Сегментация изображения греческих монет на области

В этом примере спектральная кластеризация применяется к графу, созданному на основе различий между вокселями изображения, чтобы разделить его на несколько частично однородных областей.

Эта процедура (спектральная кластеризация изображения) представляет собой эффективное приближённое решение для поиска нормализованных разрезов графа.

Для назначения меток доступны три варианта:

• ‘kmeans’ — спектральная кластеризация группирует образцы в пространстве вложения с помощью алгоритма k-средних
• ‘discrete’ — итеративно ищет пространство разбиений, наиболее близкое к пространству вложения спектральной кластеризации.
• ‘cluster_qr’ — назначает метки с помощью QR-разложения с выбором ведущего элемента, которое напрямую определяет разбиение в пространстве вложения.

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

import time

import matplotlib.pyplot as plt
import numpy as np
from scipy.ndimage import gaussian_filter
from skimage.data import coins
from skimage.transform import rescale

from sklearn.cluster import spectral_clustering
from sklearn.feature_extraction import image

# load the coins as a numpy array
orig_coins = coins()

# Resize it to 20% of the original size to speed up the processing
# Applying a Gaussian filter for smoothing prior to down-scaling
# reduces aliasing artifacts.
smoothened_coins = gaussian_filter(orig_coins, sigma=2)
rescaled_coins = rescale(smoothened_coins, 0.2, mode="reflect", anti_aliasing=False)

# Convert the image into a graph with the value of the gradient on the
# edges.
graph = image.img_to_graph(rescaled_coins)

# Take a decreasing function of the gradient: an exponential
# The smaller beta is, the more independent the segmentation is of the
# actual image. For beta=1, the segmentation is close to a voronoi
beta = 10
eps = 1e-6
graph.data = np.exp(-beta * graph.data / graph.data.std()) + eps

# The number of segmented regions to display needs to be chosen manually.
# The current version of 'spectral_clustering' does not support determining
# the number of good quality clusters automatically.
n_regions = 26

Вычисление и визуализация полученных областей

# Computing a few extra eigenvectors may speed up the eigen_solver.
# The spectral clustering quality may also benefit from requesting
# extra regions for segmentation.
n_regions_plus = 3

# Apply spectral clustering using the default eigen_solver='arpack'.
# Any implemented solver can be used: eigen_solver='arpack', 'lobpcg', or 'amg'.
# Choosing eigen_solver='amg' requires an extra package called 'pyamg'.
# The quality of segmentation and the speed of calculations is mostly determined
# by the choice of the solver and the value of the tolerance 'eigen_tol'.
# TODO: varying eigen_tol seems to have no effect for 'lobpcg' and 'amg' #21243.
for assign_labels in ("kmeans", "discretize", "cluster_qr"):
    t0 = time.time()
    labels = spectral_clustering(
        graph,
        n_clusters=(n_regions + n_regions_plus),
        eigen_tol=1e-7,
        assign_labels=assign_labels,
        random_state=42,
    )

    t1 = time.time()
    labels = labels.reshape(rescaled_coins.shape)
    plt.figure(figsize=(5, 5))
    plt.imshow(rescaled_coins, cmap=plt.cm.gray)

    plt.xticks(())
    plt.yticks(())
    title = "Spectral clustering: %s, %.2fs" % (assign_labels, (t1 - t0))
    print(title)
    plt.title(title)
    for l in range(n_regions):
        colors = [plt.cm.nipy_spectral((l + 4) / float(n_regions + 4))]
        plt.contour(labels == l, colors=colors)
        # To view individual segments as appear comment in plt.pause(0.5)
plt.show()

# TODO: After #21194 is merged and #21243 is fixed, check which eigen_solver
# is the best and set eigen_solver='arpack', 'lobpcg', or 'amg' and eigen_tol
# explicitly in this example.

Spectral clustering: kmeans, 0.20s
Spectral clustering: discretize, 0.09s
Spectral clustering: cluster_qr, 0.07s

Общее время выполнения скрипта: (0 минут 0.709 секунды)

Download Jupyter notebook: plot_coin_segmentation.ipynb

Download Python source code: plot_coin_segmentation.py

Download zipped: plot_coin_segmentation.zip

Связанные примеры

Спектральная кластеризация для сегментации изображений

Демонстрация структурированной иерархической кластеризации Уорда на изображении монет

Визуализация структуры фондового рынка

Устранение шума на изображениях с помощью обучения словаря