Cha 6-1 군집 알고리즘

이미지 데이터

• 이미지 데이터는 각 원소가 0 ~ 256 사이의 값을 N * M 배열 형태로 다뤄진다.
• 각 원소의 값은 픽셀의 밝기를 나타낸다. 특히 흑백 이미지에선 0에 가까울 수록 검게 나타내고, 256에 가까울수록 밝게 나타낸다.
• 이미지 데이터를 시각화 할 때는 N * M 형태의 배열로 데이터를 다룬다. 하지만 이미지 데이터를 manage할 때는 연산의 편리를 위해 1 * N 형태의 배열로 이미지 데이터를 다룬다.

비지도 학습

• 타깃이 없을 때 사용하는 머신러닝 알고리즘

  • 이미지 데이터 분류 방법론
  1. 픽셀값을 모두 평균 내어 값이 비슷한 이미지끼리 분류한다

  실습코드

  import numpy as np
  import matplotlib.pyplot as plt
  
  fruits = np.load('fruits_300.npy')  # 데이터 로드
  
  # 사과, 파인애플, 바나나 이미지 배열을 연산의 용이함을 위해 1차원 배열로 바꾼다
  apple = fruits[0:100].reshape(-1, 100*100)
  pineapple = fruits[100:200].reshape(-1, 100*100)
  banana = fruits[200:300].reshape(-1, 100*100)
  
  plt.hist(np.mean(apple, axis=1), alpha=0.8)
  plt.hist(np.mean(pineapple, axis=1), alpha=0.8)
  plt.hist(np.mean(banana, axis=1), alpha=0.8)
  plt.legend(['apple', 'pineapple', 'banana'])
  plt.show()
  

  

  한 이미지의 전체 픽셀값을 평균내는 방법으로 바나나는 다른 과일과 분류를 할 수 있는 것으로 보인다. 하지만 이 방법으론 사과와 파인애플은 분류가 힘들 것으로 예상이된다.

  1. 각 픽셀의 평균을 이용하여 계산할 수 있다 절댓값 오차를 활용하여 이미지를 분류한다

  실습코드

  fig, axs = plt.subplots(1, 3, figsize=(20, 5))
  axs[0].bar(range(10000), np.mean(apple, axis=0))
  axs[1].bar(range(10000), np.mean(pineapple, axis=0))
  axs[2].bar(range(10000), np.mean(banana, axis=0))
  plt.show()
  

apple_mean = np.mean(apple, axis=0).reshape(100, 100)
pineapple_mean = np.mean(pineapple, axis=0).reshape(100, 100)
banana_mean = np.mean(banana, axis=0).reshape(100, 100)

fig, axs = plt.subplots(1, 3, figsize=(20, 5))
axs[0].imshow(apple_mean, cmap='gray_r')
axs[1].imshow(pineapple_mean, cmap='gray_r')
axs[2].imshow(banana_mean, cmap='gray_r')
plt.show()

abs_diff = np.abs(fruits - apple_mean)
abs_mean = np.mean(abs_diff, axis=(1, 2))
print(abs_mean.shape)

apple_index = np.argsort(abs_mean)[:100]
fig, axs = plt.subplots(10, 10, figsize=(10, 10))
for i in range(10):
  for j in range(10):
    axs[i, j].imshow(fruits[apple_index[i*10 + j]], cmap='gray_r')
    axs[i, j].axis('off')

plt.show()

Cha 6-2 K-평균

K-평균 알고리즘