python 图像增强_使用Python进行图像处理—图像分割的无监督学习

到目前为止，我们使用的大多数技术都要求我们通过其特征手动分割图像。

但是我们实际上可以使用无监督的聚类算法为我们完成此任务。在本文中，我们将讨论如何做到这一点。

让我们开始吧！

导入所需的Python库

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import Axes3D

from matplotlib import colors

from skimage.color import rgb2gray, rgb2hsv, hsv2rgb

from skimage.io import imread, imshow

from sklearn.cluster import KMeans

太好了，让我们现在导入将要使用的图像。

dog = imread('beach_doggo.PNG')

plt.figure(num=None, figsize=(8, 6), dpi=80)

imshow(dog);

def image_to_pandas(image):

df = pd.DataFrame([image[:,:,].flatten(),

image[:,:,1].flatten(),

image[:,:,2].flatten()]).T

df.columns = [‘Red_Channel’,’Green_Channel’,’Blue_Channel’]

return df

df_doggo = image_to_pandas(dog)

df_doggo.head(5)

这使得图像的操作更加简单，因为更容易将其视为可以输入到机器学习算法中的数据。

在我们的实例中，我们将使用K-means算法对图像进行聚类。

plt.figure(num=None, figsize=(8, 6), dpi=80)

kmeans = KMeans(n_clusters= 4, random_state = 42).fit(df_doggo)

result = kmeans.labels_.reshape(dog.shape[],dog.shape[1])

imshow(result, cmap='viridis')

plt.show()

如我们所见，图像被分为四个不同的区域。让我们分别可视化每个区域。

fig, axes = plt.subplots(2,2, figsize=(12, 12))

for n, ax in enumerate(axes.flatten()):

ax.imshow(result==[n], cmap='gray');

ax.set_axis_off()

fig.tight_layout()

该算法根据R，G和B像素值分割图像。当然，一个缺点是这是一种完全不受监督的学习算法。它并不特别关心任何特定群集背后的含义。作为证据，我们可以看到第二和第四簇都具有狗的突出部分(阴影部分和未阴影部分)。也许运行4个集群过多，让我们重试集群，但将集群数设置为3。

太好了，我们可以看到狗是一个整体。现在让我们看看如果将每个聚类作为单独的蒙版应用于图像会发生什么。

fig, axes = plt.subplots(1,3, figsize=(15, 12))

for n, ax in enumerate(axes.flatten()):

dog = imread('beach_doggo.png')

dog[:, :, ] = dog[:, :, ]*(result==[n])

dog[:, :, 1] = dog[:, :, 1]*(result==[n])

dog[:, :, 2] = dog[:, :, 2]*(result==[n])

ax.imshow(dog);

ax.set_axis_off()

fig.tight_layout()

我们可以看到，该算法生成了三个不同的簇，即沙子，生物和天空。当然，算法本身对这些簇并不十分在意，只是它们共享相似的RGB值。要由人类来解释这些簇。

在我们离开之前，我认为如果简单地将其绘制在3D图形上，则对实际显示我们的图像会有所帮助。

def pixel_plotter(df):

x_3d = df['Red_Channel']

y_3d = df['Green_Channel']

z_3d = df['Blue_Channel']

color_list = list(zip(df['Red_Channel'].to_list(),

df['Blue_Channel'].to_list(),

df['Green_Channel'].to_list()))

norm = colors.Normalize(vmin=,vmax=1.)

norm.autoscale(color_list)

p_color = norm(color_list).tolist()

fig = plt.figure(figsize=(12,10))

ax_3d = plt.axes(projection='3d')

ax_3d.scatter3D(xs = x_3d, ys = y_3d, zs = z_3d,

c = p_color, alpha = 0.55);

ax_3d.set_xlim3d(, x_3d.max())

ax_3d.set_ylim3d(, y_3d.max())

ax_3d.set_zlim3d(, z_3d.max())

ax_3d.invert_zaxis()

ax_3d.view_init(-165, 60)

pixel_plotter(df_doggo)

我们应该记住，这实际上是算法定义“紧密度”的方式。如果我们将K-Means算法应用于该图，则其分割图像的方式将变得非常清晰。

df_doggo['cluster'] = result.flatten()

def pixel_plotter_clusters(df):

x_3d = df['Red_Channel']

y_3d = df['Green_Channel']

z_3d = df['Blue_Channel']

fig = plt.figure(figsize=(12,10))

ax_3d = plt.axes(projection='3d')

ax_3d.scatter3D(xs = x_3d, ys = y_3d, zs = z_3d,

c = df['cluster'], alpha = 0.55);

ax_3d.set_xlim3d(, x_3d.max())

ax_3d.set_ylim3d(, y_3d.max())

ax_3d.set_zlim3d(, z_3d.max())

ax_3d.invert_zaxis()

ax_3d.view_init(-165, 60)

pixel_plotter_clusters(df_doggo)

结论

K-Means算法是一种流行的无监督学习算法，任何数据科学家都可以轻松使用它。虽然它很简单，但对于像素差异非常明显的图像来说，它的功能非常强大。在以后的文章中，我们将介绍其他机器学习算法，我们可以用于图像分割以及微调超参数。但现在，我希望你可以在自己的任务中使用这种方法。

【飞马会】

▼