Eine Demo der hierarchischen Ward-Clusterbildung auf einem Münzbild

Berechnen Sie die Segmentierung eines 2D-Bildes mit hierarchischer Ward-Clusterbildung. Die Clusterbildung ist räumlich so eingeschränkt, dass jede segmentierte Region ein zusammenhängendes Stück bildet.

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

Daten generieren

from skimage.data import coins

orig_coins = coins()

Verkleinern Sie es auf 20 % der Originalgröße, um die Verarbeitung zu beschleunigen. Das Anwenden eines Gaußschen Filters zur Glättung vor der Skalierung reduziert Aliasing-Artefakte.

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))

Definieren Sie die Struktur der Daten

Pixel sind mit ihren Nachbarn verbunden.

from sklearn.feature_extraction.image import grid_to_graph

connectivity = grid_to_graph(*rescaled_coins.shape)

Berechnen Sie die Clusterbildung

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: 0.229s
Number of pixels: 4697
Number of clusters: 27

Plotten Sie die Ergebnisse auf einem Bild

Die agglomerative Clusterbildung ist in der Lage, jede Münze zu segmentieren. Allerdings mussten wir eine n_cluster verwenden, die größer ist als die Anzahl der Münzen, da die Segmentierung einen großen Bereich im Hintergrund findet.

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()

Verwandte Beispiele

Hierarchisches Clustering mit und ohne Struktur

Hierarchisches Clustering mit und ohne Struktur

Vergleich verschiedener hierarchischer Linkage-Methoden auf Toy-Datensätzen

Vergleich verschiedener hierarchischer Linkage-Methoden auf Toy-Datensätzen

Agglomeratives Clustering mit verschiedenen Metriken

Agglomeratives Clustering mit verschiedenen Metriken

Vergleich verschiedener Clustering-Algorithmen auf Toy-Datensätzen

Vergleich verschiedener Clustering-Algorithmen auf Toy-Datensätzen