相机工具Blobs是啥

Posted 2023-05-11

参考技术A Blobs是先根据用户设定好的灰阶范围对图像进行分割，然后对目标进行查找和分析。
Blob分析（Blob Analysis）是对图像中相同像素的连通域进行分析，该连通域称为Blob。经二值化（Binary Thresholding）处理后的图像中色斑可认为是blob。Blob分析工具可以从背景中分离出目标，并可以计算出目标的数量、位置、形状、方向和大小，还可以提供相关斑点间的拓扑结构。在处理过程中不是对单个像素逐一分析，而是对图像的行进行操作。图像的每一行都用游程长度编码（RLE）来表示相邻的目标范围。这种算法与基于像素的算法相比，大大提高了处理的速度。
在Halcon中，Blob是一个提取所得的region。Blob分析是指对该二值区域，进行面积、周长重心等特征的分析。

使用 python 和 scikit-learn 的 DBSCAN：make_blobs 返回的整数标签到底是啥？

【中文标题】使用 python 和 scikit-learn 的 DBSCAN：make_blobs 返回的整数标签到底是啥？

【英文标题】：DBSCAN with python and scikit-learn: What exactly are the integer labes returned by make_blobs?使用 python 和 scikit-learn 的 DBSCAN：make_blobs 返回的整数标签到底是什么？

【发布时间】：2013-03-26 23:50:33

【问题描述】：

我正在尝试理解由 scikit (http://scikit-learn.org/0.13/auto_examples/cluster/plot_dbscan.html) 实现的 DBSCAN 算法的示例。

我换行了

X, labels_true = make_blobs(n_samples=750, centers=centers, cluster_std=0.4)

X = my_own_data，所以我可以将自己的数据用于 DBSCAN。

现在，make_blobs 的第二个返回参数变量labels_true 用于计算结果的一些值，如下所示：

print "Homogeneity: %0.3f" % metrics.homogeneity_score(labels_true, labels)
print "Completeness: %0.3f" % metrics.completeness_score(labels_true, labels)
print "V-measure: %0.3f" % metrics.v_measure_score(labels_true, labels)
print "Adjusted Rand Index: %0.3f" % \
    metrics.adjusted_rand_score(labels_true, labels)
print "Adjusted Mutual Information: %0.3f" % \
    metrics.adjusted_mutual_info_score(labels_true, labels)
print ("Silhouette Coefficient: %0.3f" %
       metrics.silhouette_score(D, labels, metric='precomputed'))

如何从我的数据 X 计算 labels_true？在这种情况下，scikit 与label 到底是什么意思？

感谢您的帮助！

【参考方案1】：

labels_true 是点到标签的“真实”分配：它们实际上应该属于哪个集群。这是可用的，因为make_blobs 知道它是从哪个“blob”生成点的。

您无法为您自己的任意数据X 获得该数据，除非您有某种真正的点标签（在这种情况下，您无论如何都不会进行聚类）。这只是显示了在您知道真实答案的假案例中聚类执行情况的一些衡量标准。

【讨论】：

所以注释掉这些行并运行示例。 #print("同质性: %0.3f" % metrics.homogeneity_score(labels_true, labels)) #print("完整性: %0.3f" % metrics.completeness_score(labels_true, labels)) #print("V-measure: %0.3 f" % metrics.v_measure_score(labels_true, labels)) #print("Adjusted Rand Index: %0.3f" # % metrics.adjusted_rand_score(labels_true, labels)) #print("Adjusted Mutual Information: %0.3f" # % metrics .adjusted_mutual_info_score(labels_true, labels))