`skimage.future`#

具有實驗性 API 的功能。

警告

雖然您可以指望此套件中的函式在未來會存在，但 API 可能會隨著任何版本更新而變更，並且不會遵循 skimage 的雙版本棄用路徑。因此，請謹慎使用此處的函式，並且不要在會依賴更新的 skimage 版本的產品程式碼中使用它們。

`fit_segmenter`	使用影像的標記部分和分類器進行分割。
`manual_lasso_segmentation`	根據使用滑鼠進行的自由選取傳回標籤影像。
`manual_polygon_segmentation`	根據使用滑鼠進行的多邊形選取傳回標籤影像。
`predict_segmenter`	使用預先訓練的分類器分割影像。
`TrainableSegmenter`	用於分類像素的估計器。

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

使用影像的標記部分和分類器進行分割。

參數:

labels整數的 ndarray: 標籤影像。標籤 >= 1 對應於訓練集，而標籤 0 對應於要分割的未標記像素。
featuresndarray: 特徵陣列，其第一個維度對應於特徵數量，其他維度對應於 labels.shape。
clf分類器物件: 分類器物件，公開 fit 和 predict 方法，如 scikit-learn 的 API 中所示，例如 RandomForestClassifier 或 LogisticRegression 分類器的實例。

傳回值:

clf分類器物件: 在 labels 上訓練的分類器

引發:

如果尚未擬合 self.clf，則為 NotFittedError（使用 self.fit）。

使用局部特徵和隨機森林的可訓練分割

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

根據使用滑鼠進行的自由選取傳回標籤影像。

參數:

image(M, N[, 3]) 陣列: 灰階或 RGB 影像。
alpha浮點數，選用: 繪製在影像上的多邊形的透明度值。
return_all布林值，選用: 如果為 True，則傳回包含繪製的每個獨立多邊形的陣列。（多邊形可能會重疊。）如果為 False（預設），則後來的多邊形會在重疊處「覆寫」先前的多邊形。

傳回值:

labels整數陣列，形狀為 ([Q, ]M, N): 分割的區域。如果模式為 'separate'，則陣列的前導維度對應於使用者繪製的區域數。

附註

按住滑鼠左鍵以在每個物件周圍繪製。

範例

>>> 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)[原始碼]#

根據使用滑鼠進行的多邊形選取傳回標籤影像。

參數:

image(M, N[, 3]) 陣列: 灰階或 RGB 影像。
alpha浮點數，選用: 繪製在影像上的多邊形的透明度值。
return_all布林值，選用: 如果為 True，則傳回包含繪製的每個獨立多邊形的陣列。（多邊形可能會重疊。）如果為 False（預設），則後來的多邊形會在重疊處「覆寫」先前的多邊形。

傳回值:

labels整數陣列，形狀為 ([Q, ]M, N): 分割的區域。如果模式為 'separate'，則陣列的前導維度對應於使用者繪製的區域數。

附註

使用滑鼠左鍵選擇多邊形的頂點，並在選擇所有頂點後使用滑鼠右鍵確認選取。

範例

>>> 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)[原始碼]#

使用預先訓練的分類器分割影像。

參數:

featuresndarray: 特徵陣列，其最後一個維度對應於特徵數量，其他維度與要分割的影像形狀或展平的影像相容。
clf分類器物件: 經過訓練的分類器物件，公開 predict 方法，如 scikit-learn 的 API 中所示，例如 RandomForestClassifier 或 LogisticRegression 分類器的實例。分類器必須已經過訓練，例如使用 skimage.future.fit_segmenter()。

傳回值:

outputndarray: 從分類器的預測建立的標記陣列。

使用局部特徵和隨機森林的可訓練分割

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

基礎：object

用於分類像素的估計器。

參數:

clf分類器物件，選用: 分類器物件，公開 fit 和 predict 方法，如 scikit-learn 的 API 中所示，例如 RandomForestClassifier 或 LogisticRegression 分類器的實例。
features_func函式，選用: 在影像的所有像素上計算特徵的函式，要傳遞給分類器。輸出應具有形狀 (m_features, *labels.shape)。如果為 None，則使用 skimage.feature.multiscale_basic_features()。

方法

`fit`(image, labels)	使用部分標記（註釋）的影像來訓練分類器。
`predict`(image)	使用經過訓練的內部分類器分割新影像。

compute_features

__init__(clf=None, features_func=None)[原始碼]#

compute_features(image)[原始碼]#

fit(image, labels)[原始碼]#

使用部分標記（註釋）的影像來訓練分類器。

參數:

imagendarray: 輸入影像，它可以是灰階或多通道，並且必須具有與 self.features_func 相容的維度數。
labels整數的 ndarray: 標記過的陣列，形狀與 image 相容（單通道影像的形狀相同）。標籤 >= 1 對應到訓練集，標籤 0 對應到要分割的未標記像素。

predict(image)[原始碼]#

使用經過訓練的內部分類器分割新影像。

參數:

imagendarray: 輸入影像，它可以是灰階或多通道，並且必須具有與 self.features_func 相容的維度數。

引發:

如果尚未擬合 self.clf，則為 NotFittedError（使用 self.fit）。

skimage.future#

`skimage.future`#