ヒステリシスしきい値とは何ですか? Pythonでscikit-learnを使用してどのように達成できますか?
ヒステリシスとは、結果の遅延効果を指します。しきい値に関して、ヒステリシスとは、特定の低いしきい値または高いしきい値を超える領域を指します。エリアを指します 本質的に非常に自信があります。
ヒステリシスの助けを借りて、画像内のオブジェクトのエッジの外側のノイズを無視できます。
scikit-learnライブラリを使用してヒステリシスしきい値を達成する方法を見てみましょう:
例
import matplotlib.pyplot as plt from skimage import data, filters fig, ax = plt.subplots(nrows=2, ncols=2) orig_img = data.coins() edges = filters.sobel(orig_img) low = 0.1 high = 0.4 lowt = (edges > low).astype(int) hight = (edges > high).astype(int) hyst = filters.apply_hysteresis_threshold(edges, low, high) ax[0, 0].imshow(orig_img, cmap='gray') ax[0, 0].set_title('Original image') ax[0, 1].imshow(edges, cmap='magma') ax[0, 1].set_title('Sobel edges') ax[1, 0].imshow(lowt, cmap='magma') ax[1, 0].set_title('Low threshold') ax[1, 1].imshow(hight + hyst, cmap='magma') ax[1, 1].set_title('Hysteresis threshold') for a in ax.ravel(): a.axis('off') plt.tight_layout() plt.show()
出力
説明
-
必要なライブラリがインポートされます。
-
サブプロット機能は、コンソールに画像をプロットする前にプロット領域を設定するために使用されます。
-
scikit-learnパッケージにすでに存在する「コイン」データが入力として使用されます。
-
「sobel」フィルターは、入力の「sobel」画像を取得するために使用されます。ここで、結果の画像ではエッジが強調されます
-
関数「apply_hysteresis_threshold」は、特定のしきい値の上下の値を取得するために使用されます。
-
このデータは、関数「imshow」を使用してコンソールに表示されます。
-
PythonでSeabornを使用して線形関係を視覚化するにはどうすればよいですか?
Seabornは、データの視覚化に役立つライブラリです。カスタマイズされたテーマと高レベルのインターフェースが付属しています。 回帰モデルが構築されているとき、多重共線性がチェックされます。これは、連続変数のすべての異なる組み合わせの間に存在する相関関係を理解する必要があるためです。変数間に多重共線性が存在する場合は、それがデータから削除されていることを確認する必要があります。ここで、「regpot」と「implot」の機能が機能します。これらは、線形回帰における変数間の線形関係を視覚化するのに役立ちます。 「regplot」関数は、さまざまな形式の変数「x」と「y」の値を受け入れます。こ
-
Pythonでscikit-learnを使用して画像の輪郭を見つける方法は?
Scikit-learnは、一般にsklearnとして知られ、機械学習アルゴリズムを実装する目的で使用されるPythonのライブラリです。オープンソースのライブラリであるため、無料でご利用いただけます。このライブラリは、Numpy、SciPy、およびMatplotlibライブラリに基づいて構築されています。 「正方形をマーチング」する方法は、画像の輪郭を見つけるために使用されます。 「skimage」ライブラリの「measure」クラスにある関数「find_contours」が使用されます。この場合、配列に存在する値は線形に補間されます。 このようにして、出力画像の輪郭の精度が大幅に向上し