【Python实例第19集】图像分割的光谱聚类
发布时间： 2018-11-25 19:51、
陟览次数： 272
、标签：
Python
机器学习训练营——机器学习爱好者的自由交流空间(进入群qq:2279055353 ) )。
在数据的多元统计和聚类中，谱聚类技术利用数据相似矩阵的谱，即相似矩阵的特征值来降低特征维数。 然后，在降维后的空间中使用k均值
聚类。 的相似矩阵度量数据集任意两点的相似性。
本示例使用谱聚类方法spectral clustering生成具有连续圆形区域的图像
把这些区域分开。 在这种情况下，谱聚类法解决了标准的图像分割问题。 图像被认为是由三维像素连接而成的图，谱聚类算法等于选择图中分割的区域，将沿分割的梯度变化率最小化。 因为该算法试图平衡区域的大小，所以如果我们分隔的圆的大小不同，分割就等于失败。
详细调查实例
首先，从scikit-learn的feature_extraction中导入image，从clusters中导入频谱聚类函数spectral_clustering
在. image中定义四个圆区域。
importnumpyasnpimportmatplotlib.pyplotaspltfrom
sk learn.feature _ extractionimportimagefromsklearn.cluster import
spectral_clustering l=100 x，y=NP.indices () l，l ) ) (center1=(28，24 ) ) ) ) ) ) )
center2=(40，50 ) center3=) 67，58 ) center4=) 24，70 ) radius1，radius2，
radius3，radius4=16，14，15，14 circle1=(x-center1[0] ) *2) y-
center1[1] * *2radius1* *2circle2=(x-center2[0] ) *2) y-
center2[1] * *2radius2* *2circle3=(x-center3[0] ) *2) y-
center3[1] * *2radius3* *2circle4=(x-center4[0] ) *2) y-
center4[1]**2radius4**2
在这里，我想把被定义的四个区域分开，而不是从背景中分开。 因此，使用mask限制背景。
#4circles img=circle1circle2circle3circle4# weuseamaskthat
limitstotheforeground 3360 theproblemthatweare # interestedinhereisnot
separatingtheobjectsfromthebackground，# but separating them one from the
other.mask=img.astype(bool ) img=img.astype ) float ) img =1 0.2 *
NP.random.randn(img.shape ) converttheimageintoagraphwiththevalueof
thegradientonthe # edges.graph=image.img _ to _ graph (img，mask=mask ) # Take
adecreasingfunctionofthegradient : wetakeitweakly # dependent from the
gradientthesegmentationisclosetoavoronoigraph.data=NP.exp (-graph.data
/graph.data.std () (# Force the solver to be arpack，since amg is numerically # ) )
unstableonthisexamplelabels=spectral _ clustering (graph，n_clusters=4，
eigen_solver='arpack ' ) label_im=NP.full(mask.shape，-1. ) label_im[mask]=
labelsPLT.matshow(img ) PLT.mat show (label _ im ) plt.show ) )。
下一步是分隔两个圆的区域。
#2circles img=circle1circle2mask=img.as type (bool ) img=
img.astype(float ) img=10.2*NP.random.randn ) img.shape ) graph=
image.img_to_graph(img，mask=mask ) graph.data=NP.exp(-graph.data/
graph.data.std () labels=spectral_clustering ) graph，n_clusters=2，
eigen_solver='arpack ' ) label_im=NP.full(mask.shape，-1. ) label_im[mask]=
labelsPLT.matshow(img ) PLT.mat show (label _ im ) plt.show ) )。
更多详情请关注微信公众号“统计学习与大数据”