app_old.py

import gradio as gr
import torch
import numpy as np
from PIL import Image
from utils_spike import load_vidar_dat  # 假设您有这个函数
import os

# 设置设备
DEVICE = 'cuda' if torch.cuda.is_available() else 'cpu'

import torch
import numpy as np

def compute_motion_map(spike, tau_f, tau_s, U_c, theta, sampling_rate=40000):
    """
    使用 STP 动力学从脉冲数据计算运动图。
    
    参数：
        spike: 形状为 (T, H, W) 的脉冲数据张量（0 或 1）
        tau_f: 易化时间常数（毫秒）
        tau_s: 恢复时间常数（毫秒）
        U_c: 易化参数（0 到 1）
        theta: 运动检测阈值
        sampling_rate: 脉冲数据的采样率（赫兹），默认为 40000 Hz
    
    返回：
        motion_map: 形状为 (H, W) 的 numpy 数组，表示二值运动图
    """
    # 如果 spike 是 numpy 数组，转换为 tensor
    if isinstance(spike, np.ndarray):
        spike = torch.from_numpy(spike).float().to(DEVICE)
    else:
        spike = spike.float().to(DEVICE)
    
    # 时间步长（秒）
    delta_t = 1 / sampling_rate  # 例如 1/40000 秒
    # 将时间常数从毫秒转换为秒
    tau_f = tau_f / 1000  # 毫秒 -> 秒
    tau_s = tau_s / 1000  # 毫秒 -> 秒
    
    # 在循环外计算指数衰减因子
    exp_f = torch.exp(torch.tensor(-delta_t / tau_f, device=DEVICE))
    exp_s = torch.exp(torch.tensor(-delta_t / tau_s, device=DEVICE))
    
    T, H, W = spike.shape
    # 初始化 STP 变量 R（资源）和 u（利用率）
    R = torch.ones((T, H, W), device=DEVICE)  # R 初始为 1
    u = U_c * torch.ones((T, H, W), device=DEVICE)  # u 初始为 U_c
    
    # 计算随时间变化的 STP 动力学
    for n in range(1, T):
        # 脉冲间指数衰减
        u_decay = u[n-1] * exp_f
        R_decay = 1 + (R[n-1] - 1) * exp_s
        
        # 当前时间步的脉冲更新
        spike_n = spike[n]
        u[n] = u_decay + spike_n * U_c * (1 - u_decay)  # 易化更新
        R[n] = R_decay * (1 - spike_n * u[n])  # 资源消耗
    
    # 在中心时间步计算运动掩码
    central_index = T // 2
    R_diff = torch.abs(R[central_index] - R[central_index - 1])
    M = (R_diff >= theta).float()  # 二值掩码：运动区域为 1
    print(M.max())
    print(M.min())
    # 转换为图像格式 (0-255)
    motion_map = (M * 255).cpu().numpy().astype(np.uint8)
    return motion_map

# Gradio 接口
with gr.Blocks() as demo:
    # 标题和描述
    gr.Markdown("# 运动图预测")
    gr.Markdown(
        "上传包含脉冲数据的 `.dat` 文件，并调整超参数以预测运动物体的运动图。"
    )
    
    # 输入和输出布局
    with gr.Row():
        input_dat = gr.File(label="输入 Dat 文件")
        output_motion_map = gr.Image(label="运动图")
    
    # 超参数滑块
    with gr.Row():
        tau_f = gr.Slider(
            minimum=10, maximum=1000, value=100, step=10,
            label="τ_f (ms): 易化时间常数"
        )
        tau_s = gr.Slider(
            minimum=10, maximum=1000, value=100, step=10,
            label="τ_s (ms): 恢复时间常数"
        )
        U_c = gr.Slider(
            minimum=0.1, maximum=0.9, value=0.5, step=0.05,
            label="U_c: 易化参数"
        )
        theta = gr.Slider(
            minimum=0.01, maximum=0.5, value=0.1, step=0.01,
            label="θ: 运动检测阈值"
        )
    
    # 提交按钮
    submit = gr.Button(value="提交")
    
    def on_submit(dat_path, tau_f, tau_s, U_c, theta):
        """
        处理上传的 dat 文件并返回运动图。
        
        参数：
            dat_path: 上传的 .dat 文件路径
            tau_f, tau_s, U_c, theta: 滑块中的超参数
        
        返回：
            运动图的 PIL 图像
        """
        # 加载脉冲数据（假设从参考代码中获取固定大小）
        spike = load_vidar_dat(dat_path, width=400, height=250)
        # 计算运动图
        motion_map = compute_motion_map(spike, tau_f, tau_s, U_c, theta)
        # 转换为 PIL 图像以供 Gradio 使用
        return Image.fromarray(motion_map)
    
    # 连接提交按钮到函数
    submit.click(
        fn=on_submit,
        inputs=[input_dat, tau_f, tau_s, U_c, theta],
        outputs=[output_motion_map]
    )
    example_dir = "assets/examples"  # 示例文件目录   
    if os.path.exists(example_dir): 
        example_files = sorted(os.listdir(example_dir))      
        example_files = [os.path.join(example_dir, filename) for filename in example_files if filename.endswith(".dat")]    
    else:         
        example_files = []   
        # 添加 gr.Examples 组件    
    examples = gr.Examples(       
        examples=example_files,    
        inputs=[input_dat],  # 选中示例时自动填入 input_dat     
        outputs=[output_motion_map],  # 输出运动图     
        fn=on_submit,  # 调用 on_submit 函数      
        cache_examples=False  # 禁用缓存，确保加载最新文件    
    )  

if __name__ == "__main__":
    demo.queue().launch()