Ctrl+K

PatchExtractor#

class sklearn.feature_extraction.image.PatchExtractor(*, patch_size=None, max_patches=None, random_state=None)[源代码]#

从图像集合中提取补丁。

阅读更多的 User Guide .

Added in version 0.9.

参数:
patch_sizeint（patch_height，patch_root）的多元组，默认=无

一个补丁的尺寸。如果设置为无，补丁大小将自动设置为 (img_height // 10, img_width // 10) ，在哪里 img_height 和 img_width 是输入图像的尺寸。

max_patchesint或float，默认=无

每张图像要提取的最大补丁数。如果 max_patches 是（0，1）中的浮点数，它表示面片总数的一部分。如果设置为“无”，则提取所有可能的面片。

random_stateint，RandomState实例，默认=无

确定用于随机采样的随机数生成器 max_patches is not None .使用int使随机性具有确定性。看到 Glossary .

参见

reconstruct_from_patches_2d

重建图像从所有的补丁。

注意到

该估计器是无状态的，不需要进行调整。不过，我们建议致电 fit_transform 而不是 transform ，因为参数验证仅在 fit .

示例

>>> from sklearn.datasets import load_sample_images
>>> from sklearn.feature_extraction import image
>>> # Use the array data from the second image in this dataset:
>>> X = load_sample_images().images[1]
>>> X = X[None, ...]
>>> print(f"Image shape: {X.shape}")
Image shape: (1, 427, 640, 3)
>>> pe = image.PatchExtractor(patch_size=(10, 10))
>>> pe_trans = pe.transform(X)
>>> print(f"Patches shape: {pe_trans.shape}")
Patches shape: (263758, 10, 10, 3)
>>> X_reconstructed = image.reconstruct_from_patches_2d(pe_trans, X.shape[1:])
>>> print(f"Reconstructed shape: {X_reconstructed.shape}")
Reconstructed shape: (427, 640, 3)
fit(X, y=None)[源代码]#

仅验证估计量的参数。

该方法允许：（i）验证估计器的参数，以及（ii）与scikit-learn Transformer API一致。

参数:
X形状的nd数组（n_samples、Image_height、Image_宽度）或 （n_samples、图像_height、图像_宽度、n_channels）

从中提取补丁的图像阵列。对于彩色图像，最后一个维度指定通道：GB图像将具有 n_channels=3 .

y忽视

未使用，按照惯例，为了API一致性而存在。

返回:
self对象

返回实例本身。

fit_transform(X, y=None, **fit_params)[源代码]#

适应数据，然后对其进行转换。

适合变压器 X 和 y 具有可选参数 fit_params 并返回的转换版本 X .

参数:
X形状类似阵列（n_samples，n_features）

输入样本。

y形状为（n_samples，）或（n_samples，n_outputs）的阵列状， 默认值=无

目标值（无监督转换）。

**fit_paramsdict

其他适合参数。

返回:
X_newndray形状数组（n_samples，n_features_new）

变形的数组。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

返回:
routingMetadataRequest

A MetadataRequest 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:
deep布尔，默认=True

如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:
paramsdict

参数名称映射到其值。

set_output(*, transform=None)[源代码]#

设置输出容器。

看到 介绍 set_output API 了解如何使用API的示例。

参数:
transform{“默认”，“pandas”，“polars”}，默认=无

配置输出 transform 和 fit_transform .

  • "default" ：Transformer的默认输出格式

  • "pandas" ：DataFrame输出

  • "polars" ：两极输出

  • None ：转换配置不变

Added in version 1.4: "polars" 添加了选项。

返回:
self估计器实例

估计实例。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:
**paramsdict

估计参数。

返回:
self估计器实例

估计实例。

transform(X)[源代码]#

将图像样本转换为 X 转换为补丁数据矩阵。

参数:
X形状的nd数组（n_samples、Image_height、Image_宽度）或 （n_samples、图像_height、图像_宽度、n_channels）

从中提取补丁的图像阵列。对于彩色图像，最后一个维度指定通道：GB图像将具有 n_channels=3 .

返回:
patches形状数组（n_patches、patch_height、patch_宽度）或 （n_patches、patches_height、patch_宽度、n_channels）

从图像中提取的补丁集合，其中 n_patches 要么是 n_samples * max_patches 或可以提取的补丁总数。

On this page