Mapas de probabilidad

APOC se basa en pyclesperanto y sklearn.

Comencemos cargando una imagen de ejemplo y algunos datos de verdad terreno:

from skimage.io import imread, imshow, imsave
import matplotlib.pyplot as plt
import numpy as np
import apoc

image = imread('blobs.tif')
imshow(image)

<matplotlib.image.AxesImage at 0x25fc553f9a0>

do_manual_annotation = False

if do_manual_annotation: # puedes usar esto para hacer anotaciones manuales
    import napari

    # iniciar napari
    viewer = napari.Viewer()
    napari.run()

    # agregar imagen
    viewer.add_image(image)

    # agregar una capa de etiquetas vacía y mantenerla en una variable
    labels = np.zeros(image.shape).astype(int)
    viewer.add_labels(labels)
    
else:
    labels = imread('annotations_3class.tif')

manual_annotations = labels
if do_manual_annotation:
    imsave('annotations_3class.tif', manual_annotations)

from skimage.io import imshow
imshow(manual_annotations, vmin=0, vmax=3)

C:\Users\rober\miniconda3\envs\bio_38\lib\site-packages\skimage\io\_plugins\matplotlib_plugin.py:150: UserWarning: Low image data range; displaying image with stretched contrast.
  lo, hi, cmap = _get_display_range(image)

<matplotlib.image.AxesImage at 0x25fc565c5e0>

Entrenamiento

Ahora entrenamos un PixelClassifier, que internamente es un RandomForestClassifier de scikit-learn. Después del entrenamiento, el clasificador se convertirá a código OpenCL compatible con clij y se guardará en el disco bajo un nombre de archivo dado.

# definir características: imagen original, una versión borrosa y una imagen de bordes
features = "original gaussian_blur=2 sobel_of_gaussian_blur=2"

# aquí es donde se guardará el modelo
cl_filename = 'my_model.cl'

output_probability_of_class = 3

apoc.erase_classifier(cl_filename)
clf = apoc.ProbabilityMapper(opencl_filename=cl_filename, output_probability_of_class=output_probability_of_class)
clf.train(features, manual_annotations, image)

Predicción

El clasificador puede entonces ser utilizado para clasificar todos los píxeles en la imagen dada. El punto de partida es nuevamente el conjunto de características. Por lo tanto, el usuario debe asegurarse de que se utilicen las mismas características para el entrenamiento y la predicción.

result = clf.predict(image=image)
imshow(result)

<matplotlib.image.AxesImage at 0x25fc5770670>

Entrenamiento / predicción para otras clases

Ahora entrenaremos nuevamente y mostraremos la probabilidad de otra clase

output_probability_of_class = 2

apoc.erase_classifier(cl_filename)
clf = apoc.ProbabilityMapper(opencl_filename=cl_filename, output_probability_of_class=output_probability_of_class)
clf.train(features, manual_annotations, image)

result = clf.predict(image=image)
imshow(result)

<matplotlib.image.AxesImage at 0x25fc57d9d30>

output_probability_of_class = 1

apoc.erase_classifier(cl_filename)
clf = apoc.ProbabilityMapper(opencl_filename=cl_filename, output_probability_of_class=output_probability_of_class)
clf.train(features, manual_annotations, image)

result = clf.predict(image=image)
imshow(result)

<matplotlib.image.AxesImage at 0x25fc58484c0>