Discussion :

[FRSE38]

Bonjour,

je travaille actuellement sur la caractérisation d'une camera CMOS et pour cela je suis amené a prendre des images (dark ou illuminées selon ce que je cherche a calculer) pour essayer d'en tirer un maximum d'informations pour les comparer avec celles données en datasheet (gain, dynamique, dark current... bref).

Je me suis fait un "petit" code qui me permet de faire pas mal de choses (routines : moyenne/soustraction de deux images 16-bit), surtout plus rapidement que si je devais passer par un logiciel de traitement scientifique d'images comme ImageJ qui certes fonctionne bien avec les bonnes macros/plugins etc. mais Python est plus dans l'air du temps et me permet de faire bien plus avec beaucoup plus de libertés au niveau personnalisation de graphiques ou même tout simplement dans la visualisation de mes frames.

Bon assez discuté. En bref j'ai une fonction "def histRoutine" qui me permet de tracer les histogrammes de mes images selon le temps d'exposition (de 1 a 10 secondes donc 10 images) et j'ai ajouté une ligne verticale qui indique ou se situe la valeur moyenne avec "plt.axvline".

J'aimerais maintenant ajouter une courbe de densité de Kernel (Courbe de Gauss) sur mon histogramme (le nombre de bins peut être modifiée bien entendu) mais j'ai essayé de plusieurs manières (Matplotlib, pandas et autres) et je n'obtiens pas le résultat escompté.

Il faudrait apparemment utiliser :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
y = ((1/(np.sqrt(2*np.pi)*x))*np.exp(-0.5*(1/y*(bin_list - x))**2))
plt.plot(bin_list, y, '--', color ='black')

J'espère avoir été clair, et vous remercie par avance pour votre aide . Si vous avez des questions n’hésitez surtout pas. (images et code .py en pièce jointe -> chemin de fichier absolu a modifier avant de compiler)

Le fichier .zip contenant les images au format .tiff 16-bit semble trop lourd (30 mb). Je peux vous le transmettre par email ou autres, si vous avez des idées.

---

Voici quelques liens qui pourraient peut-être aider :
- https://www.geeksforgeeks.org/matplo...ist-in-python/
- https://matplotlib.org/stable/galler...e-histogram-py
- https://www.tutorialspoint.com/drawi...-in-matplotlib
- https://towardsdatascience.com/take-...b-5f093ad7b9d3
- https://matplotlib.org/stable/galler..._features.html

[Julien N]

Salut,

Et bienvenu. Si tu n'es pas contre l'idée d'utiliser un module pour calculer et tracer cette fonction densité, tu peux jeter un oeil du côté de seaborn ou de scipy. Un rapide check m'a conduit sur cette réponse sur Stackoverflow : https://stackoverflow.com/questions/...am-values-only. Il me semble que cela devrait répondre, à priori (sans avoir pris le temps de checker ton code, désolé), à ton besoin.

A première vue, il faudrait rajouter à ta fonction histRoutine() :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
kde = stats.gaussian_kde(frame)
plt.plot(bin_list, kde.pdf(bin_list), label='KDE')

Attention toutefois, dans cette fonction frame est modifié à plusieurs reprises :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
frame = frame_stack[:, :, idx]
...
frame, bin_list, patches = plt.hist(frame.ravel(), bin_list, alpha = 0.7)
frame = frame.astype('int')

J

[FRSE38]

Salut,

Merci pour ta réponse.

J'ai essayé avec le code que tu m'a déposé et on devine une courbe mais elle est collée a l'axe des abscisses donc il y a encore un soucis.

Concernant frame je ne pense pas que ça pose problème mais je vais sûrement retravailler la fonction.

[Julien N]

Salut,

A vu de nez, je dirais que le problème vient des unités. Le kernel, tel que calculé dans le lien que j'ai fourni, est normalisé. L'aire sous la courbe du kernel est de 1. Clairement pas le cas de ton histogramme. Ce qui expliquerait que le tracé soit totalement écrasé. Pour illustrer mon propos :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
import numpy as np
import scipy.stats as sts
import matplotlib.pyplot as plt
 
 
# Generate data
n_points = 10000
n_bins = 20
data = np.random.normal(loc=0.0, scale=1.0, size=n_points)
 
# Kernel
kde = sts.gaussian_kde(data)
 
fig, ax = plt.subplots(1)
bar, bins, _ = ax.hist(data, bins=n_bins)
 
# On trace le kernel. On met à l'échelle pour avoir la même aire sous la courbe
density = np.sum(bar * np.diff(bins)) 
x = np.linspace(data.min(), data.max())
y = kde.pdf(x) * density
ax.plot(x, y, c='orange', label='KDE')
 
plt.show()

Petit conseil, essaie de fournir un bout de code simplifié qui permet de rejouer le problème en faisant un simple copié-collé. Bien plus facile pour ceux qui voudraient répondre. Et bien souvent, le simple fait de faire cet effort, on trouve son problème

J