Wyodrębnianie atrybutów z obrazów przy użyciu obrazu Scikit

Question

Używałem scikit-image do klasyfikowania funkcji dróg z pewnym sukcesem. Zobacz poniżej: . Mam problem z kolejnym krokiem, który polega na klasyfikacji funkcji. Na przykład załóżmy, że te funkcje znajdują się w polu (600, 800) i (1400, 600).

Kod używam wyodrębnić informacji jest:

from skimage import io, segmentation as seg 
color_image = io.imread(img) 
plt.rcParams['image.cmap'] = 'spectral' 
labels = seg.slic(color_image, n_segments=6, compactness=4) 

Celem jest mieć tabeli w następującej formie:

Image, feature_type, starting_pixel, ending_pixel 
001 a    (600, 600),  (1300, 700) 
002 b    (600, 600),  (1100, 700) 
002 undefined  (700, 700),  (900, 800) 

feature_type byłaby oparta na kolorach, idealnie ramiona będą miały jeden kolor, drzewa i pędzel będą inne, itp.

Jak mogę wyodrębnić dane, których potrzebuję? (to znaczy: scikit rozbija obraz na różne komponenty, w których znam położenie każdego komponentu, a następnie mogę przekazać każdy komponent do klasyfikatora, który określi, jaki jest każdy składnik) Dzięki!

Answer 1

Jest to pierwszy raz spróbować tego pakietu .. Próbowałem z prostszej obrazu i uzyskać mniej lub bardziej odpowiednie wyniki:

from skimage import io, segmentation as seg 
import matplotlib as plt 
import numpy as np 
color_image = io.imread('smallimg.jpg') 
labels = seg.slic(color_image, n_segments=4, compactness=4) 
for section in np.unique(labels): 
    rows, cols = np.where(labels == section) 
    print("Image="+str(section)) 
    print("Top-Left pixel = {},{}".format(min(rows), min(cols))) 
    print("Bottom-Right pixel = {},{}".format(max(rows), max(cols))) 
    print("---") 

wyjściowa:

Image=0 
Top-Left pixel = 3,1 
Bottom-Right pixel = 15,18 
--- 
Image=1 
Top-Left pixel = 26,1 
Bottom-Right pixel = 34,18 
--- 
Image=2 
Top-Left pixel = 43,1 
Bottom-Right pixel = 52,16 
--- 
Image=3 
Top-Left pixel = 0,0 
Bottom-Right pixel = 59,19 
--- 

Zauważ, że piksel najbardziej na prawo nie jest dokładnie tym, co mam na myśli z powodu gradientu. Ostatni segment to białe tło.

Próbowałem z Twoim obrazem, ale myślę, że będziesz musiał poprawnie dokonać segmentacji. Chciałbym użyć n_segments = 7, jeśli chcesz uzyskać 6 zdjęć + tło.

Widzę również w dokumentacji o zwartości: "Ten parametr zależy silnie od kontrastu obrazu i kształtów obiektów na obrazie.". To, czego chcesz, może być trudne do osiągnięcia.

Jeśli rysujesz sześć zdjęć na powyższym rysunku, dlaczego nie otrzymasz tych współrzędnych podczas drukowania obrazów zamiast stosowania segmentacji do wyniku końcowego?