Scikit learn 在训练之前或作为基于像素的分类的后处理执行的图形切割

我目前正在使用在

Scikit learn

中实现的简单监督分类器对图像执行基于像素的分类。首先将图像重塑为单像素强度的向量，然后按照以下步骤进行训练和分类：

来自sklearn.linear\u模型导入SGDClassizer
分类器=sgdclassizer（详细=True）
fit（训练数据、训练目标）
预测=分类器。预测（测试数据）

基于像素的分类的问题在于产生的分类图像的噪声性质。为了防止这种情况，我想使用Graph Cut（例如Boykov-Kolmogorov实现）来考虑像素之间的空间上下文。但是，在Python（，）和C++中发现的隐含（OpenGM和原始实现：和）不显示如何从图像到图，除了在MATLAB中的[2 ]，并且我对图形切割和Matlab的任何一个都不太熟悉。 因此，我的问题基本上是如何将图形切割集成到以前的分类中（例如，在培训之前或作为后处理）

我查看了Scikit image中的图形算法，但这些算法仅适用于具有离散值的RGB图像，而我的像素值是连续的。

我发现这或多或少符合我的要求。此外，还可以使用Python库包装器（）调用maxflow算法对图形进行分区

它从左侧的带噪图像开始，考虑像素之间的空间约束，得到右侧的二值图像

---

通过“我的像素值是连续的”，您的意思是颜色信息存储在浮点值介于0和1之间的三维向量中吗？如果是这样，将向量乘以255并将其截断为整数。这将为您提供一个带有“离散值”的RGB图像，可与Scikit-image中的图形算法一起使用。是的，我的像素值是浮动的，但我的图像是单个波段而不是RGB。我找到了一个Python库，它实现了图形切割（C++的包装器），这个例子看起来像我正在尝试实现的，除了在我的例子中，后处理的图像是二进制的。剩下的另一个想法是调整参数。你认为这个解决方案怎么样？