import os
import numpy as np
import cv2
from time import time
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from sklearn import datasets #手写数据集要用到
from sklearn.manifold import TSNE
#该函数是关键,需要根据自己的数据加以修改,将图片存到一个np.array里面,并且制作标签
#因为是两类数据,所以我分别用0,1来表示
def get_data(Input_path): #Input_path为你自己原始数据存储路径,我的路径就是上的'D:\lei\B100'
Image_names=os.listdir(Input_path) #获取目录下所有图片名称列表
data=np.zeros((len(Image_names),40000)) #初始化一个np.array数组用于存数据
label=np.zeros((len(Image_names),)) #初始化一个np.array数组用于存数据
#为前500个分配标签1,后500分配0
for k in range(100):
label[k]=1
#读取并存储图片数据,原图为rgb三通道,而且大小不一,先灰度化,再resize成200x200固定大小
for i in range(len(Image_names)):
image_path=os.path.join(Input_path,Image_names[i])
img=cv2.imread(image_path)
img_gray=cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
img=cv2.resize(img_gray,(200,200))
img=img.reshape(1,40000)
data[i]=img
n_samples, n_features = data.shape
return data, label, n_samples, n_features
# 下面的两个函数,
# 一个定义了二维数据,一个定义了3维数据的可视化
# 不作详解,也无需再修改感兴趣可以了解matplotlib的常见用法
#
def plot_embedding_2D(data, label, title):
x_min, x_max = np.min(data, 0), np.max(data, 0)
data = (data - x_min) / (x_max - x_min)
fig = plt.figure()
for i in range(data.shape[0]):
plt.text(data[i, 0], data[i, 1], str(label[i]),
color=plt.cm.Set1(label[i]),
fontdict={'weight': 'bold', 'size': 9})
plt.xticks([])
plt.yticks([])
plt.title(title)
return fig
def plot_embedding_3D(data,label,title):
x_min, x_max = np.min(data,axis=0), np.max(data,axis=0)
data = (data- x_min) / (x_max - x_min)
#ax = plt.figure().add_subplot(111,projection='3d')
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
for i in range(data.shape[0]):
ax.text(data[i, 0], data[i, 1], data[i,2],str(label[i]), color=plt.cm.Set1(label[i]),fontdict={'weight': 'bold', 'size': 9})
return ax
#主函数
def main():
data, label, n_samples, n_features = get_data('D:\lei\B100') #根据自己的路径合理更改
print('Begining......') #时间会较长,所有处理完毕后给出finished提示
tsne_2D = TSNE(n_components=2, init='pca', random_state=0) #调用TSNE
result_2D = tsne_2D.fit_transform(data)
tsne_3D = TSNE(n_components=3, init='pca', random_state=0)
result_3D = tsne_3D.fit_transform(data)
print('Finished......')
#调用上面的两个函数进行可视化
fig1 = plot_embedding_2D(result_2D, label,'t-SNE')
plt.show()
fig2 = plot_embedding_3D(result_3D, label,'t-SNE')
plt.show()
if __name__ == '__main__':
main()
把要下载的包下载好,路径改好之后就能直接跑,修复了t-SNE实践(可视化两个图片数据集合的差异) - 知乎 (zhihu.com)里的bug,现在不会报错了