`skimage.future`#

具有实验性 API 的功能。

警告

虽然您可以指望此软件包中的函数在未来仍然存在，但 API 可能会随着任何版本更新而更改，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。

`fit_segmenter`	使用图像的标记部分和分类器进行分割。
`manual_lasso_segmentation`	根据使用鼠标进行的自由选择返回标签图像。
`manual_polygon_segmentation`	根据使用鼠标进行的多边形选择返回标签图像。
`predict_segmenter`	使用预训练的分类器对图像进行分割。
`TrainableSegmenter`	用于分类像素的估计器。

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

使用图像的标记部分和分类器进行分割。

参数:

labels整数的 ndarray: 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。
featuresndarray: 特征数组，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 和一个 predict 方法，如 scikit-learn 的 API 中一样，例如 RandomForestClassifier 或 LogisticRegression 分类器的实例。

返回:

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)[源代码]#

根据使用鼠标进行的自由选择返回标签图像。

参数:

image(M, N[, 3]) 数组: 灰度或 RGB 图像。
alphafloat, 可选: 在图像上绘制的多边形的透明度值。
return_allbool, 可选: 如果为 True，则返回一个包含每个单独绘制的多边形的数组。（多边形可能重叠。）如果为 False（默认），则后面的多边形在重叠处“覆盖”较早的多边形。

返回:

labels整数数组，形状为 ([Q, ]M, N): 分割的区域。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。

备注

按住鼠标左键以在每个对象周围绘制。

示例

>>> from skimage import data, future
>>> import matplotlib.pyplot as plt  
>>> camera = data.camera()
>>> mask = future.manual_lasso_segmentation(camera)  
>>> fig, ax = plt.subplots()  
>>> ax.imshow(mask)           
>>> plt.show()                

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

根据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。
alphafloat, 可选: 在图像上绘制的多边形的透明度值。
return_allbool, 可选: 如果为 True，则返回一个包含每个单独绘制的多边形的数组。（多边形可能重叠。）如果为 False（默认），则后面的多边形在重叠处“覆盖”较早的多边形。

返回:

labels整数数组，形状为 ([Q, ]M, N): 分割的区域。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。

备注

使用鼠标左键选择多边形的顶点，并在选择所有顶点后使用鼠标右键确认选择。

示例

>>> from skimage import data, future
>>> import matplotlib.pyplot as plt  
>>> camera = data.camera()
>>> mask = future.manual_polygon_segmentation(camera)  
>>> fig, ax = plt.subplots()  
>>> ax.imshow(mask)           
>>> plt.show()                

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

使用预训练的分类器对图像进行分割。

参数:

featuresndarray: 特征数组，最后一个维度对应于特征的数量，其他维度与要分割的图像的形状兼容，或者是一个展平的图像。
clf分类器对象: 经过训练的分类器对象，公开一个 predict 方法，如 scikit-learn 的 API 中一样，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:

输出ndarray: 从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)[源代码]#

基类：object

用于分类像素的估计器。

参数:

clf分类器对象，可选: 分类器对象，公开一个 fit 和一个 predict 方法，如 scikit-learn 的 API 中一样，例如 RandomForestClassifier 或 LogisticRegression 分类器的实例。
features_func函数，可选: 计算图像所有像素特征的函数，以传递给分类器。输出的形状应为 (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（注释）的图像训练分类器。
`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)[源代码]#

compute_features(image)[源代码]#

fit(image, labels)[源代码]#

使用部分标记（注释）的图像训练分类器。

参数:

imagendarray: 输入图像，可以是灰度或多通道图像，并且必须具有与 self.features_func 兼容的维度数。
labels整数的 ndarray: 与 image 兼容的标签数组（单通道图像的形状相同）。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)[源代码]#

使用训练好的内部分类器分割新图像。

参数:

imagendarray: 输入图像，可以是灰度或多通道图像，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`#