Примечание

Перейти к концу, чтобы загрузить полный пример кода. Или запустить этот пример в вашем браузере через JupyterLite или Binder

Демонстрация иерархической кластеризации Уорда с структурой на изображении монет

Вычисление сегментации 2D изображения с помощью иерархической кластеризации Уорда. Кластеризация ограничена пространственно, чтобы каждая сегментированная область была цельной.

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

Генерация данных

from skimage.data import coins

orig_coins = coins()

Изменение размера до 20% от исходного размера для ускорения обработки. Применение гауссова фильтра для сглаживания перед уменьшением масштаба снижает артефакты алиасинга.

import numpy as np
from scipy.ndimage import gaussian_filter
from skimage.transform import rescale

smoothened_coins = gaussian_filter(orig_coins, sigma=2)
rescaled_coins = rescale(
    smoothened_coins,
    0.2,
    mode="reflect",
    anti_aliasing=False,
)

X = np.reshape(rescaled_coins, (-1, 1))

Определение структуры данных

Пиксели соединены с соседними пикселями.

from sklearn.feature_extraction.image import grid_to_graph

connectivity = grid_to_graph(*rescaled_coins.shape)

Вычисление кластеризации

import time as time

from sklearn.cluster import AgglomerativeClustering

print("Compute structured hierarchical clustering...")
st = time.time()
n_clusters = 27  # number of regions
ward = AgglomerativeClustering(
    n_clusters=n_clusters, linkage="ward", connectivity=connectivity
)
ward.fit(X)
label = np.reshape(ward.labels_, rescaled_coins.shape)
print(f"Elapsed time: {time.time() - st:.3f}s")
print(f"Number of pixels: {label.size}")
print(f"Number of clusters: {np.unique(label).size}")

Compute structured hierarchical clustering...
Elapsed time: 0.152s
Number of pixels: 4697
Number of clusters: 27

Вывод результатов на изображении

Агломеративная кластеризация способна сегментировать каждую монету. Однако, нам пришлось использовать число кластеров большее, чем количество монет, потому что сегментация находит большой кластер на фоне.

n_cluster

import matplotlib.pyplot as plt

plt.figure(figsize=(5, 5))
plt.imshow(rescaled_coins, cmap=plt.cm.gray)
for l in range(n_clusters):
    plt.contour(
        label == l,
        colors=[
            plt.cm.nipy_spectral(l / float(n_clusters)),
        ],
    )
plt.axis("off")
plt.show()

Общее время выполнения скрипта: (0 минут 0,320 секунд)

Связанные примеры

Иерархическая кластеризация: структурированный против неструктурированного Уорда

Сравнение различных методов связывания для иерархической кластеризации на наборах данных, которые "интересные", но все еще находятся в 2D

Агломеративная кластеризация с различными метриками

Агломеративная кластеризация со структурой и без неё

© 2007–2025 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.6/auto_examples/cluster/plot_coin_ward_segmentation.html