boc/rivp-pilot-1/real_change_detection.py

#!/usr/bin/env python3
"""
Verklig förändringsdetektion med bildbehandling
Använder numpy för att analysera bildskillnader
"""
import numpy as np
from PIL import Image
import json
import os
from datetime import datetime

def analyze_image_difference(image_path1, image_path2):
    """
    Analysera skillnader mellan två bilder
    Returnerar förändringskarta och statistik
    """
    if not os.path.exists(image_path1) or not os.path.exists(image_path2):
        return None
    
    # Ladda bilder
    img1 = Image.open(image_path1).convert('L')  # Gråskala
    img2 = Image.open(image_path2).convert('L')
    
    # Konvertera till numpy arrays
    arr1 = np.array(img1)
    arr2 = np.array(img2)
    
    # Beräkna skillnad
    diff = np.abs(arr2.astype(float) - arr1.astype(float))
    
    # Statistik
    stats = {
        "mean_difference": float(np.mean(diff)),
        "max_difference": float(np.max(diff)),
        "std_difference": float(np.std(diff)),
        "changed_pixels": int(np.sum(diff > 30)),
        "total_pixels": diff.size,
        "change_percentage": float(np.sum(diff > 30) / diff.size * 100)
    }
    
    # Identifiera förändringsområden
    threshold = 50
    changes = []
    
    # Hitta konturer av förändrade områden (förenklad)
    change_mask = diff > threshold
    
    # Dela upp i grid och hitta aktiva celler
    h, w = change_mask.shape
    grid_size = 50
    
    for i in range(0, h, grid_size):
        for j in range(0, w, grid_size):
            cell = change_mask[i:i+grid_size, j:j+grid_size]
            if np.sum(cell) > (grid_size * grid_size * 0.1):  # 10% av cellen förändrad
                changes.append({
                    "x": j,
                    "y": i,
                    "width": grid_size,
                    "height": grid_size,
                    "severity": "high" if np.sum(cell) > (grid_size * grid_size * 0.3) else "medium"
                })
    
    return {
        "statistics": stats,
        "changes": changes[:20],  # Begränsa till 20 förändringar
        "analysis_time": datetime.now().isoformat()
    }

def generate_synthetic_comparison():
    """
    Generera syntetiska före/efter-bilder för demo
    """
    # Skapa två bilder med kända skillnader
    size = (400, 400)
    
    # Bild 1: "Före"
    img1 = np.ones(size, dtype=np.uint8) * 128  # Grå bakgrund
    # Lägg till "väg"
    img1[180:220, :] = 80  # Mörkare väg
    
    # Bild 2: "Efter" (med förändringar)
    img2 = img1.copy()
    # Lägg till "hål" i vägen
    img2[190:210, 150:250] = 200  # Ljust hål
    # Lägg till "skada"
    img2[300:320, 100:150] = 50  # Mörk skada
    
    # Spara
    Image.fromarray(img1).save('synthetic_before.png')
    Image.fromarray(img2).save('synthetic_after.png')
    
    print("Generated synthetic comparison images")
    return 'synthetic_before.png', 'synthetic_after.png'

if __name__ == "__main__":
    print("="*60)
    print("REAL CHANGE DETECTION")
    print("="*60)
    
    # Generera syntetiska bilder för demo
    before, after = generate_synthetic_comparison()
    
    # Analysera skillnader
    result = analyze_image_difference(before, after)
    
    if result:
        print("\nAnalysis Results:")
        print(f"  Mean difference: {result['statistics']['mean_difference']:.2f}")
        print(f"  Max difference: {result['statistics']['max_difference']:.2f}")
        print(f"  Changed pixels: {result['statistics']['changed_pixels']:,}")
        print(f"  Change percentage: {result['statistics']['change_percentage']:.2f}%")
        print(f"\nDetected {len(result['changes'])} change areas")
        
        # Spara resultat
        with open('change_detection_result.json', 'w') as f:
            json.dump(result, f, indent=2)
        
        print("\nResult saved to change_detection_result.json")
    else:
        print("Failed to analyze images")
    
    print("="*60)