Ч а с т ь I главный редактор
жүктеу/скачать 7,26 Mb. Pdf көрінісі
|
moluch 366 ch1
| .
№ 24 (366) . Июнь 2021 г. 36 Информационные технологии Анализ изображений Алгоритм анализа изображения позволяет получить музы- кальные характеристики изображения — определить характер получаемой музыкальной композиции. Для этого, во-первых, необходимо преобразовать исходное изображение в цветовое пространство HSV. Это преобразование позволяет легко по- лучить общую характеристику каждого пикселя из изобра- жения — оттенок, насыщенность и яркость [3]. Вторая часть анализа изображения — определение преобладающего цвета. Преобладающий цвет позволит получить тональность резуль- тирующей музыкальной композиции. Для этой задачи мы ис- пользуем алгоритм кластеризации K-средних, поскольку он имеет следующие преимущества: — относительно высокая эффективность при простоте реа- лизации; — высокое качество кластеризация; — возможность распараллеливания; — существование множества модификаций. Кластеризации K-средних — это неконтролируемый метод об- учения. Если в образцах наборов данных есть метки, мы предпо- читаем использовать контролируемый метод, но в реальном мире, как правило, у нас нет меток, и поэтому мы предпочитаем методы кластеризации, которые известны как неконтролируемые ме- тоды. Цель этого алгоритма состоит в том, чтобы найти группы в данных с количеством групп, представленных переменной K [4]. Алгоритм работает итеративно, чтобы назначить каждую точку данных одной из K групп на основе предоставленных функций. Точки данных сгруппированы на основе сходства признаков. Ре- зультаты алгоритма кластеризации K-средних [5]: — центроиды кластеров K, которые можно использовать для маркировки новых данных; — метки для обучающих данных (каждая точка данных на- значается одному кластеру). Сначала считаем данные изображения, используя функцию cv2.imread из OpenCV. После того, как изображение прочитано с использованием cv2, наш цветной канал изображения ста- новится нам Blue-Green-Red. Но мы хотим, чтобы в качестве цветового канала изображения использовался красный-зеле- ный-синий, поэтому мы преобразуем его в нужный канал с по- мощью функции cv2.cvtcolor (). Теперь имеем трехмерные пара- метры в данных изображения: номер строки X, номер столбца X и номер цветового канала. Но нам не нужна отдельная инфор- мация о строках и столбцах. Кроме того, с 3D-матрицей трудно иметь дело, поэтому мы меняем изображение и делаем его дан- ными 2D-матрицы. Так как мы будем импортировать K-Means, мы можем легко использовать его, указав только n_clusters, ко- торый изначально представляет номер кластера. После этого будем использовать функцию fit(), чтобы применить алго- ритм кластеризации K-Means к нашим предварительно обрабо- танным данным изображения, и результат вернется к объектам clt. Используем функцию find_histogram(), чтобы ограничить количество гистограмм желаемым количеством кластеров. По- скольку нет необходимости находить гистограмму для всех пикселей и всей цветовой палитры, нужно ограничить ее тре- буемым количеством кластеров. жүктеу/скачать 7,26 Mb. Достарыңызбен бөлісу:
|