Стремитесь к обучению: обработка изображений с помощью машинного обучения и Python

Из моего предыдущего поста мы смогли сегментировать изображения на основе нескольких подходов, таких как обнаружение blob и подключенные компоненты. Вы когда-нибудь думали, что, как только эти объекты будут идентифицированы, мы действительно сможем создавать функции на основе того, как были созданы метки?

Давайте еще раз взглянем на эритроциты из моей статьи об обнаружении капель и скопируем оттуда все необходимые коды и выходные данные. Мы еще вернемся к следующему:

1. Исходное изображение
2. Этапы очистки данных
3. Сегментация изображений

Как только эти шаги будут выполнены, мы сможем перейти к части машинного обучения.

Очистка исходного изображения и данных

#library imports
import os
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.measure import label, regionprops, regionprops_table
from skimage.morphology import (erosion, dilation, closing, opening,
                                area_closing, area_opening)
from glob import glob
#Source Image
rbc = imread("medium/rbc.jpg")
#Image preprocessing and data cleaning
im2 = rgb2gray(rbc)
im2_bw = im2<0.85
img_morph = area_closing(area_opening(im2_bw, 200), 200)
imshow(img_morph)

Теперь, когда предварительная обработка завершена, мы можем приступить к сегментации клеток крови.

#initialize rbc for labeling and segmentation
rbc_files = glob('medium/rbc.jpg')
#initialize properties for features
properties = ['area', 'centroid', 'convex_area',
              'bbox', 'bbox_area', 'eccentricity', 'equivalent_diameter',
              'extent', 'filled_area',
              'major_axis_length', 'minor_axis_length',
              'perimeter', 'orientation', 'solidity']
clean_rbc = []  # List of two tuples (img, regionprops)
fig = plt.figure(figsize=(20, 20))
file_count = len(rbc_files)
thres = 0.4
no_col = 6
no_row = int(np.ceil(file_count * 2 / no_col))
gs = gridspec.GridSpec(no_row, no_col)
for i, file in enumerate(rbc_files):
#Show images
#Subplot was made to be able to adjust to same image prefixes with different shots (ex. rbc_1, rbc_2, etc.)
img = imread(file)
    fn = file.split()[-1].split('.')[0]
    ax0 = fig.add_subplot(gs[i * 2])
    ax1 = fig.add_subplot(gs[i * 2 + 1])
    ax0.axis('off')
    ax1.axis('off')
# Display Threshold Image
    ax0.imshow(img)
    ax0.set_title(fn)
    
    # Get region properties of image
    img_label = label(img_morph)
    df_regions = pd.DataFrame(regionprops_table(img_label,
                                                properties=properties))
    
    # Filter regions using area
    area_thres = df_regions.convex_area.mean()/3
    df_regions = df_regions.loc[df_regions.convex_area > area_thres]
    
    mask_equal_height = ((df_regions['bbox-2'] - df_regions['bbox-0'])
                         != img_label.shape[0])
    mask_equal_width = ((df_regions['bbox-3'] - df_regions['bbox-1'])
                         != img_label.shape[1])
    df_regions = df_regions.loc[mask_equal_height & mask_equal_width]
# Compute for Derived features
    y0, x0 = df_regions['centroid-0'], df_regions['centroid-1']
    orientation = df_regions.orientation
    x1 = (x0 + np.cos(df_regions.orientation) * 0.5
          * df_regions.minor_axis_length)
    y1 = (y0 - np.sin(df_regions.orientation) * 0.5
          * df_regions.minor_axis_length)
    x2 = (x0 - np.sin(df_regions.orientation) * 0.5
          * df_regions.major_axis_length)
    y2 = (y0 - np.cos(df_regions.orientation) * 0.5
          * df_regions.major_axis_length)
df_regions['major_length'] = np.sqrt((x2 - x0)**2 + (y2 - y0)**2)
    df_regions['minor_length'] = np.sqrt((x1 - x0)**2 + (y1 - y0)**2)
    df_regions['circularity'] = (4 * np.pi * df_regions.filled_area
                                 / (df_regions.perimeter ** 2))
    
    # Display segmented image
    ax1.imshow(img_label)
    ax1.set_title(f'{fn} segmented: {df_regions.shape[0]}')
    
    df_regions['target']='target'
    clean_rbc.append(df_regions)

Затем мы можем преобразовать идентифицированные регионы в Pandas DataFrame.

#You can concatenate different types of "clean_rbc" lists as a dataframe using these codes
df_rbc = pd.concat([*clean_rbc])
#Retain necessary features
req_feat = ['area', 'convex_area', 'bbox_area', 'eccentricity',
            'equivalent_diameter', 'extent', 'filled_area',
            'perimeter',
            'solidity', 'major_length', 'minor_length',
            'circularity', 'target']
df_rbc = df_rbc[req_feat]

Что касается машинного обучения, я буду использовать Pycaret, чтобы упростить процесс машинного обучения. Давайте создадим пример регрессии с circularity в качестве целевой переменной с разбиением 75–25

#where the magic happens
from pycaret.regression import *
df_pycaret = setup(data = df_rbc, target = 'circularity',
                  numeric_features=['area', 'convex_area', 'bbox_area', 'eccentricity',
            'equivalent_diameter', 'extent', 'filled_area','perimeter',
            'solidity', 'major_length', 'minor_length'], train_size = 0.75)
compare_models()

С начальными результатами Pycaret, регрессор дополнительных деревьев является наиболее эффективной моделью для этого набора данных. Давайте попробуем настроить его с помощью еще пары строк кода.

et = create_model('et')
tuned_et = tune_model(et,choose_better=True)

На основе сгенерированных моделей Pycaret предлагает сохранить исходную сгенерированную модель регрессора Extra Trees, поскольку она обеспечивает более высокое значение R-квадрата (если мы собираемся использовать это в качестве основного показателя). С другой стороны, если R-квадрат не обязательно является метрикой, которую вы выбрали, то оптимальным вариантом будут настроенные дополнительные деревья.

И вот оно! Машинное обучение в сочетании с обработкой изображений

Заинтересованы в моей работе? Вы можете увидеть больше историй в моем профиле