imicpe 0.0.9__tar.gz → 0.0.9.6__tar.gz

{imicpe-0.0.9 → imicpe-0.0.9.6}/DESCRIPTION.md

@@ -6,24 +6,25 @@ Developped and maintained for teaching usage only!
 
 ## In a Jupyter Notebook
 
-```!pip install -i https://test.pypi.org/simple/ -U imicpe```
+```!pip install -U imicpe```
 
 ## In a local environment
 
-```pip install -i https://test.pypi.org/simple/ -U imicpe```
+```pip install -U imicpe```
 
 # Usage example
 
-The example below uses the kurtosis method available in the `tsa` subpackage of `msicpe`.
+The example below uses the mse method available in the `optim.metrics` subpackage of `imicpe`.
 It requires `numpy.randn` to generate a gaussian distribution of N points.
 
 ```python
 import numpy as np
-from msicpe.tsa import kurtosis
+from imicpe.optim import metrics
 N=10000
 
-x=np.randn(1,N)
-kurt=kurtosis(x)
+x=np.random.randn(1,N)
+ref = np.zeros((1,N)) 
+mse=metrics.mse(x,ref)   
 
-print(kurt)
+print(mse)
 ```

{imicpe-0.0.9 → imicpe-0.0.9.6}/PKG-INFO

@@ -1,17 +1,23 @@
 Metadata-Version: 2.1
 Name: imicpe
-Version: 0.0.9
+Version: 0.0.9.6
 Summary: Toolbox for Maths,Signal,Image Teaching @ CPE
 Author-email: Marion Foare <marion.foare@cpe.fr>, Eric Van Reeth <eric.vanreeth@cpe.fr>, Arthur Gautheron <arthur.gautheron@cpe.fr>
 License: MIT License
 Project-URL: Homepage, https://www.cpe.fr
-Project-URL: Documentation, https://toolbox-imi-cpe-msi-1bcfcdd75992c038486502447f7f6937f3492f60127.pages.in2p3.fr/
+Project-URL: Documentation, https://cpe.pages.in2p3.fr/msi/toolbox_imi/
 Classifier: Programming Language :: Python :: 3
 Classifier: License :: OSI Approved :: MIT License
 Classifier: Operating System :: OS Independent
 Requires-Python: >=3.8
 Description-Content-Type: text/markdown
 License-File: LICENSE
+Requires-Dist: numpy
+Requires-Dist: scipy
+Requires-Dist: plotly
+Requires-Dist: torch
+Requires-Dist: torchvision
+Requires-Dist: tqdm
 
 
 A toolbox used for practical sessions at [CPE Lyon](https://www.cpe.fr/).
@@ -21,24 +27,25 @@ Developped and maintained for teaching usage only!
 
 ## In a Jupyter Notebook
 
-```!pip install -i https://test.pypi.org/simple/ -U imicpe```
+```!pip install -U imicpe```
 
 ## In a local environment
 
-```pip install -i https://test.pypi.org/simple/ -U imicpe```
+```pip install -U imicpe```
 
 # Usage example
 
-The example below uses the kurtosis method available in the `tsa` subpackage of `msicpe`.
+The example below uses the mse method available in the `optim.metrics` subpackage of `imicpe`.
 It requires `numpy.randn` to generate a gaussian distribution of N points.
 
 ```python
 import numpy as np
-from msicpe.tsa import kurtosis
+from imicpe.optim import metrics
 N=10000
 
-x=np.randn(1,N)
-kurt=kurtosis(x)
+x=np.random.randn(1,N)
+ref = np.zeros((1,N)) 
+mse=metrics.mse(x,ref)   
 
-print(kurt)
+print(mse)
 ```

{imicpe-0.0.9 → imicpe-0.0.9.6}/pyproject.toml

@@ -14,7 +14,7 @@ mypkg = ["*.txt", "*.mat"]
 #[tool.setuptools_scm]
 
 [project]
-version="0.0.9"
+version="0.0.9.6"
 name = "imicpe"
 authors = [
   { name="Marion Foare", email="marion.foare@cpe.fr" },
@@ -25,6 +25,14 @@ description = "Toolbox for Maths,Signal,Image Teaching @ CPE"
 readme = {file = "DESCRIPTION.md", content-type = "text/markdown"}
 license = {text = "MIT License"}
 requires-python = ">=3.8"
+dependencies = [
+    "numpy",
+    "scipy",
+    "plotly",
+    "torch",
+    "torchvision",
+    "tqdm",
+]
 classifiers = [
     "Programming Language :: Python :: 3",
     "License :: OSI Approved :: MIT License",
@@ -33,4 +41,4 @@ classifiers = [
 
 [project.urls]
 Homepage = "https://www.cpe.fr"
-Documentation = "https://toolbox-imi-cpe-msi-1bcfcdd75992c038486502447f7f6937f3492f60127.pages.in2p3.fr/"
+Documentation = "https://cpe.pages.in2p3.fr/msi/toolbox_imi/"

imicpe-0.0.9.6/src/imicpe/__init__.py

@@ -0,0 +1 @@
+from ._version import __version__

imicpe-0.0.9.6/src/imicpe/_version.py

@@ -0,0 +1 @@
+__version__="0.0.9.6"

{imicpe-0.0.9 → imicpe-0.0.9.6}/src/imicpe/optim/__init__.py

@@ -1,5 +1,5 @@
 from .metrics import mse, snr
-from .operators import Id, D, Dt, L, Lt, generateDiff3D, generatePSF, A, At, S, St, opNorm, matNorm
+from .operators import Id, D, Dt, L, Lt, generatePSF, A, At, S, St, opNorm, matNorm
 from .pnnDataset import BSDSDataset, NoisyDataset
 from .pnnTrainer import Trainer, Metrics
 from .pnnUtils import chooseDevice, torchImg2Numpy, getData

{imicpe-0.0.9 → imicpe-0.0.9.6}/src/imicpe/optim/operators.py

@@ -1,18 +1,15 @@
-
 import numpy as np
 from scipy import ndimage
-import igl
+#import igl
 
 ############################################################
 ## identity operator
 ############################################################
 def Id(x):
-    """
-    Id       Opérateur identité
+    """Opérateur identité
    
     Args:
-        X (numpy.ndarray)               signal 1D
-                                    ou: image non vectorisée 2D
+        X (numpy.ndarray)               signal 1D ou: image non vectorisée 2D
                                 
     Returns: 
         (numpy.ndarray)                  X 
@@ -26,8 +23,7 @@ def Id(x):
 ############################################################
 # gradient
 def D(x):
-    """
-    D       Calcule le gradient par différences finies à droite.
+    """Calcule le gradient par différences finies à droite.
     Autrement dit, D(x) calcule le produit matriciel Dx.
    
     Args:
@@ -50,8 +46,7 @@ def D(x):
     return grad
 
 def Dt(x):
-    """
-    Dt       Calcule l’adjoint gradient par différences finies à droite.
+    """Calcule l’adjoint gradient par différences finies à droite.
     Autrement dit, Dt(x) calcule le produit matriciel D'x.
    
     Args:
@@ -74,8 +69,7 @@ def Dt(x):
 
 # laplacian
 def L(x):
-    """
-    L        Calcule la dérivée seconde d’un signal, ou le laplacien dans le cas d’une image.
+    """Calcule la dérivée seconde d’un signal, ou le laplacien dans le cas d’une image.
     Autrement dit, L(x) calcule le produit matriciel Lx.
    
     Args:
@@ -97,8 +91,7 @@ def L(x):
     return lap
 
 def Lt(x):
-    """
-    Lt       Calcule l’adjoint du laplacien.
+    """Calcule l’adjoint du laplacien.
     Autrement dit, Lt(x) calcule le produit matriciel L'x.
    
     Args:
@@ -119,27 +112,26 @@ def Lt(x):
         lap = ndimage.correlate(x,ker,mode='nearest')
     return lap
 
-def generateDiff3D(vert, faces, dtype):
-    """
-    generateDiff3D       Génère la matrice de différentiation de type DTYPE (ordre 1 ou 2) en 3D
+# def generateDiff3D(vert, faces, dtype):
+#     """Génère la matrice de différentiation de type DTYPE (ordre 1 ou 2) en 3D
     
-    Args:
-        VERT (numpy.ndarray)            matrice Nx3 dont la i-ème ligne correspond au vecteur
-                                            de coordonnées (X,Y,Z) du i-ème point du maillage
-        FACES (numpy.ndarray)           matrice Nx3 dont la i-ème ligne donne les  numéros des
-                                            3 points composant un triangle du maillage
-        DTYPE(str)                      'gradient', 'laplacian'
+#     Args:
+#         VERT (numpy.ndarray)            matrice Nx3 dont la i-ème ligne correspond au vecteur
+#                                             de coordonnées (X,Y,Z) du i-ème point du maillage
+#         FACES (numpy.ndarray)           matrice Nx3 dont la i-ème ligne donne les  numéros des
+#                                             3 points composant un triangle du maillage
+#         DTYPE(str)                      'gradient', 'laplacian'
     
-    Returns:
-        (numpy.ndarray)                 matrice 3D de différentiation de type DTYPE
-    """
+#     Returns:
+#         (numpy.ndarray)                 matrice 3D de différentiation de type DTYPE
+#     """
     
-    if dtype == 'gradient':
-        matG = igl.grad(vert, faces)
-    elif dtype == 'laplacien':    
-        matG = igl.cotmatrix(vert, faces)
+#     if dtype == 'gradient':
+#         matG = igl.grad(vert, faces)
+#     elif dtype == 'laplacien':    
+#         matG = igl.cotmatrix(vert, faces)
     
-    return (matG/np.amax(matG)).toarray()
+#     return (matG/np.amax(matG)).toarray()
 
 
 
@@ -147,8 +139,7 @@ def generateDiff3D(vert, faces, dtype):
 ## blurring operators
 ############################################################
 def generatePSF(dim,blurtype,kernelSize):
-    """
-    generatePSF         Génère le noyau de convolution d’un flou de dimension DIM, de type BLURTYPE, 
+    """Génère le noyau de convolution d’un flou de dimension DIM, de type BLURTYPE, 
     et de taille KERNELSIZE.
     
     Args:
@@ -187,8 +178,7 @@ def generatePSF(dim,blurtype,kernelSize):
     return ker 
 
 def A(x,psf):
-    """
-    A       Permet de flouter l’image X par un flou de noyau PSF.
+    """Permet de flouter l’image X par un flou de noyau PSF.
     Autrement dit, A(x,h) calcule le produit de convolution h*x, ou de manière équivalente, calcule
     le produit matriciel Hx.
 
@@ -209,8 +199,7 @@ def A(x,psf):
     return b
 
 def At(x,psf):
-    """
-    At      Permet de flouter l’image X par un flou de noyau la transposée de PSF.
+    """Permet de flouter l’image X par un flou de noyau la transposée de PSF.
     Autrement dit, A(x,h) calcule le produit de convolution h'*x, ou de manière équivalente, calcule
     le produit matriciel H'x.
 
@@ -236,8 +225,7 @@ def At(x,psf):
 ## TP3 - cartoon + texture decomposition operators (only 2D)
 ############################################################
 def S(x):
-    """
-    S       Convolue X avec un noyau KER.
+    """Convolue X avec un noyau KER.
    
     Args:
         X (numpy.ndarray)               image non vectorisée 2D
@@ -261,8 +249,7 @@ def S(x):
     return imf
 
 def St(x):   
-    """
-    S       Corrèle X avec un noyau KER.
+    """Corrèle X avec un noyau KER.
    
     Args:
         X (numpy.ndarray)               image non vectorisée 2D
@@ -291,8 +278,7 @@ def St(x):
 ## Operator and matrix norm
 ############################################################
 def opNorm(op,opt,dim):
-    """
-    opNorm      Calcule la norme de l'opérateur OP, dont 
+    """Calcule la norme de l'opérateur OP, dont 
     l'opérateur transposé est OPT, en dimension DIM
 
     Args:
@@ -334,8 +320,7 @@ def opNorm(op,opt,dim):
 
 
 def matNorm(M):
-    """
-    matNorm      Calcule la norme de la matrice M
+    """Calcule la norme de la matrice M
 
     Args:
         M (numpy.ndarray)               matrice dont on souhaite calculer la norme

{imicpe-0.0.9 → imicpe-0.0.9.6}/src/imicpe.egg-info/PKG-INFO

@@ -1,17 +1,23 @@
 Metadata-Version: 2.1
 Name: imicpe
-Version: 0.0.9
+Version: 0.0.9.6
 Summary: Toolbox for Maths,Signal,Image Teaching @ CPE
 Author-email: Marion Foare <marion.foare@cpe.fr>, Eric Van Reeth <eric.vanreeth@cpe.fr>, Arthur Gautheron <arthur.gautheron@cpe.fr>
 License: MIT License
 Project-URL: Homepage, https://www.cpe.fr
-Project-URL: Documentation, https://toolbox-imi-cpe-msi-1bcfcdd75992c038486502447f7f6937f3492f60127.pages.in2p3.fr/
+Project-URL: Documentation, https://cpe.pages.in2p3.fr/msi/toolbox_imi/
 Classifier: Programming Language :: Python :: 3
 Classifier: License :: OSI Approved :: MIT License
 Classifier: Operating System :: OS Independent
 Requires-Python: >=3.8
 Description-Content-Type: text/markdown
 License-File: LICENSE
+Requires-Dist: numpy
+Requires-Dist: scipy
+Requires-Dist: plotly
+Requires-Dist: torch
+Requires-Dist: torchvision
+Requires-Dist: tqdm
 
 
 A toolbox used for practical sessions at [CPE Lyon](https://www.cpe.fr/).
@@ -21,24 +27,25 @@ Developped and maintained for teaching usage only!
 
 ## In a Jupyter Notebook
 
-```!pip install -i https://test.pypi.org/simple/ -U imicpe```
+```!pip install -U imicpe```
 
 ## In a local environment
 
-```pip install -i https://test.pypi.org/simple/ -U imicpe```
+```pip install -U imicpe```
 
 # Usage example
 
-The example below uses the kurtosis method available in the `tsa` subpackage of `msicpe`.
+The example below uses the mse method available in the `optim.metrics` subpackage of `imicpe`.
 It requires `numpy.randn` to generate a gaussian distribution of N points.
 
 ```python
 import numpy as np
-from msicpe.tsa import kurtosis
+from imicpe.optim import metrics
 N=10000
 
-x=np.randn(1,N)
-kurt=kurtosis(x)
+x=np.random.randn(1,N)
+ref = np.zeros((1,N)) 
+mse=metrics.mse(x,ref)   
 
-print(kurt)
+print(mse)
 ```

{imicpe-0.0.9 → imicpe-0.0.9.6}/src/imicpe.egg-info/SOURCES.txt

@@ -3,9 +3,11 @@ LICENSE
 README.md
 pyproject.toml
 src/imicpe/__init__.py
+src/imicpe/_version.py
 src/imicpe.egg-info/PKG-INFO
 src/imicpe.egg-info/SOURCES.txt
 src/imicpe.egg-info/dependency_links.txt
+src/imicpe.egg-info/requires.txt
 src/imicpe.egg-info/top_level.txt
 src/imicpe/optim/__init__.py
 src/imicpe/optim/metrics.py

imicpe-0.0.9.6/src/imicpe.egg-info/requires.txt

@@ -0,0 +1,6 @@
+numpy
+scipy
+plotly
+torch
+torchvision
+tqdm