Python skimage.segmentation.slic用法及代码示例

用法: skimage.segmentation.slic(image, n_segments=100, compactness=10.0, max_num_iter=10, sigma=0, spacing=None, multichannel=True, convert2lab=None, enforce_connectivity=True, min_size_factor=0.5, max_size_factor=3, slic_zero=False, start_label=1, mask=None, *, channel_axis=- 1)

使用颜色-(x,y,z) 空间中的k-means 聚类分割图像。

参数：

image：2D、3D 或 4D ndarray: 输入图像，可以是 2D 或 3D，灰度或多通道(参见channel_axis 参数)。输入图像必须是NaN-free 或者必须屏蔽 NaN
n_segments：int 可选: 分割输出图像中的(近似)标签数。
compactness：浮点数，可选: 平衡颜色接近度和空间接近度。较高的值赋予空间接近度更多的权重，使超像素形状更加方形/立方体。在 SLICO 模式下，这是初始紧凑性。该参数很大程度上取决于图像对比度和图像中对象的形状。我们建议在对数范围内探索可能的值，例如 0.01、0.1、1、10、100，然后再围绕选定的值进行优化。
max_num_iter：int 可选: k-means 的最大迭代次数。
sigma：浮点数或 array-like 个浮点数，可选: 对图像的每个维度进行预处理的高斯平滑核的宽度。在标量值的情况下，相同的 sigma 应用于每个维度。零表示没有平滑。注意西格玛如果它是标量并且提供了手动体素间距，则会自动缩放(请参阅注释部分)。如果 sigma 是array-like，它的大小必须匹配image的空间维数。
spacing：array-like 个浮点数，可选: 沿每个空间维度的体素间距。默认情况下， slic 假定间距一致(沿每个空间维度具有相同的体素分辨率)。此参数控制k-means 聚类期间沿空间维度的距离权重。
multichannel：布尔型，可选: 图像的最后一个轴是否被解释为多个通道或另一个空间维度。不推荐使用此参数：改为指定 channel_axis。
convert2lab：布尔型，可选: 在分割之前是否应将输入转换为 Lab 颜色空间。输入图像必须是RGB。强烈推荐。此选项默认为True当channel_axis` is not None *and* ``image.shape[-1] == 3.
enforce_connectivity：布尔型，可选: 生成的段是否连接
min_size_factor：浮点数，可选: 要删除的最小段大小相对于假定段大小的比例`depth*width*height/n_segments`
max_size_factor：浮点数，可选: 最大连接段大小的比例。在大多数情况下，值 3 有效。
slic_zero：布尔型，可选: 运行SLIC-zero，SLIC的零参数模式。 [2]
start_label：int 可选: 标签的索引开始。应该是 0 或 1。
mask：ndarray，可选: 如果提供，则仅在掩码为 True 的情况下计算超像素，并且种子点使用 k-means 聚类策略均匀分布在掩码上。掩码维数必须等于图像空间维数。
channel_axis：int 或无，可选: 如果为 None，则假定图像是灰度(单通道)图像。否则，此参数指示数组的哪个轴对应于通道。

labels：2D 或 3D 阵列: 指示段标签的整数掩码。

其他参数：

max_iter：DEPRECATED: 已弃用以支持max_num_iter。
multichannel：DEPRECATED: 已弃用以支持channel_axis。

抛出：

ValueError: 如果 convert2lab 设置为 True 但最后一个数组维度的长度不是 3。
ValueError: 如果 start_label 不是 0 或 1。

注意：

如果西格玛 > 0，图像在分割之前使用高斯核进行平滑处理。
如果西格玛是标量并且间距提供，内核宽度沿每个维度除以间距。例如，如果sigma=1和spacing=[5, 1, 1], 有效西格玛是[0.2, 1, 1].这确保了各向异性图像的合理平滑。
在处理之前，图像被重新缩放到 [0, 1] 中。
默认情况下，形状 (M, N, 3) 的图像被解释为 2D RGB 图像。要将它们解释为最后一维长度为 3 的 3D，请使用channel_axis=无.
start_label引入处理问题[4].标签索引默认从 1 开始。

参考：

1: Radhakrishna Achanta, Appu Shaji, Kevin Smith, Aurelien Lucchi, Pascal Fua, and Sabine Süsstrunk, SLIC Superpixels Compared to State-of-the-art Superpixel Methods, TPAMI, May 2012. DOI:10.1109/TPAMI.2012.120
2: https://www.epfl.ch/labs/ivrl/research/slic-superpixels/#SLICO
3: Irving, Benjamin. “maskSLIC: regional superpixel generation with application to local pathology characterisation in medical images.”, 2016, arXiv:1606.09518
4: https://github.com/scikit-image/scikit-image/issues/3722

例子：

>>> from skimage.segmentation import slic
>>> from skimage.data import astronaut
>>> img = astronaut()
>>> segments = slic(img, n_segments=100, compactness=10)

增加紧凑性参数会产生更多方形区域：

>>> segments = slic(img, n_segments=100, compactness=20)

相关用法

注：本文由纯净天空筛选整理自scikit-image.org大神的英文原创作品 skimage.segmentation.slic。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

其他参数：

抛出：

注意：

参考：

例子：