and plot all contours found\n",
    "fig, ax = plt.subplots()\n",
    "ax.imshow(img, interpolation='nearest', cmap=plt.cm.gray)\n",
    "\n",
    "for n, contour in enumerate(contours):\n",
    "    ax.plot(contour[:, 1], contour[:, 0], linewidth=2)\n",
    "\n",
    "ax.axis('image')\n",
    "ax.set_xticks([])\n",
    "ax.set_yticks([])"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Ćwiczenie\n",
    "Rozpoznaj na obrazkach `\"fig.png\"` oraz `\"fig2.png\"` kształt każdego obiektu (koło, kwadrat, trójkąt). Użyj funkcji `skimage.measure.approximate_polygon`.\n",
    "\n",
    "Czy opracowana metoda jest odporna na dodatnie jeszcze jakiś zniekształceń (np. szumu)?"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Ćwiczenie\n",
    "Uogólnij poniższą funkcję tak aby generowała obrazek z prostokątem o zadanych wymiarach (zamiast kwadratu) podzielonym w poziomie wzdłuż losowej linii (zamiast ustaloną łamaną)."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np\n",
    "import skimage.draw\n",
    "def gen():\n",
    "    img = np.zeros((110,110), np.uint8)\n",
    "    img[5:-5,5:-5] = 255\n",
    "    \n",
    "    poly = np.array([[55,5],[40,30],[60,40],[45,80],[55,105]])\n",
    "    \n",
    "    def drawpolyline(img, poly):\n",
    "        for p1,p2 in zip(poly[:-1],poly[1:]):\n",
    "            yy,xx = skimage.draw.line(p1[0],p1[1],p2[0],p2[1])\n",
    "            img[yy,xx] = 0\n",
    "            \n",
    "    drawpolyline(img, poly)\n",
    "\n",
    "    return img \n",
    "\n",
    "plt.imshow(gen())"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python [conda env:piro]",
   "language": "python",
   "name": "conda-env-piro-py"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.6.4"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 1
}