PatchExtractor#

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

提取图像集合中的补丁。

更多信息请参阅用户指南。

Added in version 0.9.

Parameters:

patch_sizetuple of int (patch_height, patch_width), default=None: 一个补丁的尺寸。如果设置为None，补丁尺寸将自动设置为 (img_height // 10, img_width // 10) ，其中 img_height 和 img_width 是输入图像的尺寸。
max_patchesint or float, default=None: 每个图像要提取的最大补丁数。如果 max_patches 是一个在 (0, 1) 之间的浮点数，它表示总补丁数的比例。如果设置为None，提取所有可能的补丁。
random_stateint, RandomState instance, default=None: 确定用于随机抽样的随机数生成器，当 max_patches 不为None时。使用一个整数使随机性确定。参见 Glossary 。

See also

reconstruct_from_patches_2d: 从所有补丁中重建图像。

Notes

这个估计器是无状态的，不需要拟合。然而，我们建议调用 fit_transform 而不是 transform ，因为参数验证只在 fit 中进行。

Examples

>>> from sklearn.datasets import load_sample_images
>>> from sklearn.feature_extraction import image
>>> # 使用此数据集中第二张图像的数组数据：
>>> 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)#

仅验证估计器的参数。

此方法允许：(i) 验证估计器的参数和 (ii) 与scikit-learn转换器API保持一致。

Parameters:

Xndarray of shape (n_samples, image_height, image_width) 或 (n_samples, image_height, image_width, n_channels): 从中提取补丁的图像数组。对于彩色图像，最后一个维度指定通道：RGB图像将有 n_channels=3 。
y忽略: 不使用，为保持API一致性而存在。

Returns:

selfobject: 返回实例本身。

fit_transform(X, y=None, **fit_params)#

拟合数据，然后进行转换。

将转换器拟合到 X 和 y ，并带有可选参数 fit_params ，并返回 X 的转换版本。

Parameters:

X形状为 (n_samples, n_features) 的类数组: 输入样本。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组, 默认=None: 目标值（无监督转换为 None）。
**fit_paramsdict: 其他拟合参数。

Returns:

X_new形状为 (n_samples, n_features_new) 的 ndarray 数组: 转换后的数组。

get_metadata_routing()#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

Returns:

routingMetadataRequest: MetadataRequest 封装的路由信息。

get_params(deep=True)#

获取此估计器的参数。

Parameters:

deepbool, 默认=True: 如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:

paramsdict: 参数名称映射到它们的值。

set_output(*, transform=None)#

设置输出容器。

请参阅介绍 set_output API 以了解如何使用API的示例。

Parameters:

transform{“default”, “pandas”, “polars”}, 默认=None

配置 transform 和 fit_transform 的输出。

"default" : 转换器的默认输出格式
"pandas" : DataFrame 输出
"polars" : Polars 输出
None : 转换配置不变

Added in version 1.4: "polars" 选项已添加。

Returns:

self估计器实例: 估计器实例。

set_params(**params)#

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 ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:

**paramsdict: 估计器参数。

Returns:

selfestimator instance: 估计器实例。

transform(X)#

将 X 中的图像样本转换为补丁数据的矩阵。

Parameters:

X形状为 (n_samples, image_height, image_width) 或 (n_samples, image_height, image_width, n_channels) 的 ndarray: 从中提取补丁的图像数组。对于彩色图像，最后一个维度指定通道：RGB 图像将有 n_channels=3 。

Returns:

patches形状为 (n_patches, patch_height, patch_width) 或 (n_patches, patch_height, patch_width, n_channels) 的数组: 从图像中提取的补丁集合，其中 n_patches 要么是 n_samples * max_patches ，要么是可以提取的补丁总数。