balancePixelLabels

Балансировка меток пикселей путем избыточной дискретизации местоположений блоков на больших изображениях

Синтаксис

blockLocations = balancePixelLabels(blockedImages,blockSize,numObservations)

blockLocations = balancePixelLabels(blockedImages,blockSize,numObservations,Name,Value)

Описание

blockLocations = balancePixelLabels(blockedImages,blockSize,numObservations) создает список расположений блоков в больших маркированных изображениях, blockedImages, что приводит к набору сбалансированных данных класса путем избыточной дискретизации областей изображения, которые содержат менее распространенные метки. numObservations - необходимое количество расположений блоков и blockSize задает размер блока.

Сбалансированный набор данных может привести к лучшим результатам при использовании для обучения рабочих процессов, таких как семантическая сегментация в глубоком обучении.

blockLocations = balancePixelLabels(blockedImages,blockSize,numObservations,Name,Value) задает дополнительные аспекты выбранных блоков, используя аргументы имя-значение.

Примеры

свернуть все

Балансировка меток пикселей в несбалансированном наборе данных

Открыть Live Script

Укажите местоположение маркированного набора данных изображения.

dataDir = fullfile(toolboxdir('vision'), 'visiondata');
labelDir = fullfile(dataDir, 'buildingPixelLabels');
fileSet = matlab.io.datastore.FileSet(labelDir, "FileExtensions", {'.png'});

Создайте массив маркированных изображений из набора данных.

blockedImages = blockedImage(fileSet);

Установите размер блоков изображений. Примите лучший уровень разрешения.

blockSize = [20 15];

Создайте blockedImageDatastore из массива изображений.

blabelds = blockedImageDatastore(blockedImages, 'BlockSize', blockSize);

Количество вхождений метки пикселя для каждого класса. Классы в изображениях меток пикселей не сбалансированы.

pixelLabelID = [1 2 3 4];
classNames = ["sky" "grass" "building" "sidewalk"];
labelCounts = countEachLabel(blabelds,...
                 'Classes', classNames, 'PixelLabelIDs', pixelLabelID);

Определенное количество местоположений блоков для выборки из набора данных.

numObservations = 2000;

Выберите местоположения блоков из маркированных изображений, чтобы достичь класса.

locationSet = balancePixelLabels(blockedImages, blockSize, numObservations,...
                 'Classes', classNames, 'PixelLabelIDs', pixelLabelID);

Создайте blockedImageDatastore использование расположения блоков после балансировки.

blabeldsBalanced = blockedImageDatastore(blockedImages, 'BlockLocationSet', locationSet);

Пересчитайте вхождения метки пикселя для сбалансированного набора данных.

labelCountsBalanced = countEachLabel(blabeldsBalanced,...
                     'Classes', classNames, 'PixelLabelIDs', pixelLabelID);

Сравнение исходных несбалансированных меток и меток после балансировки меток.

figure
h1 = histogram('Categories',labelCounts.Name,...
    'BinCounts',labelCounts.PixelCount)

h1 = 
  Histogram with properties:

              Data: [0x0 categorical]
            Values: [314849 159787 1031235 25313]
    NumDisplayBins: 4
        Categories: {'sky'  'grass'  'building'  'sidewalk'}
      DisplayOrder: 'manual'
     Normalization: 'count'
      DisplayStyle: 'bar'
         FaceColor: 'auto'
         EdgeColor: [0 0 0]

  Show all properties

title(h1.Parent,'Original dataset labels')

Figure contains an axes. The axes with title Original dataset labels contains an object of type categoricalhistogram.

figure
h2 = histogram('Categories',labelCountsBalanced.Name,...
    'BinCounts',labelCountsBalanced.PixelCount)

h2 = 
  Histogram with properties:

              Data: [0x0 categorical]
            Values: [131906 241546 81006 143167]
    NumDisplayBins: 4
        Categories: {'sky'  'grass'  'building'  'sidewalk'}
      DisplayOrder: 'manual'
     Normalization: 'count'
      DisplayStyle: 'bar'
         FaceColor: 'auto'
         EdgeColor: [0 0 0]

  Show all properties

title(h2.Parent,'Balanced dataset labels')

Figure contains an axes. The axes with title Balanced dataset labels contains an object of type categoricalhistogram.

Входные параметры

свернуть все

`blockedImages` - Маркированные заблокированные изображения
`blockedImage` | вектор объекта `blockedImage` объекты

Маркированные заблокированные изображения, заданные как blockedImage объект или вектор blockedImage объекты, содержащие изображения меток пикселей.

`blockSize` - Размер блока
двухэлементные векторы-строки положительных целых чисел

Размер блока считанных данных, заданный как двухэлементный вектор-строка положительных целых чисел, [numrows, numcols]. Первый элемент задает количество строк в блоке. Второй элемент определяет количество столбцов.

`numObservations` - Количество расположений блоков
положительное целое число

Количество расположений блоков для возврата, заданное как положительное целое число.

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

Пример: 'Classes',classNames,'PixelLabelIDs',pixelLabelID

`'Levels'` - Уровни разрешения изображений
`1` (по умолчанию) | числовой скаляр | целочисленный вектор

Уровни разрешения изображения, заданные как числовой скаляр или целочисленный вектор той же длины, что и вектор blockedImages. Если вы задаете скалярное значение, то все заблокированные изображения поставляют блоки с заданным уровнем разрешения.

`'Classes'` - Набор имен классов
`{}` (по умолчанию) | `string` вектор | массив ячеек `char` векторы

Набор имен классов, заданный как строковый вектор или массив ячеек из векторов символов.

Вы должны задать этот аргумент, когда blockedImages приводит к числовым данным, например, когда данные о пиксельных метках сохраняются в виде изображения RGB. Не указывайте этот аргумент при blockedImages приводит к категориальным данным.

Типы данных: char | string

`'PixelLabelIDs'` - Числовые идентификаторы, которые сопоставляют метки с именами классов
`[]` (по умолчанию) | числовой вектор | M числовой матрицей -на 3

Числовые идентификаторы, которые сопоставляют метки с именами классов, заданные как вектор числовых идентификаторов для каждой метки или M матрица -by-3, где M количество имен классов. Длина вектора должна равняться количеству имен классов. Каждая строка является трехэлементным вектором, представляющим значение пикселя RGB, сопоставленное с каждым именем класса.

`'UseParallel'` - Использовать новый или существующий пул
`false` или `0` (по умолчанию) | `true` или `1`

Используйте новый или существующий параллельный пул, заданный в виде числа или логического 1 (true) или 0 (false). Если параллельный пул не активен, то новый пул открывается на основе настроек параллели по умолчанию. The DataSource свойство всех входных blockedImage объекты должны быть допустимыми путями к каждому из параллельных рабочих процессов.

Для этого синтаксиса требуется Parallel Computing Toolbox™.

Типы данных: logical

Выходные аргументы

свернуть все

`blockLocations` - Расположение блоков
`blockLocationSet` объект

Блочные местоположения, возвращенные как blockLocationSet объект. Объект содержит numObservations количество местоположений сбалансированных блоков, каждый из которых имеет размер blockSize.

Алгоритмы

Чтобы сбалансировать пиксельные метки, функция переизбирает классы меньшинств на входных изображениях. Класс меньшинства определяется путем вычисления общего количества меток пикселей для полного набора данных. Алгоритм следует этим шагам.

Изображения в вход массиве изображений разделены на макро- блоки, что является произведением blockSize входное значение.
Функция подсчитывает пиксельные метки для всех классов в каждом блоке макроса. Затем он выбирает блок макроса с наибольшими вхождениями классов меньшинства, используя взвешенный случайный выбор.
Алгоритм использует случайное расположение блоков в выбранном макроблоке, чтобы выполнить избыточную дискретизацию. Источник расположения блока должен всегда находиться полностью в пределах макроблока.
Функция обновляет общее количество меток на основе количества пиксельных меток классов, найденных для выбранных блоков макроса.
Функция включает новые (передискретизированные) классы для вычисления нового класса меньшинства.
Этот процесс повторяется, пока количество обработанных местоположений блоков не равняется значению, заданному numObservations входное значение.

Вопросы совместимости

расширить все

`bigLabeledImages` аргумент не рекомендуется

Не рекомендуемый запуск в R2021a

The bigLabeledImages аргумент, который поддерживает bigimage объекты, не рекомендуемый. Используйте blockedImages вместо этого аргумент, который поддерживает blockedImage объекты. The blockedImage объект предлагает несколько преимуществ, включая расширение обработки N-D, более простой интерфейс и пользовательскую поддержку чтения и записи нестандартных форматов изображений.

Хотя нет никаких планов по удалению bigLabeledImages аргумент в это время переключитесь на blockedImages аргумент, чтобы использовать дополнительные возможности и гибкость.

Чтобы обновить код, выполните следующие действия:

Замените bigimage входной параметр объекта с blockedImage входной параметр объекта для первого аргумента этой функции.
Если вы хотите выбрать блоки любого из заблокированных изображений на уровне разрешения, отличном от 1, задайте 'Levels'имя-значение аргумента. Вы можете опустить этот аргумент, когда хотите выбрать блоки из всех заблокированных изображений на уровне разрешения 1.
Если заблокированные изображения дают числовые данные, такие как представление данных о пиксельных метках в качестве изображения RGB, задайте 'Classes' и 'PixelLabelsIDs' аргументы имя-значение.

Таблица приводит пример, как обновить код.

Обескураженное использование Рекомендуемая замена

Обескураженное использование	Рекомендуемая замена
Этот пример выбирает блоки на уровне разрешения 1 из маркированного `bigimage` объект. pixelLabelIDs = [1 2 3 4]; classNames = ["sky" "grass" "building" "sidewalk"]; labelDir = fullfile(toolboxdir('vision'), ... 'visiondata','buildingPixelLabels'); filename = fullfile(labelDir,'Label_1.png') bim = bigimage(imread(filename), ... 'Classes',classNames,'PixelLabelIDs',pixelLabelIDs); blockSize = [20 15]; numObservations = 2000; locationSet = balancePixelLabels(bim,1, ... blockSize,numObservations);	Вот эквивалентный код, заменяющий входной `bigimage` объект со `blockedImage` объект. pixelLabelIDs = [1 2 3 4]; classNames = ["sky" "grass" "building" "sidewalk"]; labelDir = fullfile(toolboxdir('vision'), ... 'visiondata','buildingPixelLabels'); filename = fullfile(labelDir,'Label_1.png') bim = blockedImage(filename); blockSize = [20 15]; numObservations = 2000; locationSet = balancePixelLabels(bim, ... blockSize,numObservations, ... 'Classes',classNames,'PixelLabelIDs',pixelLabelIDs);

Этот пример выбирает блоки на уровне разрешения 1 из маркированного bigimage объект.

pixelLabelIDs = [1 2 3 4];
classNames = ["sky" "grass" "building" "sidewalk"];
labelDir = fullfile(toolboxdir('vision'), ...
    'visiondata','buildingPixelLabels');
filename = fullfile(labelDir,'Label_1.png')
bim = bigimage(imread(filename), ...
    'Classes',classNames,'PixelLabelIDs',pixelLabelIDs);
blockSize = [20 15];
numObservations = 2000;
locationSet = balancePixelLabels(bim,1, ...
    blockSize,numObservations);

Вот эквивалентный код, заменяющий входной bigimage объект со blockedImage объект.

pixelLabelIDs = [1 2 3 4];
classNames = ["sky" "grass" "building" "sidewalk"];
labelDir = fullfile(toolboxdir('vision'), ...
    'visiondata','buildingPixelLabels');
filename = fullfile(labelDir,'Label_1.png')
bim = blockedImage(filename);
blockSize = [20 15];
numObservations = 2000;
locationSet = balancePixelLabels(bim, ...
    blockSize,numObservations, ...
    'Classes',classNames,'PixelLabelIDs',pixelLabelIDs);

См. также

Объекты

blockedImage | blockedImageDatastore | blockLocationSet | countEachLabel

Введенный в R2020a

Документация

balancePixelLabels

Синтаксис

Описание

Примеры

Балансировка меток пикселей в несбалансированном наборе данных

Входные параметры

`blockedImages` - Маркированные заблокированные изображения
`blockedImage` | вектор объекта `blockedImage` объекты

`blockSize` - Размер блока
двухэлементные векторы-строки положительных целых чисел

`numObservations` - Количество расположений блоков
положительное целое число

Аргументы в виде пар имя-значение

`'Levels'` - Уровни разрешения изображений
`1` (по умолчанию) | числовой скаляр | целочисленный вектор

`'Classes'` - Набор имен классов
`{}` (по умолчанию) | `string` вектор | массив ячеек `char` векторы

`'PixelLabelIDs'` - Числовые идентификаторы, которые сопоставляют метки с именами классов
`[]` (по умолчанию) | числовой вектор | M числовой матрицей -на 3

`'UseParallel'` - Использовать новый или существующий пул
`false` или `0` (по умолчанию) | `true` или `1`

Выходные аргументы

`blockLocations` - Расположение блоков
`blockLocationSet` объект

Алгоритмы

Вопросы совместимости

`bigLabeledImages` аргумент не рекомендуется

См. также

Объекты

Документация по Computer Vision Toolbox

Поддержка

Документация

balancePixelLabels

Синтаксис

Описание

Примеры

Балансировка меток пикселей в несбалансированном наборе данных

Входные параметры

blockedImages - Маркированные заблокированные изображения blockedImage | вектор объекта blockedImage объекты

blockSize - Размер блока двухэлементные векторы-строки положительных целых чисел

numObservations - Количество расположений блоков положительное целое число

Аргументы в виде пар имя-значение

'Levels' - Уровни разрешения изображений 1 (по умолчанию) | числовой скаляр | целочисленный вектор

'Classes' - Набор имен классов {} (по умолчанию) | string вектор | массив ячеек char векторы

'PixelLabelIDs' - Числовые идентификаторы, которые сопоставляют метки с именами классов [] (по умолчанию) | числовой вектор | M числовой матрицей -на 3

'UseParallel' - Использовать новый или существующий пул false или 0 (по умолчанию) | true или 1

Выходные аргументы

blockLocations - Расположение блоков blockLocationSet объект

Алгоритмы

Вопросы совместимости

bigLabeledImages аргумент не рекомендуется

См. также

Объекты

Документация по Computer Vision Toolbox

Поддержка

`blockedImages` - Маркированные заблокированные изображения
`blockedImage` | вектор объекта `blockedImage` объекты

`blockSize` - Размер блока
двухэлементные векторы-строки положительных целых чисел

`numObservations` - Количество расположений блоков
положительное целое число

`'Levels'` - Уровни разрешения изображений
`1` (по умолчанию) | числовой скаляр | целочисленный вектор

`'Classes'` - Набор имен классов
`{}` (по умолчанию) | `string` вектор | массив ячеек `char` векторы

`'PixelLabelIDs'` - Числовые идентификаторы, которые сопоставляют метки с именами классов
`[]` (по умолчанию) | числовой вектор | M числовой матрицей -на 3

`'UseParallel'` - Использовать новый или существующий пул
`false` или `0` (по умолчанию) | `true` или `1`

`blockLocations` - Расположение блоков
`blockLocationSet` объект

`bigLabeledImages` аргумент не рекомендуется