使用k均值在图像之间的差异上标记0和1

时间:2019-03-24 15:05:17

标签: python machine-learning cluster-analysis k-means unsupervised-learning

我有两个数组X和Y,我想用k均值来确定像素在图像X和Y之间的变化。

我可以简单地在它们之间进行区分,然后说:零为零,不变,大于零的地方为零。但是我的要求是使用k均值。

说,我有以下图像:

imX = np.array([
    [154, 157, 157, 157, 150, 150, 170, 170, 175, 190],
    [154, 157, 157, 151, 153, 155, 180, 180, 170, 190],
    [154, 157, 150, 154, 160, 160, 160, 155, 155, 165],
    [157, 157, 148, 148, 148, 160, 150, 155, 155, 165],
    [100, 102, 104, 157, 142, 180, 170, 165, 10, 20],
    [100, 103, 105, 165, 155, 180, 175, 162, 40, 50],
    [100, 102, 108, 132, 180, 180, 172, 167, 25, 63],
    [18, 28, 48, 12, 13, 20, 5, 15, 30, 40],
    [15, 36, 46, 18, 21, 22, 28, 32, 30, 36],
    [17, 21, 24, 26, 35, 45, 28, 30, 40, 20]
])

imY = np.array([
    [152, 156, 157, 156, 149, 150, 170, 160, 175, 190],
    [154, 159, 157, 151, 153, 155, 180, 180, 170, 190],
    [153, 157, 155, 154, 160, 160, 160, 155, 155, 165],
    [157, 157, 148, 148, 148, 160, 150, 155, 155, 165],
    [101, 102, 104, 159, 143, 180, 170, 165, 110, 220],
    [99, 103, 105, 164, 155, 179, 175, 162, 240, 250],
    [100, 102, 108, 132, 180, 180, 172, 167, 155, 163],
    [118, 123, 148, 129, 109, 120, 155, 215, 140, 180],
    [156, 136, 210, 218, 175, 122, 128, 232, 180, 156],
    [178, 231, 245, 226, 215, 145, 188, 230, 170, 140],
])
  

因此使用k均值执行此操作,系统要求我对数据进行归一化,即对两个图像之间的归一化差值:

diff = abs(imX-imY)
normDiff = (diff - diff.min()) / (diff.max() - diff.min())

现在,我不知道如何使用sklearn的k均值标记更改为1和0的像素值,否则,来自社区的任何线索?

当模型适合归一化图像差异但无济于事时,我探索了.labels_和.cluster_centers。有提示吗?

1 个答案:

答案 0 :(得分:0)

我认为这不是一项很好的任务...

无论如何,这个想法可能是将变化量化为两个bin.n的所有差异都非常大,就像一个平坦的(n,1)数据集(n = h * w)。以k = 2运行k-means以获得标签。选择均值较大的标签为1,其他均值为0。获取标签数组并将其重新整形为(w,h)以获取2d图像。应该非常简单。