`skimage.future`#

具有实验性 API 的功能。

警告

虽然您可以依赖此包中的函数在将来存在，但 API 可能会随着任何版本的更新而更改，**并且不会遵循 skimage 的双版本弃用路径**。因此，请谨慎使用此处的函数，并且不要在依赖于更新的 skimage 版本的生产代码中使用它们。

`skimage.future.fit_segmenter`	使用图像的标记部分和分类器进行分割。
`skimage.future.manual_lasso_segmentation`	基于使用鼠标进行的自由形式选择返回标签图像。
`skimage.future.manual_polygon_segmentation`	基于使用鼠标进行的多边形选择返回标签图像。
`skimage.future.predict_segmenter`	使用预训练的分类器对图像进行分割。
`skimage.future.TrainableSegmenter`	用于对像素进行分类的估计器。

skimage.future.fit_segmenter(labels, features, clf)[source]#

使用图像的标记部分和分类器进行分割。

参数：

labels整数型数组: 标签图像。标签 >= 1 对应于训练集，标签 0 对应于要分割的未标记像素。
features数组: 特征数组，其中第一维对应于特征的数量，其他维度对应于 labels.shape。
clf分类器对象: 分类器对象，公开一个 fit 方法和一个 predict 方法，如 scikit-learn 的 API 中所示，例如 RandomForestClassifier 或 LogisticRegression 分类器的实例。

返回值：

clf分类器对象: 在 labels 上训练的分类器

引发：

如果 self.clf 尚未拟合，则引发 NotFittedError（使用 self.fit）。

使用局部特征和随机森林进行可训练分割

skimage.future.manual_lasso_segmentation(image, alpha=0.4, return_all=False)[source]#

基于使用鼠标进行的自由形式选择返回标签图像。

参数：

image(M, N[, 3]) 数组: 灰度或 RGB 图像。
alpha浮点数，可选: 绘制在图像上的多边形的透明度值。
return_all布尔值，可选: 如果为 True，则返回一个包含用户绘制的每个单独多边形的数组。（多边形可能重叠。）如果为 False（默认值），则后来的多边形在其重叠的地方“覆盖”之前的多边形。

返回值：

labels整数型数组，形状 ([Q, ]M, N): 分割区域。如果模式为 ‘separate’，则数组的前导维度对应于用户绘制的区域数量。

注释

按住鼠标左键围绕每个对象绘制。

示例

>>> from skimage import data, future, io
>>> camera = data.camera()
>>> mask = future.manual_lasso_segmentation(camera)  
>>> io.imshow(mask)  
>>> io.show()  

skimage.future.manual_polygon_segmentation(image, alpha=0.4, return_all=False)[source]#

基于使用鼠标进行的多边形选择返回标签图像。

参数：

image(M, N[, 3]) 数组: 灰度或 RGB 图像。
alpha浮点数，可选: 绘制在图像上的多边形的透明度值。
return_all布尔值，可选: 如果为 True，则返回一个包含用户绘制的每个单独多边形的数组。（多边形可能重叠。）如果为 False（默认值），则后来的多边形在其重叠的地方“覆盖”之前的多边形。

返回值：

labels整数型数组，形状 ([Q, ]M, N): 分割区域。如果模式为 ‘separate’，则数组的前导维度对应于用户绘制的区域数量。

注释

使用左键单击选择多边形的顶点，使用右键单击确认所有顶点都选择后确认选择。

示例

>>> from skimage import data, future, io
>>> camera = data.camera()
>>> mask = future.manual_polygon_segmentation(camera)  
>>> io.imshow(mask)  
>>> io.show()  

skimage.future.predict_segmenter(features, clf)[source]#

使用预训练的分类器对图像进行分割。

参数：

features数组: 特征数组，其中最后一维对应于特征的数量，其他维度与要分割的图像的形状兼容，或者是一个扁平化的图像。
clf分类器对象: 训练好的分类器对象，公开一个 predict 方法，如 scikit-learn 的 API 中所示，例如 RandomForestClassifier 或 LogisticRegression 分类器的实例。分类器必须已经过训练，例如使用 skimage.future.fit_segmenter()。

返回值：

output数组: 根据分类器的预测构建的标记数组。

使用局部特征和随机森林进行可训练分割

class skimage.future.TrainableSegmenter(clf=None, features_func=None)[source]#

基类：object

用于对像素进行分类的估计器。

参数：

clf分类器对象，可选: 分类器对象，公开一个 fit 方法和一个 predict 方法，如 scikit-learn 的 API 中所示，例如 RandomForestClassifier 或 LogisticRegression 分类器的实例。
features_func函数，可选: 在图像的所有像素上计算特征的函数，传递给分类器。输出应为形状 (m_features, *labels.shape)。如果为 None，则使用 skimage.feature.multiscale_basic_features()。

方法

`fit`(image, labels)	使用部分标记（带注释）图像训练分类器。
`predict`(image)	使用训练好的内部分类器分割新图像。

compute_features

__init__(clf=None, features_func=None)[source]#

compute_features(image)[source]#

fit(image, labels)[source]#

使用部分标记（带注释）图像训练分类器。

参数：

image数组: 输入图像，可以是灰度图像或多通道图像，并且必须具有与 self.features_func 兼容的维度数。
labels整数型数组: 与 image 兼容的形状的标记数组（对于单通道图像，形状相同）。标签 >= 1 对应于训练集，标签 0 对应于要分割的未标记像素。

predict(image)[source]#

使用训练好的内部分类器分割新图像。

参数：

image数组: 输入图像，可以是灰度图像或多通道图像，并且必须具有与 self.features_func 兼容的维度数。

引发：

如果 self.clf 尚未拟合，则引发 NotFittedError（使用 self.fit）。

skimage.future#

`skimage.future`#