← Materiały bloku: Dwa dni z uczeniem maszynowym  ·  podgląd notatnika cluster_real_demo.ipynb  ·  pobierz plik .ipynb

from collections import Counter

import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np
from sklearn.cluster import KMeans, DBSCAN, AgglomerativeClustering
from sklearn.preprocessing import StandardScaler
from sklearn.mixture import GaussianMixture

# Wyłączanie anty-aliasowania (zniekształca wykresy)
mpl.rcParams['image.interpolation'] = 'nearest'

Wczytanie obrazka, przygotowanie prostej aproksymacji RGB, 2D kostki danych (X), wykres RGB i przykładowych wektorów hiperspektralnych.

data = np.load('indian_pines.npy')
rgb = np.array(data[:, :, np.array([29, 20, 11])], float) / np.max(data)
X = np.reshape(data, (-1, data.shape[-1]))
bands = np.linspace(400, 2500, data.shape[-1])

plt.figure(figsize=(8, 4))
plt.subplot(121)
plt.imshow(rgb)
plt.axis('off')
plt.subplot(122)
for i, c in zip(np.random.choice(len(X), size=5, replace=False), 'rgbcmyk'):    
    plt.plot(bands, X[i], c=c)
plt.ylabel('Reflektancja')
plt.xlabel('Długość światła [nm]')
plt.tight_layout()
plt.show()

Wybrane przykłady algorytmów

X = StandardScaler().fit_transform(X)
plt.figure(figsize=(10, 10))
plt.subplot(221)
model = GaussianMixture(n_components=10, covariance_type="full", random_state=0)
labels = model.fit_predict(X[:, ::2])
plt.imshow(labels.reshape(data.shape[:2]), cmap=plt.cm.nipy_spectral)
plt.title('GMM n=10')
plt.subplot(222)
model = GaussianMixture(n_components=15, covariance_type="full", random_state=0)
labels = model.fit_predict(X[:, ::2])
plt.imshow(labels.reshape(data.shape[:2]), cmap=plt.cm.nipy_spectral)
plt.title('GMM n=15')
plt.subplot(223)
model = AgglomerativeClustering(n_clusters=350, linkage="single")
labels = model.fit_predict(X[:, ::4])
plt.imshow(labels.reshape(data.shape[:2]), cmap=plt.cm.nipy_spectral)
plt.title('Hierarchiczne')
plt.subplot(224)
model = DBSCAN(eps=2, min_samples=20)
labels = model.fit_predict(X[:, ::2])
plt.imshow(labels.reshape(data.shape[:2]), cmap=plt.cm.nipy_spectral)
plt.title('DBSCAN')
plt.show()

Wzorcowy obraz klas

ground_truth = np.load('gt.npy')
plt.imshow(ground_truth, cmap=plt.cm.nipy_spectral)
plt.show()