Generando pilas de características

Los algoritmos de aprendizaje automático como los Clasificadores de Bosque Aleatorio, por ejemplo, implementados en APOC utilizan pilas de características para la clasificación de píxeles. Las pilas de características son listas de imágenes del mismo tamaño (2D o 3D). APOC proporciona una función de utilidad para generar pilas de características. Toma una imagen y una cadena de especificación de características como entrada para producir una pila de características.

Comencemos cargando una imagen de ejemplo y creando una función de conveniencia para la visualización:

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

Comenzamos de nuevo con la imagen de ejemplo de manchas.

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

<matplotlib.image.AxesImage at 0x7f9ba9333580>

Además, definimos una función de utilidad para visualizar pilas de características.

def visualize(feature_stack):
    """
    Shows lists of images in rows of three
    """
    if len(feature_stack) == 0:
        return
    
    # show feature images
    width = 3
    height = int(len(feature_stack) / 3)
    if height * width < len(feature_stack):
        height = height + 1    
    
    fig, axes = plt.subplots(height, width, figsize=(10,10))

    for i, f in enumerate(feature_stack):
        if height > 1:
            axes[int(i / 3)][i % 3].imshow(f, cmap=plt.cm.gray)
        else:
            axes[i].imshow(f, cmap=plt.cm.gray)

    w = len(feature_stack) % width
    if w > 0:
        w = width - w
        while (w > 0):
            if height > 1:
                axes[-1][width - w].set_visible(False)
            else:
                axes[width - w].set_visible(False)
            w = w - 1

    plt.show()        

Pilas de características

Una pila de características es una lista de imágenes 2D o 3D, típicamente derivadas de una imagen original. Si no especificas ninguna especificación de características, se generará una pila con la imagen original, una versión borrosa y una imagen de bordes:

feature_stack = apoc.generate_feature_stack(image)

visualize(feature_stack)

También hay algunos conjuntos de características predefinidos:

for f in apoc.PredefinedFeatureSet:
    print(f)
    visualize(apoc.generate_feature_stack(image, f))

PredefinedFeatureSet.custom
PredefinedFeatureSet.small_quick

PredefinedFeatureSet.medium_quick

PredefinedFeatureSet.large_quick

PredefinedFeatureSet.small_dog_log

PredefinedFeatureSet.medium_dog_log

PredefinedFeatureSet.large_dog_log

PredefinedFeatureSet.object_size_1_to_2_px

PredefinedFeatureSet.object_size_1_to_5_px

PredefinedFeatureSet.object_size_3_to_8_px

PredefinedFeatureSet.object_size_5_to_10_px

PredefinedFeatureSet.object_size_10_to_15_px

PredefinedFeatureSet.object_size_15_to_20_px

PredefinedFeatureSet.object_size_20_to_25_px

PredefinedFeatureSet.object_size_25_to_50_px

PredefinedFeatureSet.object_size_50_to_100_px

Definiciones de características personalizadas

Además, puedes definir características específicas correspondientes a filtros clesperanto:

feature_stack = apoc.generate_feature_stack(image, "gaussian_blur=3 mean_box=3 top_hat_box=3")

visualize(feature_stack)

feature_stack = apoc.generate_feature_stack(image, "maximum_box=3 difference_of_gaussian=5 sobel=0")

visualize(feature_stack)

También puedes variar los radios / sigmas de las características:

feature_stack = apoc.generate_feature_stack(image, "gaussian_blur=1 gaussian_blur=5 gaussian_blur=10 gaussian_blur=20")

visualize(feature_stack)

Además, algunas características se pueden combinar, por ejemplo, puedes calcular el Sobel de un Gaussiano o un Laplaciano de un Gaussiano

feature_stack = apoc.generate_feature_stack(image, "sobel_of_gaussian_blur=1 sobel_of_gaussian_blur=5 sobel_of_gaussian_blur=10")

visualize(feature_stack)

feature_stack = apoc.generate_feature_stack(image, "laplace_box_of_gaussian_blur=1 laplace_box_of_gaussian_blur=5 laplace_box_of_gaussian_blur=10")

visualize(feature_stack)