scikit-learn - 在训练之前或作为基于像素的分类的后处理执行的图形切割

Question

我目前正在使用 Scikit-learn 中实现的简单监督分类器对图像执行基于像素的分类。首先将图像整形为单个像素强度的向量，然后进行训练和分类，如下所示:

from sklearn.linear_model import SGDClassifier

classifier = SGDClassifier(verbose=True)
classifier.fit(training_data, training_target)
predictions = classifier.predict(test_data)

基于像素的分类的问题在于生成的分类图像的噪声性质。为了防止它，我想使用 Graph Cut(例如 Boykov-Kolmogorov 实现)来考虑像素之间的空间上下文。但是，我在 Python(NetworkX、Graph-tool)和 C++(OpenGM 和原始实现:[1] 和 [2])中发现的实现没有显示如何从图像转到图形，除了对于在 matlab 中的 [2]，我对 Graph Cut 和 matlab 都不太熟悉。

所以我的问题基本上是如何将图形切割集成到之前的分类中(例如在训练之前或作为后处理)？

我查看了 Scikit-image ( here ) 中的图形算法，但这些算法仅适用于具有离散值的 RGB 图像，而我的像素值是连续的。

Answer 1

我找到了这个 image restoration tutorial这或多或少是我想要的。此外，您使用 Python 库包装器 (PyMaxflow) 调用 maxflow 算法对图进行分区。

它从左边的噪声图像开始，考虑像素之间的空间约束，得到右边的二值图像。