Добавлены итоговые блокноты, внешнее изображение

.ipynb_checkpoints/README-checkpoint.md

@@ -0,0 +1,16 @@
+Описание задачи
+Цель: сегментировать изображение на несколько однородных регионов с использованием спектральной кластеризации .
+
+Алгоритм:
+
+Изображение преобразуется в граф
+Применяется спектральная кластеризация
+Результат отображается в виде контуров вокруг найденных регионов
+Поддерживаемые методы присвоения меток:
+
+'kmeans'
+'discretize'
+'cluster_qr'
+
+Для установки зависимостей:
+pip install -r requirements.txt

.ipynb_checkpoints/plot_coin_segmentation-checkpoint.ipynb

@@ -0,0 +1,179 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Сегментация изображения методом спектральной кластеризации\n",
+    "Описание задачи\n",
+    "Цель: разделить изображение монет на несколько регионов, используя спектральную кластеризацию .\n",
+    "\n",
+    "Алгоритм:\n",
+    "\n",
+    "Изображение преобразуется в граф\n",
+    "Каждый пиксель — вершина графа\n",
+    "Рёбра между соседними пикселями строятся на основе разницы яркости\n",
+    "Применяется спектральная кластеризация для выделения регионов\n",
+    "Источник данных:\n",
+    "\n",
+    "Встроенное изображение coins() из библиотеки skimage"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "1. Импорт библиотек"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import time\n",
+    "import numpy as np\n",
+    "import matplotlib.pyplot as plt\n",
+    "from scipy.ndimage import gaussian_filter\n",
+    "from skimage.data import coins\n",
+    "from skimage.transform import rescale\n",
+    "\n",
+    "from sklearn.cluster import spectral_clustering\n",
+    "from sklearn.feature_extraction import image"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "2. Загрузка и подготовка изображения"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Загружаем изображение монет\n",
+    "orig_coins = coins()\n",
+    "\n",
+    "# Уменьшаем размер изображения для ускорения обработки\n",
+    "# Перед уменьшением применяем фильтр Гаусса, чтобы уменьшить артефакты\n",
+    "smoothened_coins = gaussian_filter(orig_coins, sigma=2)\n",
+    "rescaled_coins = rescale(smoothened_coins, 0.2, mode=\"reflect\", anti_aliasing=False)\n",
+    "\n",
+    "print(\"Форма исходного изображения:\", orig_coins.shape)\n",
+    "print(\"Форма после масштабирования:\", rescaled_coins.shape)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "3. Построение графа"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Преобразуем изображение в граф\n",
+    "graph = image.img_to_graph(rescaled_coins)\n",
+    "\n",
+    "# Уменьшаем веса рёбер экспоненциальной функцией\n",
+    "beta = 10\n",
+    "eps = 1e-6\n",
+    "graph.data = np.exp(-beta * graph.data / graph.data.std()) + eps\n",
+    "\n",
+    "print(\"Граф построен\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "4. Спектральная кластеризация"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Количество регионов\n",
+    "n_regions = 26\n",
+    "n_plus = 3  # дополнительные кластеры для лучшей сегментации\n",
+    "\n",
+    "# Выполняем кластеризацию тремя способами\n",
+    "for assign_labels in (\"kmeans\", \"discretize\", \"cluster_qr\"):\n",
+    "    t0 = time.time()\n",
+    "    \n",
+    "    labels = spectral_clustering(\n",
+    "        graph,\n",
+    "        n_clusters=(n_regions + n_plus),\n",
+    "        eigen_tol=1e-7,\n",
+    "        assign_labels=assign_labels,\n",
+    "        random_state=42,\n",
+    "    )\n",
+    "\n",
+    "    t1 = time.time()\n",
+    "    labels = labels.reshape(rescaled_coins.shape)\n",
+    "\n",
+    "    plt.figure(figsize=(5, 5))\n",
+    "    plt.imshow(rescaled_coins, cmap=plt.cm.gray)\n",
+    "    plt.xticks(())\n",
+    "    plt.yticks(())\n",
+    "\n",
+    "    title = f\"Спектральная кластеризация: {assign_labels}, {t1 - t0:.2f}с\"\n",
+    "    print(title)\n",
+    "    plt.title(title)\n",
+    "\n",
+    "    for l in range(n_regions):\n",
+    "        colors = [plt.cm.nipy_spectral((l + 4) / float(n_regions + 4))]\n",
+    "        plt.contour(labels == l, colors=colors)\n",
+    "\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "5. Интерпретация результатов\n",
+    "Каждое изображение показывает контуры найденных регионов. Цвета используются только для наглядности и не имеют семантической нагрузки.\n",
+    "\n",
+    "Методы:\n",
+    "\n",
+    "'kmeans' — стабильный, но может быть медленным\n",
+    "'discretize' — итеративный метод, работает быстрее\n",
+    "'cluster_qr' — новый экспериментальный метод, основанный на QR-разложении"
+   ]
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3 (ipykernel)",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.12.9"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 4
+}

.ipynb_checkpoints/plot_coin_segmentation_upd-checkpoint.ipynb

@@ -0,0 +1,6 @@
+{
+ "cells": [],
+ "metadata": {},
+ "nbformat": 4,
+ "nbformat_minor": 5
+}