PatchExtractor#

class sklearn.feature_extraction.image.PatchExtractor(*, patch_size=None, max_patches=None, random_state=None)[Quelle]#

Extrahiert Patches aus einer Sammlung von Bildern.

Mehr dazu im Benutzerhandbuch.

Hinzugefügt in Version 0.9.

Parameter:

patch_sizetuple of int (patch_height, patch_width), default=None: Die Dimensionen eines Patches. Wenn auf None gesetzt, wird die Patch-Größe automatisch auf (img_height // 10, img_width // 10) gesetzt, wobei img_height und img_width die Dimensionen der Eingabebilder sind.
max_patchesint or float, default=None: Die maximale Anzahl von Patches pro Bild, die extrahiert werden sollen. Wenn max_patches ein Float in (0, 1) ist, wird dies als Anteil an der Gesamtzahl der Patches verstanden. Wenn auf None gesetzt, werden alle möglichen Patches extrahiert.
random_stateint, RandomState instance, default=None: Bestimmt den Zufallszahlengenerator, der für die zufällige Stichprobenentnahme verwendet wird, wenn max_patches is not None ist. Verwenden Sie eine Ganzzahl, um die Zufälligkeit deterministisch zu machen. Siehe Glossar.

Siehe auch

reconstruct_from_patches_2d: Rekonstruiert ein Bild aus all seinen Patches.

Anmerkungen

Dieser Schätzer ist zustandslos und muss nicht trainiert werden. Wir empfehlen jedoch, fit_transform anstelle von transform aufzurufen, da die Parameterprüfung nur in fit durchgeführt wird.

Beispiele

>>> from sklearn.datasets import load_sample_images
>>> from sklearn.feature_extraction import image
>>> # Use the array data from the second image in this dataset:
>>> X = load_sample_images().images[1]
>>> X = X[None, ...]
>>> print(f"Image shape: {X.shape}")
Image shape: (1, 427, 640, 3)
>>> pe = image.PatchExtractor(patch_size=(10, 10))
>>> pe_trans = pe.transform(X)
>>> print(f"Patches shape: {pe_trans.shape}")
Patches shape: (263758, 10, 10, 3)
>>> X_reconstructed = image.reconstruct_from_patches_2d(pe_trans, X.shape[1:])
>>> print(f"Reconstructed shape: {X_reconstructed.shape}")
Reconstructed shape: (427, 640, 3)

fit(X, y=None)[Quelle]#

Validiert nur die Parameter des Schätzers.

Diese Methode ermöglicht: (i) die Validierung der Parameter des Schätzers und (ii) die Konsistenz mit der scikit-learn Transformer-API.

Parameter:

Xndarray of shape (n_samples, image_height, image_width) or (n_samples, image_height, image_width, n_channels): Array von Bildern, aus denen Patches extrahiert werden sollen. Bei Farbbildern gibt die letzte Dimension den Kanal an: ein RGB-Bild hätte n_channels=3.
yIgnoriert: Wird nicht verwendet, ist aber aus Gründen der API-Konsistenz per Konvention vorhanden.

Gibt zurück:

selfobject: Gibt die Instanz selbst zurück.

fit_transform(X, y=None, **fit_params)[Quelle]#

An Daten anpassen, dann transformieren.

Passt den Transformer an X und y mit optionalen Parametern fit_params an und gibt eine transformierte Version von X zurück.

Parameter:

Xarray-like der Form (n_samples, n_features): Eingabestichproben.
yarray-like der Form (n_samples,) oder (n_samples, n_outputs), Standardwert=None: Zielwerte (None für unüberwachte Transformationen).
**fit_paramsdict: Zusätzliche Fit-Parameter. Nur übergeben, wenn der Estimator zusätzliche Parameter in seiner fit-Methode akzeptiert.

Gibt zurück:

X_newndarray array der Form (n_samples, n_features_new): Transformiertes Array.

get_metadata_routing()[Quelle]#

Holt das Metadaten-Routing dieses Objekts.

Bitte prüfen Sie im Benutzerhandbuch, wie der Routing-Mechanismus funktioniert.

Gibt zurück:

routingMetadataRequest: Ein MetadataRequest, der Routing-Informationen kapselt.

get_params(deep=True)[Quelle]#

Holt Parameter für diesen Schätzer.

Parameter:

deepbool, default=True: Wenn True, werden die Parameter für diesen Schätzer und die enthaltenen Unterobjekte, die Schätzer sind, zurückgegeben.

Gibt zurück:

paramsdict: Parameternamen, zugeordnet ihren Werten.

set_output(*, transform=None)[Quelle]#

Ausgabecontainer festlegen.

Siehe Einführung in die set_output API für ein Beispiel zur Verwendung der API.

Parameter:

transform{“default”, “pandas”, “polars”}, default=None

Konfiguriert die Ausgabe von transform und fit_transform.

"default": Standardausgabeformat eines Transformers
"pandas": DataFrame-Ausgabe
"polars": Polars-Ausgabe
None: Die Transformationskonfiguration bleibt unverändert

Hinzugefügt in Version 1.4: Die Option "polars" wurde hinzugefügt.

Gibt zurück:

selfestimator instance: Schätzer-Instanz.

set_params(**params)[Quelle]#

Setzt die Parameter dieses Schätzers.

Die Methode funktioniert sowohl bei einfachen Schätzern als auch bei verschachtelten Objekten (wie Pipeline). Letztere haben Parameter der Form <component>__<parameter>, so dass es möglich ist, jede Komponente eines verschachtelten Objekts zu aktualisieren.

Parameter:

**paramsdict: Schätzer-Parameter.

Gibt zurück:

selfestimator instance: Schätzer-Instanz.

transform(X)[Quelle]#

Transformiert die Bildbeispiele in X in eine Matrix von Patch-Daten.

Parameter:

Xndarray of shape (n_samples, image_height, image_width) or (n_samples, image_height, image_width, n_channels): Array von Bildern, aus denen Patches extrahiert werden sollen. Bei Farbbildern gibt die letzte Dimension den Kanal an: ein RGB-Bild hätte n_channels=3.

Gibt zurück:

patchesarray of shape (n_patches, patch_height, patch_width) or (n_patches, patch_height, patch_width, n_channels): Die Sammlung von Patches, die aus den Bildern extrahiert wurden, wobei n_patches entweder n_samples * max_patches oder die Gesamtzahl der extrahierbaren Patches ist.

PatchExtractor#

Diese Seite