RGB zu grau mit scikit-learn Manifold

Question

Ich versuche, die Abmessungen zu reduzieren, um ein RGB-Bild mit manifold learning methods grau zu machen.

Ich habe ein Bild in eine numpy Array umgewandelt (image_array)

import numpy as np 
from sklearn.datasets import load_sample_image 
china = load_sample_image("china.jpg") 

# Convert to floats instead of the default 8 bits integer coding. Dividing by 
# 255 is important so that plt.imshow behaves works well on float data (need to 
# be in the range [0-1] 

china = np.arraychina, dtype=np.float64)/255 

# Load Image and transform to a 2D numpy array. 

w, h, d = original_shape = tuple(china.shape) 
assert d == 3 
image_array = np.reshape(china, (w * h, d)) 

Inspizieren image_array

image_array.shape 

(273280, 3)

Beim Versuch,

X, color = image_array 

ich

ValueError: too many values to unpack.

Gibt es eine Möglichkeit, dies zu umgehen?

Answer 1

Sie

tun können

china = (china[:,:,:3] * [0.2989, 0.5870, 0.1140]).sum(axis=2) 

Was ist das, was ich in meiner DIY Maschine tat Lernen (Ich fand reine numpy war deutlich schneller als scikit mit, darunter eine Version von orientierten Histogramm von Gradienten sehen https://github.com/paddywwoof/Machine-Learning/blob/master/image_processor.py)