grid_to_graph#

sklearn.feature_extraction.image.grid_to_graph(n_x, n_y, n_z=1, *, mask=None, return_as=<class 'scipy.sparse._coo.coo_matrix'>, dtype=<class 'int'>)[Quelle]#

Graph der Pixel-zu-Pixel-Verbindungen.

Kanten existieren, wenn 2 Voxel verbunden sind.

Lesen Sie mehr im Benutzerhandbuch.

Parameter:

n_xint: Dimension auf der x-Achse.
n_yint: Dimension auf der y-Achse.
n_zint, Standard=1: Dimension auf der z-Achse.
maskndarray der Form (n_x, n_y, n_z), dtype=bool, Standard=None: Eine optionale Maske des Bildes, um nur einen Teil der Pixel zu berücksichtigen.
return_asnp.ndarray oder eine sparse matrix Klasse, Standard=sparse.coo_matrix: Die Klasse, die zum Erstellen der zurückgegebenen Adjazenzmatrix verwendet werden soll.
dtypedtype, Standard=int: Die Daten der zurückgegebenen Sparse-Matrix. Standardmäßig ist es int.

Gibt zurück:

graphnp.ndarray oder eine sparse matrix Klasse: Die berechnete Adjazenzmatrix.

Beispiele

>>> import numpy as np
>>> from sklearn.feature_extraction.image import grid_to_graph
>>> shape_img = (4, 4, 1)
>>> mask = np.zeros(shape=shape_img, dtype=bool)
>>> mask[[1, 2], [1, 2], :] = True
>>> graph = grid_to_graph(*shape_img, mask=mask)
>>> print(graph)
<COOrdinate sparse matrix of dtype 'int64'
  with 2 stored elements and shape (2, 2)>
  Coords    Values
  (0, 0)    1
  (1, 1)    1

grid_to_graph#

Diese Seite