Porcentaje de cobertura en R

---

---

El siguiente codigo crea una función que genera una imagen en blanco y negro y calcula el porcentaje de cobertura de una imagen tomada en campo.

library(imager)
library(magick)
library(dplyr)



cobertura <- function(ruta, ruta_over, ruta_overlay, ruta_csv, nombre_imagen){

image <- load.image(ruta)
over <- image_read(ruta_over)
overlay <- image_read(ruta_overlay)
over2 <- over %>%
  image_composite(overlay, operator = "dissolve",compose_args = "25%",
                  gravity="center")
  
logo <- image_read("Images/SWS_Logo.png")
R <- R(image); G<-G(image); B<-B(image)
ExGreen<-2*G-R-B

# blur before thresholding to fill some gaps
ExGreen <- isoblur(ExGreen, 3)
ExGreen <- threshold(ExGreen, thr="auto", approx=FALSE, adjust=1)

# Convertir la matriz en un vector

vector_image <- as.vector(ExGreen)

negro <- as.numeric(summary(vector_image)['TRUE'])
blanco <- as.numeric(summary(vector_image)['FALSE'])
porcentaje_de_cobertura <- round((negro/(negro+blanco))*100,1)
porCob <- paste("",porcentaje_de_cobertura, "%","")

# Imagen en negativo
ExGreen2 <- print(plot(ExGreen))
ExGreen3 <- image_read(ExGreen2)
ExGreen4 <- image_negate(ExGreen3)
ExGreen5 <- c(ExGreen4,over2, image_scale(logo, "95x95"))

# Leer el archivo CSV con el conteo de plantas
conteo <- read.csv(ruta_csv)

# Obtener el número de plantas correspondiente a la imagen actual

numero_de_plantas <- conteo %>%
    filter(imagen == nombre_imagen) %>%
    select(tomatillo) %>%
    pull()

# Convertir el número de plantas a texto
texto_numero_plantas <- paste("n:", numero_de_plantas, "")


muchotexto <- paste("",porCob, texto_numero_plantas)


# Customnize text

PC <- image_annotate(ExGreen5, 
                     muchotexto,
                     size = 70, 
                     color = "#ae8f5fff",
                     boxcolor = "#0a231fff",
                     degrees = 0,
                     location = "+100+000",
                     font = 'helvetica') 


resultado <- image_mosaic(PC) %>%
  image_scale("1080x")

return(resultado)
}


cobertura_carpeta <- function(imagenes, resultados, ruta_csv) {
  # Obtener la lista de archivos en la carpeta de entrada
  archivos <- list.files(imagenes, full.names = TRUE)
  
  # Carpeta de salida para los resultados
  carpeta_salida <- resultados
  
  # Iterar sobre cada archivo
  for (archivo in archivos) {
    # Obtener el nombre del archivo sin la ruta
    nombre_archivo <- basename(archivo)
    
    # Obtener el nombre base de la imagen (sin extensión ni ruta)
    nombre_base <- tools::file_path_sans_ext(nombre_archivo)
    
    # Crear la ruta al overlay basada en el nombre de la imagen
    ruta_over <- file.path("images", "over", paste0(nombre_base, "_over.png"))
    ruta_overlay <- file.path("images", "overlay", paste0(nombre_base, ".png"))
    
    # Obtener el número de plantas correspondiente a la imagen actual
    conteo <- read.csv(ruta_csv)
    numero_de_plantas <- conteo %>%
      filter(imagen == nombre_archivo) %>%
      select(tomatillo) %>%
      pull()
    
    # Aplicar la función cobertura al archivo actual
    resultado <- cobertura(archivo, ruta_over, ruta_overlay, ruta_csv, nombre_archivo)  # Ajusta los parámetros según tu función
    
    
    # Especificar el nombre del archivo de salida con el valor de porcentaje_de_cobertura
    nombre_salida <- paste0(sub(".jpg", "_procesada.jpg", nombre_archivo))
    
    # Especificar la ruta y nombre del archivo de salida en la carpeta de resultados
    ruta_de_salida <- file.path(carpeta_salida, nombre_salida)
    
    # Guardar la imagen procesada en la carpeta de salida
    image_write(resultado, path = ruta_de_salida)
  }
}


cobertura_carpetaNoOver <- function (imagenes, resultados){

# Obtener la lista de archivos en la carpeta de entrada
archivos <- list.files(imagenes, full.names = TRUE)

# Carpeta de salida para los resultados
carpeta_salida <- resultados

# Iterar sobre cada archivo
for (archivo in archivos) {
  # Obtener el nombre del archivo sin la ruta
  nombre_archivo <- basename(archivo)
  
  # Aplicar la función cobertura al archivo actual
  resultado <- cobertura(archivo)
  
  # Modificar el nombre del archivo de salida con el valor de porcentaje_de_cobertura
  nombre_salida <- paste0(sub(".jpg", "_procesada.jpg", nombre_archivo))
  
  # Especificar la ruta y nombre del archivo de salida en la carpeta de resultados
  ruta_de_salida <- paste0(carpeta_salida, nombre_salida)
  
  # Guardar la imagen procesada en la carpeta de salida
  image_write(resultado, path = ruta_de_salida)
  }
}


#cobertura_carpeta("images/ImageR/", "images/resultados2/", "pcounts.csv")

PCI <- c(29.4,9.8,18.1,40.0,38.1,18.9,25.6,28.9,37.1,53.6,53.4,28.8,30.8,15.2,19.5,37.5,36.2,19.3,24.9,26.7,33.9,48.9,48.9,30.1)
metodo <- c("manual","manual","manual","manual","manual","manual","manual","manual","manual","manual","manual","manual","r","r","r","r","r","r","r","r","r","r","r","r")
tabla <- cbind(as.factor(metodo),as.numeric(PCI))
test <- wilcox.test(PCI ~ metodo, tabla)

print(test)

    Wilcoxon rank sum test with continuity correction

data:  PCI by metodo
W = 74, p-value = 0.931
alternative hypothesis: true location shift is not equal to 0

test2 <- t.test(PCI ~ metodo, tabla)

print(test2)

    Welch Two Sample t-test

data:  PCI by metodo
t = 0.16407, df = 21.081, p-value = 0.8712
alternative hypothesis: true difference in means between group manual and group r is not equal to 0
95 percent confidence interval:
 -9.532197 11.165530
sample estimates:
mean in group manual      mean in group r 
            31.80833             30.99167 

library(ggplot2)

ggplot(as.data.frame(tabla), aes(x=metodo, y=PCI)) +
  geom_boxplot(fill='#A4A4A4', color="black")+
  theme_classic()

ggplot(as.data.frame(tabla), aes(x=PCI, group= metodo, color=metodo)) +
  geom_density()+ scale_color_grey() + theme_classic() + geom_vline(aes(xintercept=mean(PCI[1:12])),
            color="blue", linetype="dashed", size=1) + geom_vline(aes(xintercept=mean(PCI[13:24])),
            color="red", linetype="dashed", size=1)

metodo1 <- c(30.8,15.2,19.5,37.5,36.2,19.3,24.9,26.7,33.9,48.9,48.9,30.1)

metodo2 <- c(29.4,9.8,18.1,40.0,38.1,18.9,25.6,28.9,37.1,53.6,53.4,28.8)

tablametodos <- cbind(metodo1,metodo2)

library(ggplot2)
library(AgroR)

plot_cor(metodo1, metodo2,
         method = "spearman", # pearson, spearman
         xlab = "Método 1",
         ylab = "Método 2",
         theme = theme_classic(),
         pointsize = 2,
         shape = 20,
         fill = "black",
         color = "red",
         axis.size = 12,
         ic = TRUE,
         title = "Gráfico de correlación")