在训练之前或作为基于像素的分类的 post 处理进行的图形切割
Graph cut performed before training or as a post-processing to a pixel-based classification
我目前正在使用 Scikit-learn 中实现的简单监督分类器对图像进行基于像素的分类。首先将图像整形为单个像素强度的向量，然后进行训练和分类，如下所示：
from sklearn.linear_model import SGDClassifier
classifier = SGDClassifier(verbose=True)
classifier.fit(training_data, training_target)
predictions = classifier.predict(test_data)
基于像素的分类的问题在于生成的分类图像的噪声性质。为了防止它，我想使用 Graph Cut（例如 Boykov-Kolmogorov 实现）来考虑像素之间的空间上下文。但是，我在 Python (NetworkX, Graph-tool) and in C++ (OpenGM and the original implementation: [1] and [2]) 中发现的实现没有显示如何从图像到图形，除了 [2] 在 matlab 中，我真的不够熟悉Graph Cut和matlab。
所以我的问题基本上是如何将图形切割集成到之前的分类中（例如在训练之前或作为 post-处理）？
我看过 Scikit-image (here) 中的图形算法，但这些算法仅适用于具有离散值的 RGB 图像，而我的像素值是连续的。
我发现这个image restoration tutorial which does more or less what I was looking for. Besides, you use a Python library wrapper (PyMaxflow)调用maxflow算法对图进行分区。
从左边的噪声图像开始，考虑像素之间的空间约束，得到右边的二值图像。
我目前正在使用 Scikit-learn 中实现的简单监督分类器对图像进行基于像素的分类。首先将图像整形为单个像素强度的向量，然后进行训练和分类，如下所示：
from sklearn.linear_model import SGDClassifier
classifier = SGDClassifier(verbose=True)
classifier.fit(training_data, training_target)
predictions = classifier.predict(test_data)
基于像素的分类的问题在于生成的分类图像的噪声性质。为了防止它，我想使用 Graph Cut（例如 Boykov-Kolmogorov 实现）来考虑像素之间的空间上下文。但是，我在 Python (NetworkX, Graph-tool) and in C++ (OpenGM and the original implementation: [1] and [2]) 中发现的实现没有显示如何从图像到图形，除了 [2] 在 matlab 中，我真的不够熟悉Graph Cut和matlab。
所以我的问题基本上是如何将图形切割集成到之前的分类中（例如在训练之前或作为 post-处理）？
我看过 Scikit-image (here) 中的图形算法，但这些算法仅适用于具有离散值的 RGB 图像，而我的像素值是连续的。
我发现这个image restoration tutorial which does more or less what I was looking for. Besides, you use a Python library wrapper (PyMaxflow)调用maxflow算法对图进行分区。
从左边的噪声图像开始，考虑像素之间的空间约束，得到右边的二值图像。