Dateien hochladen nach „“

Habe nochmal Dateipfade anpassen müssen, jetzt läuft alles final

constants.py

+"""
+Parameter:
+-minimale und maximale Frequenz
+-Alpha-Wert 
+
+
+Autor: Roberto Gelsinger
+Datum: 07.12.2023
+Version: Modulversion
+"""
+
+
+freq_min = 1  # Minimale Frequenzgrenze
+freq_max = 3  # Maximale Frequenzgrenze
+alpha = 100   # Alpha-Wert für die Analyse

eulerian.py

+"""
+Abhängigkeiten:
+- numpy
+- scipy.signal (butter, lfilter)
+- constants (für die Verwendung von 'alpha')
+
+Autor: Roberto Gelsinger
+Datum: 07.12.2023
+Version: Modulversion
+"""
+
+import numpy as np
+from scipy.signal import butter, lfilter
+from constants import alpha
+
+def fft_filter(video, freq_min, freq_max, fps):
+    """
+    
+    Diese Funktion nimmt Videodaten, eine Frequenzbandbreite und die Bildrate (FPS) des Videos entgegen.
+    Sie filtert das Video, um nur Frequenzen im angegebenen Band zu verstärken. Das verstärkte Video, die FFT-Daten
+    und die Frequenzen werden zurückgegeben.
+
+    Args:
+    video (ndarray): Die Videodaten als ndarray.
+    freq_min (float): Die untere Grenzfrequenz des zu verstärkenden Frequenzbands.
+    freq_max (float): Die obere Grenzfrequenz des zu verstärkenden Frequenzbands.
+    fps (int): Die Bildrate (Frames pro Sekunde) des Videos.
+
+    Returns:
+    tuple: Ein Tupel, bestehend aus:
+      - amplified_video (ndarray): Das verstärkte Videodaten als ndarray.
+      - fft (ndarray): Die FFT-Daten des verstärkten Videos.
+      - frequencies (ndarray): Die zugehörigen Frequenzen der FFT.
+    """
+    nyquist = 0.5 * fps
+    low = freq_min / nyquist
+    high = freq_max / nyquist
+    
+    # Min-Max-Frequenzen filtern
+    b, a = butter(4, [low, high], btype='band')
+
+    filtered_video = np.zeros_like(video)
+    for i in range(video.shape[2]):
+        filtered_video[:, :, i] = lfilter(b, a, video[:, :, i])
+
+    # Verstärkung
+    amplified_video = np.abs(filtered_video) * alpha
+
+    fft = np.fft.fft(amplified_video, axis=0)
+    frequencies = np.fft.fftfreq(amplified_video.shape[0], d=1.0 / fps)
+
+    return amplified_video, fft, frequencies

excel_evaluation.py

+import openpyxl
+
+def excel_row_to_string(file_path):
+    # Öffne die Excel-Datei
+    workbook = openpyxl.load_workbook(file_path)
+
+    # Wähle das Arbeitsblatt aus
+    sheet = workbook['Sheet1']
+
+    # Erhalte die angegebene Zeile als Liste von Zellen
+    row_values = [cell.value for cell in sheet[2]]
+
+    # Ergebnisse werden ab Spalte 5 eingetragen
+    selected_columns = list(range(4, len(row_values)))
+
+    # Wähle nur die gewünschten Spalten aus
+    selected_values = [row_values[col] for col in selected_columns]
+
+    # Schließe die Excel-Datei
+    workbook.close()
+
+    # Konvertiere die Liste von Zellen in einen String
+    row_string = ', '.join(str(value) for value in selected_values)
+
+    return row_string
+
+def write_subdivided_string_to_excel(file_path, input_string):
+    # Öffne die Excel-Datei
+    workbook = openpyxl.load_workbook(file_path)
+
+    # Wähle das Arbeitsblatt aus
+    sheet = workbook['Sheet1']
+
+    # Teile den String nach jedem Komma auf
+    parts = input_string.split(',')
+
+    # Trage jeden Teil des Strings in eine neue Zeile ein
+    for i, part in enumerate(parts, 1):
+
+        #Spalte 17 kann sich je nach Tabellenstruktur ändern!
+        sheet.cell(row=2 + i - 1, column=17, value=part.strip())  # strip entfernt mögliche Leerzeichen
+
+    # Speichere die Änderungen
+    workbook.save(file_path)
+
+    # Schließe die Excel-Datei
+    workbook.close()
+
+def read_columns(file_path):
+    # Öffne die Excel-Datei
+    workbook = openpyxl.load_workbook(file_path)
+
+    # Wähle das Arbeitsblatt aus
+    sheet = workbook['Sheet1']
+
+    # Lese die Werte der beiden Spalten aus
+    values_column1 = [cell.value for cell in sheet['O']][1:]
+    values_column2 = [cell.value for cell in sheet['Q']][1:]
+
+    # Schließe die Excel-Datei
+    workbook.close()
+
+    return values_column1, values_column2
+
+def calculate_deviation(liste1, liste2):
+    # Überprüfe, ob die Listen die gleiche Länge haben
+    if len(liste1) != len(liste2):
+        raise ValueError("Die Listen müssen die gleiche Länge haben")
+
+    # Berechne die prozentuale Abweichung zwischen den Werten
+    deviations = [((abs(float(b) - float(a)) / float(a)) * 100) if float(a) != 0 else None for a, b in zip(liste1, liste2)]
+
+    return deviations
+
+def write_string_to_excel(file_path, input_string, column):
+    # Öffne die Excel-Datei
+    workbook = openpyxl.load_workbook(file_path)
+
+    # Wähle das Arbeitsblatt aus
+    sheet = workbook['Sheet1']
+
+    # Trage jeden Buchstaben des Strings in eine eigene Zeile ein
+    for i, char in enumerate(input_string, 1):
+        sheet.cell(row=2 + i - 1, column=column, value=char)
+
+    # Speichere die Änderungen
+    workbook.save(file_path)
+
+    # Schließe die Excel-Datei
+    workbook.close()
+
+def copy_header(input_sheet, output_sheet):
+    # Kopiere den Header manuell in das Ausgabe-Arbeitsblatt
+    for row in input_sheet.iter_rows(min_row=1, max_row=1, values_only=True):
+        output_sheet.append(row)
+
+def sort_excel(input_file_path, output_file_path, ):
+    # Öffne die Eingabe-Excel-Datei
+    input_workbook = openpyxl.load_workbook(input_file_path)
+    input_sheet = input_workbook['Sheet1']
+
+    # Erstelle eine neue Excel-Tabelle für die sortierten Zeilen
+    output_workbook = openpyxl.Workbook()
+    output_sheet = output_workbook.active
+
+    # Kopiere den Header ins Ausgabe-Arbeitsblatt
+    copy_header(input_sheet, output_sheet)
+
+    # Lese die Daten-Zeilen aus der Tabelle
+    data_rows = list(input_sheet.iter_rows(min_row=2, values_only=True))
+
+    # Sortiere die Daten-Zeilen nach dem Wert der angegebenen Spalte
+    sorted_data_rows = sorted(data_rows, key=lambda x: x[18 - 1])  # -1, da Listenindizes bei 0 beginnen
+
+    # Schreibe die sortierten Daten-Zeilen in die neue Tabelle
+    for row in sorted_data_rows:
+        output_sheet.append(row)
+
+    # Speichere die Änderungen in der neuen Excel-Datei
+    output_workbook.save(output_file_path)
+
+    # Schließe die Excel-Dateien
+    input_workbook.close()
+    output_workbook.close()
+
+
+#Sollten mehrere Testruns ausgewertet werden wollen, müssen die enthaltenen Funktionen umstrukturiert werden
+#Aktuell wird nur der Testrun in Zeile 1 ausgewertet
+#Eine Weitere Funktion, die zwei Tabellenzeilen tauscht, wäre der einfachste workaround
+def evaluation(testcases, testruns):
+    
+    #liest die Ergebnisse des Testruns aus
+    #bei mehreren Testruns muss diese Funktion angepasst werden!
+    input_string = excel_row_to_string(testruns)
+
+    #schreibt die Berechneten Ergebnisse in die Testcases-Tabelle
+    write_subdivided_string_to_excel(testcases, input_string)
+
+    #liest die gemessenen und die errechneten Werte aus den Testcases
+    values_col1, values_col2 = read_columns(testcases)
+
+    #berechnet aus diesen Werten die prozentuale Abweichung
+    deviations = calculate_deviation(values_col1, values_col2)
+
+    #Trägt die prozentualen Abweichungen in die Testcases-Tabelle
+    #je nach Tabellenstruktur kann sich die 18 ändern!
+    write_string_to_excel(testcases, deviations, 18)
+
+    #Gibt die eine Kopie der Testcases-Tabelle sortiert nach Genauigkeit aus
+    sort_excel(testcases, 'Testcases_nach_Genauigkeit.xlsx')
+

excel_processing.py

+"""
+Abhängigkeiten:
+- pyramids (für den Aufbau der Bildpyramiden)
+- heartrate (zur Berechnung der Herzfrequenz)
+- preprocessing (für die Video-Vorverarbeitung)
+- eulerian (für die Euler'sche Video-Magnifikation)
+- tkinter und constants (für die GUI und Konstantenverwaltung)
+
+Autor: Roberto Gelsinger
+Datum: 07.12.2023
+Version: Modulversion
+"""
+
+import pyramids
+import heartrate
+import facedetection
+import eulerian
+from constants import freq_max, freq_min
+import pandas as pd
+from excel_update import color_cells_based_on_deviation
+from excel_evaluation import evaluation
+
+
+def process_video_for_excel(selected_video_name):
+    """
+    Verarbeitet ein ausgewähltes Video, um die Herzfrequenz der abgebildeten Person zu ermitteln.
+
+    Dieser Prozess umfasst die Vorverarbeitung des Videos, den Aufbau einer Laplace-Pyramide,
+    die Anwendung von FFT-Filterung und Euler'scher Magnifikation, und schließlich die Berechnung
+    der Herzfrequenz aus den Video-Daten.
+
+    Args:
+    selected_video_name (str): Der Name des zu verarbeitenden Videos.
+
+    Returns:
+    None: Die Funktion gibt direkt die berechnete Herzfrequenz auf der Konsole aus.
+    """
+
+   
+   
+    print("Reading + preprocessing video...")
+    video_frames, frame_ct, fps = facedetection.read_video("code/videos/"+selected_video_name)
+
+    
+    print("Building Laplacian video pyramid...")
+    lap_video = pyramids.build_video_pyramid(video_frames)
+
+    print(len(lap_video))
+
+    for i, video in enumerate(lap_video):
+        print("test")
+        if i == 0 or i == len(lap_video)-1:
+            continue
+
+        print("Running FFT and Eulerian magnification...")
+        result, fft, frequencies = eulerian.fft_filter(video, freq_min, freq_max, fps)
+        lap_video[i] += result
+
+
+        print("Calculating heart rate...")
+        heart_rate = heartrate.find_heart_rate(fft, frequencies, freq_min, freq_max)
+
+
+
+
+
+    print("Heart rate: ", heart_rate*0.7, "bpm")
+    return heart_rate *0.7
+
+
+
+def process_all_videos_and_save_results(testcase_excel_file_path, testruns_excel_file_path, code_version, kommentar):
+
+    try:
+        df_testruns = pd.read_excel(testruns_excel_file_path)
+    except FileNotFoundError:
+        df_testruns = pd.DataFrame()
+
+
+    df_testcases = pd.read_excel(testcase_excel_file_path)
+
+    existing_testcases = [col for col in df_testruns.columns if col.startswith('Testcase_')]
+
+    new_testcases = [f'Testcase_{tc}' for tc in df_testcases['Testcase'] if f'Testcase_{tc}' not in existing_testcases]
+
+
+    if df_testruns.empty:
+        df_testruns = pd.DataFrame(columns=['Testnummer', 'Codeversion', 'Kommentar', 'Abweichung'])
+    
+
+    for col in new_testcases:
+        df_testruns[col] = None 
+    
+
+    df_testruns.to_excel(testruns_excel_file_path, index=False)
+
+    if new_testcases:
+        print(f"Folgende neue Testcases wurden hinzugefügt: {new_testcases}")
+    else:
+        print("Keine neuen Testcases zum Hinzufügen gefunden.")
+
+    next_testcase_index = len(df_testruns) + 1
+
+
+    new_run = {
+        'Testnummer': next_testcase_index,
+        'Codeversion': code_version,
+        'Kommentar': kommentar,
+        'Abweichung': 'Wert_für_Abweichung'  
+    }
+
+
+    for index, row in df_testcases.iterrows():
+        video_name = row['VideoName']
+        heart_rate = process_video_for_excel(video_name)
+
+
+        testcase_column_name = f'Testcase_{row["Testcase"]}'
+        new_run[testcase_column_name] = heart_rate
+
+    try:
+
+        df_testruns = df_testruns._append(new_run, ignore_index=True)
+    except TypeError:
+        pass
+
+
+    df_testruns.to_excel(testruns_excel_file_path, index=False)
+
+    print("Testrun wurde verarbeitet und das Ergebnis in der Testruns-Excel-Datei gespeichert.")
+
+    color_cells_based_on_deviation(testruns_excel_file_path, testcase_excel_file_path)
+
+    print("Zellen gefärbt")
+
+    evaluation(testcase_excel_file_path, testruns_excel_file_path)
+
+    print("Testcases sortiert")

excel_update.py

+import openpyxl
+from openpyxl.styles import PatternFill
+import pandas as pd
+
+def fill_cell(ws, cell, color):
+    fill = PatternFill(start_color=color, end_color=color, fill_type='solid')
+    cell.fill = fill
+
+def calculate_and_fill_deviation(ws, row, absolute_deviations):
+    if absolute_deviations:
+        average_deviation = sum(absolute_deviations) / len(absolute_deviations)
+        deviation_cell = ws.cell(row=row[0].row, column=4)  # Angenommen, die 'Abweichung'-Spalte ist Spalte D
+        deviation_cell.value = average_deviation
+        # Färbe die Zelle basierend auf der durchschnittlichen Abweichung
+        if average_deviation < 5:
+            fill_color = 'FF00FF00'  # Grün
+        elif 5 <= average_deviation < 10:
+            fill_color = 'FFFFFF00'  # Gelb
+        else:
+            fill_color = 'FFFF0000'  # Rot
+        fill_cell(ws, deviation_cell, fill_color)
+
+def color_cells_based_on_deviation(testruns_excel_file_path, testcases_excel_file_path):
+    wb_testruns = openpyxl.load_workbook(testruns_excel_file_path)
+    ws_testruns = wb_testruns.active
+    df_testcases = pd.read_excel(testcases_excel_file_path)
+
+    for row in ws_testruns.iter_rows(min_row=2, max_row=ws_testruns.max_row):
+        deviations = []
+        absolute_deviations = []
+
+        for cell in row[4:]:
+            header_cell_value = ws_testruns.cell(row=1, column=cell.column).value
+            if header_cell_value and "Testcase" in header_cell_value:
+                testcase_num = int(header_cell_value.split('_')[1])
+                expected_pulse_row = df_testcases[df_testcases['Testcase'] == testcase_num]
+                if not expected_pulse_row.empty:
+                    expected_pulse = expected_pulse_row.iloc[0]['Puls']
+                    actual_pulse = cell.value
+                    if actual_pulse is not None and expected_pulse is not None:
+                        relative_deviation = (actual_pulse - expected_pulse) / expected_pulse * 100
+                        absolute_deviation = abs(relative_deviation)
+                        deviations.append(relative_deviation)
+                        absolute_deviations.append(absolute_deviation)
+
+                        if absolute_deviation < 5:
+                            fill_color = 'FF00FF00'  # Grün
+                        elif 5 <= absolute_deviation < 10:
+                            fill_color = 'FFFFA500' if relative_deviation < 0 else 'FFFFFF00'  # Orange für niedriger, Gelb für höher
+                        else:
+                            fill_color = 'FFC0CB' if relative_deviation < 0 else 'FFFF0000'  # Rosa für niedriger, Rot für höher
+                        fill_cell(ws_testruns, cell, fill_color)
+
+        calculate_and_fill_deviation(ws_testruns, row, absolute_deviations)
+
+    wb_testruns.save(testruns_excel_file_path)