|
|
# Лабораторная работа 3. «Кластеризация изображений»
|
|
|
|
|
|
[назад](README.md)
|
|
|
|
|
|
В рамках данной лабораторной работы будет производится кластеризация собранных из социальной сети изображений.
|
|
|
|
|
|
## 1. Скачивание фотографий из социальной сети
|
|
|
|
|
|
При выполнении данной лабораторной работы будем использовать `vk_api` для выполнения запросов https://vk.com/dev/photos к социальной сети вконтакте.
|
|
|
|
|
|
Код загрузки фотографий приведён ниже.
|
|
|
|
|
|
```
|
|
|
import os
|
|
|
import sys
|
|
|
import vk_api
|
|
|
import urllib
|
|
|
|
|
|
LOGIN = ''
|
|
|
PASSWORD = ''
|
|
|
|
|
|
target_ids = [123124, -1212412]
|
|
|
# идентификаторы сообщества имеют отрицательные значения.
|
|
|
|
|
|
def auth_handler():
|
|
|
""" При двухфакторной аутентификации вызывается эта функция.
|
|
|
"""
|
|
|
# Код двухфакторной аутентификации
|
|
|
key = input("Enter authentication code: ")
|
|
|
# Если: True - сохранить, False - не сохранять.
|
|
|
remember_device = True
|
|
|
return key, remember_device
|
|
|
|
|
|
def main():
|
|
|
# ======= Открываем сессию с VK =======
|
|
|
vk_session = vk_api.VkApi(LOGIN, PASSWORD,
|
|
|
auth_handler=auth_handler # функция для обработки двухфакторной аутентификации
|
|
|
)
|
|
|
try:
|
|
|
vk_session.auth()
|
|
|
except vk_api.AuthError as error_msg:
|
|
|
print(error_msg)
|
|
|
#return
|
|
|
|
|
|
vk = vk_session.get_api()
|
|
|
tools = vk_api.VkTools(vk_session)
|
|
|
|
|
|
# ======= начинаем перебирать каждого пользователя =======
|
|
|
for target_id in target_ids:
|
|
|
|
|
|
# создаем директорию с именем пользователя, если нет
|
|
|
newpath = os.path.join(sys.path[0], id_user)
|
|
|
if not os.path.exists(newpath):
|
|
|
os.makedirs(newpath)
|
|
|
|
|
|
# посылаем запрос к VK API, count свой, но не более 200
|
|
|
|
|
|
if target_id >= 0:
|
|
|
# Вариант 1 - скачать все фотографии пользователя
|
|
|
response = vk.photos.getAll(owner_id=int(target_id), count=3)
|
|
|
else:
|
|
|
# Вариант 2 - скачать все фотографии сообщества
|
|
|
response = tools.get_all("photos.getAll", 100, {'owner_id': target_id})
|
|
|
|
|
|
# работаем с каждой полученной фотографией
|
|
|
for i in range(len(response["items"])):
|
|
|
# берём ссылку на максимальный размер фотографии
|
|
|
photo_url = str(response["items"][i]["sizes"][len(response["items"][i]["sizes"]) - 1]["url"])
|
|
|
|
|
|
# скачиваем фото в папку с ID пользователя
|
|
|
urllib.urlretrieve(photo_url, newpath + '/' + str(response["items"][i]['id']) + '.jpg')
|
|
|
|
|
|
|
|
|
if __name__ == "__main__":
|
|
|
main()
|
|
|
```
|
|
|
|
|
|
## 2. Кластеризация цветов на изображении
|
|
|
|
|
|
Кластерный анализ (англ. Data clustering) – задача разбиения заданной выборки объектов (ситуаций) на непересекающиеся подмножества, называемые кластерами, так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались.
|
|
|
|
|
|
В рамках данной лабораторной работы будет решаться задача кластерного анализа изображений, собранных из задания 1.
|
|
|
|
|
|
Для начала попробуем обработать одну картинку, а именно, решим задачу определения доминирующих цветов.
|
|
|
|
|
|
Американский веб-разработчик Чарльз Лейфер (Charles Leifer) использовал метод k-средних для кластеризации цветов на изображении. Идея метода при кластеризации любых данных заключается в том, чтобы минимизировать суммарное квадратичное отклонение точек кластеров от центров этих кластеров. На первом этапе выбираются случайным образом начальные точки (центры масс) и вычисляется принадлежность каждого элемента к тому или иному центру. Затем на каждой итерации выполнения алгоритма происходит перевычисление центров масс – до тех пор, пока алгоритм не сходится.
|
|
|
|
|
|
В применении к изображениям каждый пиксель позиционируется в трёхмерном пространстве RGB, где вычисляется расстояние до центров масс. Для оптимизации картинки уменьшаются до 200х200 с помощью библиотеки PIL. Она же используется для извлечения значений RGB.
|
|
|
|
|
|
```python
|
|
|
import matplotlib.pyplot as plt
|
|
|
from mpl_toolkits.mplot3d import Axes3D
|
|
|
import cv2
|
|
|
#read image
|
|
|
img = cv2.imread('colors.jpg')
|
|
|
#convert from BGR to RGB
|
|
|
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
|
|
|
#get rgb values from image to 1D array
|
|
|
r, g, b = cv2.split(img)
|
|
|
r = r.flatten()
|
|
|
g = g.flatten()
|
|
|
b = b.flatten()
|
|
|
#plotting
|
|
|
fig = plt.figure()
|
|
|
ax = Axes3D(fig)
|
|
|
ax.scatter(r, g, b)
|
|
|
plt.show()
|
|
|
```
|
|
|
|
|
|
Данный код обрабатывает изображение и определяет пять самых доминирующих цветов на изображении.
|
|
|
|
|
|
В результате исполнения кода получим график примерно такого
|
|
|
вида (рис. 31). На нем можно увидеть распределение пикселей в трехмерном пространстве. Здесь также легко выделить пять доминирующих цветов (рис. 32).
|
|
|
|
|
|
|
|
|
Рис. 31. Распределение пикселей в трехмерном пространстве
|
|
|
|
|
|
|
|
|
Рис. 32. Выделение доминирующих цветов
|
|
|
|
|
|
Несколько преобразим имеющийся код.
|
|
|
|
|
|
```python
|
|
|
import cv2
|
|
|
from sklearn.cluster import KMeans
|
|
|
class DominantColors:
|
|
|
CLUSTERS = None
|
|
|
IMAGE = None
|
|
|
COLORS = None
|
|
|
LABELS = None
|
|
|
def __init__(self, image, clusters=3):
|
|
|
self.CLUSTERS = clusters
|
|
|
self.IMAGE = image
|
|
|
def dominantColors(self):
|
|
|
#read image
|
|
|
img = cv2.imread(self.IMAGE)
|
|
|
#convert to rgb from bgr
|
|
|
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
|
|
|
#reshaping to a list of pixels
|
|
|
img = img.reshape((img.shape[0] *img.shape[1], 3))
|
|
|
#save image after operations
|
|
|
self.IMAGE = img
|
|
|
#using k-means to cluster pixels
|
|
|
kmeans = KMeans(n_clusters = self.CLUSTERS)
|
|
|
kmeans.fit(img)
|
|
|
#the cluster centers are our dominant colors.
|
|
|
self.COLORS = kmeans.cluster_centers_
|
|
|
#save labels
|
|
|
self.LABELS = kmeans.labels_
|
|
|
#returning after converting to integer from float
|
|
|
return self.COLORS.astype(int)
|
|
|
img = 'colors.jpg'
|
|
|
clusters = 5
|
|
|
dc = DominantColors(img, clusters)
|
|
|
colors = dc.dominantColors()
|
|
|
print(colors)
|
|
|
```
|
|
|
|
|
|
На выходе мы получим пять векторов, где будут закодированы 5 основных цветов в формате RGB.
|
|
|
|
|
|
Далее построим гистограмму использования этих пяти основных цветов. Для этого добавим функцию `plotHistogramm()` в класс DominantColors.
|
|
|
|
|
|
```python
|
|
|
def plotHistogram(self):
|
|
|
#labels form 0 to no. of clusters
|
|
|
numLabels = np.arange(0, self.CLUSTERS+1)
|
|
|
#create frequency count tables
|
|
|
(hist, _) = np.histogram(self.LABELS, bins= numLabels)
|
|
|
hist = hist.astype("float")
|
|
|
hist /= hist.sum()
|
|
|
#appending frequencies to cluster centers
|
|
|
colors = self.COLORS
|
|
|
#descending order sorting as per frequency count
|
|
|
colors = colors[(-hist).argsort()]
|
|
|
hist = hist[(-hist).argsort()]
|
|
|
#creating empty chart
|
|
|
chart = np.zeros((50, 500, 3), np.uint8)
|
|
|
start = 0
|
|
|
#creating color rectangles
|
|
|
for i in range(self.CLUSTERS):
|
|
|
end = start + hist[i] * 500
|
|
|
#getting rgb values
|
|
|
r = colors[i][0]
|
|
|
g = colors[i][1]
|
|
|
b = colors[i][2]
|
|
|
#using cv2.rectangle to plot colors
|
|
|
cv2.rectangle(
|
|
|
chart,
|
|
|
(int(start), 0),
|
|
|
(int(end), 50),
|
|
|
(r,g,b),
|
|
|
-1)
|
|
|
start = end
|
|
|
#display chart
|
|
|
plt.figure()
|
|
|
plt.axis("off")
|
|
|
plt.imshow(chart)
|
|
|
plt.show()
|
|
|
```
|
|
|
|
|
|
Далее вызовем эту функцию.
|
|
|
|
|
|
```python
|
|
|
dc.plotHistogram()
|
|
|
```
|
|
|
|
|
|
На выходе получим пропорциональное отображение использования доминирующих цветов на изображении. Пример отображения представлен на рис. 33.
|
|
|
|
|
|
|
|
|
Рис. 33. Отображение использования доминирующих цветов на изображении
|
|
|
|
|
|
## 3. Кластеризация изображении на основе доминирующих цветов
|
|
|
|
|
|
Теперь, когда получена характеристика одного изображения, у нас есть инструмент, с помощью которого можно произвести кластеризацию множества изображений на основе их доминирующих цветов. Для этого необходимо обработать каждое изображение в папке, получить его уникальную цветовую характеристику и сравнить ее с другими изображениями. Поэтому немного модифицируем имеющийся код:
|
|
|
1) добавим глобальную переменную, в которой будем хранить цветовые характеристики каждой картинки;
|
|
|
2) за место конкретной картинки будем указывать директорию и будем итерационно обрабатывать каждую картинку.
|
|
|
|
|
|
```python
|
|
|
directory = '<ПУТЬ К ДИРЕКТОРИИ>'
|
|
|
|
|
|
for filename in os.listdir(directory):
|
|
|
data_iter = []
|
|
|
filenames.append(filename)
|
|
|
img = str(directory) + '\\' + filename
|
|
|
#print (img)
|
|
|
clusters = 2
|
|
|
dc = DominantColors(img, clusters)
|
|
|
colors = dc.dominantColors()
|
|
|
for i in colors:
|
|
|
for j in i:
|
|
|
data_iter.append(j)
|
|
|
data.append(data_iter)
|
|
|
print(colors)
|
|
|
```
|
|
|
|
|
|
Преобразуем список в массив данных и добавим код метода главных компонент для того, чтобы понизить размерность вектора характеристик с 15 до 3.
|
|
|
|
|
|
```python
|
|
|
np_data = np.asarray(data, dtype=np.float32)
|
|
|
import numpy as np
|
|
|
from sklearn.decomposition import PCA
|
|
|
pca = PCA(n_components = 3)
|
|
|
XPCAreduced = pca.fit_transform(np_data)
|
|
|
print(XPCAreduced)
|
|
|
print(filenames)
|
|
|
```
|
|
|
|
|
|
Далее представим точки изображения на плоскости, где координатами будут элементы вектора характеристик.
|
|
|
|
|
|
```python
|
|
|
xs, ys, zs = np_data[:, 0], np_data[:, 1], np_data[:,2]
|
|
|
|
|
|
from mpl_toolkits.mplot3d import Axes3D
|
|
|
|
|
|
fig = plt.figure()
|
|
|
ax = fig.add_subplot(111, projection='3d')
|
|
|
ax.scatter(xs, ys, zs)
|
|
|
ax.set_xlabel('X')
|
|
|
ax.set_ylabel('Y')
|
|
|
ax.set_zlabel('Z')
|
|
|
plt.show()
|
|
|
```
|