當我們在做一個圖像分類任務時，首先我們會想從圖像中捕獲感興趣的區(qū)域，然后再將其輸入到模型中。讓我們嘗試一種稱為基于聚類的圖像分割技術，它會幫助我們在一定程度上提高模型性能，讓我們看看它是什么以及一些進行聚類分割的示例代碼。

想象一下我們要過馬路，過馬路之前我們會做什么？

首先，我們會看道路兩旁，以確定接近的車輛等環(huán)境對象，然后我們會對接近的車輛的速度做出一些快速的估計，并決定何時以及如何過馬路。所有這些都發(fā)生在很短的時間內，非常很的神奇。

1. 我們的大腦捕捉道路兩側的圖像

2. 它檢測道路上的車輛和其他物體==物體檢測

3. 它還確定了它檢測到的每個對象的形狀 == 圖像分割

通過確定不同物體的形狀，我們的大腦能夠在同一張快照中檢測到多個物體，這是多么神奇啊。

讓我們進一步了解，假設我們有我們的圖像分類模型，它能夠以 95% 上的準確率對蘋果和橙子進行分類。當我們輸入一幅同時包含蘋果和橙子的圖像時，預測精度會下降。隨著圖像中對象數(shù)量的增加，分類模型的性能會下降，這就是目標定位發(fā)揮作用的地方。

在我們檢測圖像中的對象并對其進行分類之前，模型需要了解圖像中的內容，這就是圖像分割的幫助所在。它為圖像中的對象創(chuàng)建一個像素級的蒙版，這有助于模型更精細地理解對象的形狀及其在圖像中的位置。

目標檢測 VS 圖像分割?

圖像分割大致分為兩大類。

1. 語義分割

2. 實例分割

檢測到的對象 — 語義段 — 實例段?

在第一張圖片中，我們可以看到檢測到的對象都是男性。在語義分割中，我們認為所有這些像素都屬于一類，因此我們用一種顏色表示它們。另一方面，在實例分割中，這些像素屬于同一類，但我們用不同的顏色表示同一類的不同實例。

根據(jù)我們使用的分割方法，分割可以分為許多類別。

• 基于區(qū)域的分割

• 基于邊緣檢測的分割

• 基于聚類的分割

• 基于CNN的分割等。

接下來讓我們看一個基于聚類的分割示例。

聚類算法用于將彼此更相似的數(shù)據(jù)點從其他組數(shù)據(jù)點更緊密地分組。

現(xiàn)在我們想象一幅包含蘋果和橙子的圖像。蘋果中的大部分像素點應該是紅色/綠色，這與橙色的像素值不同。如果我們能把這些點聚在一起，我們就能正確地區(qū)分每個物體，這就是基于聚類的分割的工作原理。現(xiàn)在讓我們看一些代碼示例。

from skimage.io import imreadfrom skimage.color import rgb2grayimport numpy as npimport matplotlib.pyplot as plt%matplotlib inlinefrom scipy import ndimage# Scaling the image pixels values within 0-1img = imread('./apple-orange.jpg') / 255plt.imshow(img)plt.title('Original')plt.show()

由于肉眼可見，圖像中有五個色段

1. 蘋果的綠色部分

2. 橙子的橙色部分

3. 蘋果和橙子底部的灰色陰影

4. 蘋果頂部和右側部分的亮黃色部分

5. 白色背景

讓我們看看我們是否可以使用來自 scikit-learn 的 K 均值算法對它們進行聚類

# For clustering the image using k-means, we first need to convert it into a 2-dimensional arrayimage_2D = img.reshape(img.shape[0]*img.shape[1], img.shape[2])# Use KMeans clustering algorithm from sklearn.cluster to cluster pixels in imagefrom sklearn.cluster import KMeans# tweak the cluster size and see what happens to the Outputkmeans = KMeans(n_clusters=5, random_state=0).fit(image_2D)clustered = kmeans.cluster_centers_[kmeans.labels_]# Reshape back the image from 2D to 3D imageclustered_3D = clustered.reshape(img.shape[0], img.shape[1], img.shape[2])plt.imshow(clustered_3D)plt.title('Clustered Image')plt.show()

效果非常好，我們能夠將五個部分組合在一起，這就是聚類分割的工作原理。目前有許多先進的技術，例如 Mask R-CNN，可以進行更細粒度的分割。

Github代碼連接：

https://github.com/Mathanraj-Sharma/sample-for-medium-article/blob/master/cluster-based-segmentation-skimage/cluster-based-segmentation.ipynb