Discussion :

[hadjira10]

Salut tous le monde .
j'ai des images médical de format " *.dcm ",
j'ai appliqué les différentes traitement pour réduire le bruit introduit maintenant je veux appliquer l’analyse en composante principale (PCA)
la taille des images que j'ai c'est (128,128)
quand j'ai applique l'ACP
ca me bloque en dimension

ValueError: Found array with dim 3. Estimator expected <= 2.

[marco056]

Désolé, j'ai égaré ma boule de cristal.

[hadjira10]

salut et merci pour la réponse
est ce que ce que j'ai fais c juste

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
 
 
#Load data set
 
 
data_path ="/home/data/"
output_path = working_path = "/home/data_output/"
 
def load_scan(path):
    paths = glob.glob(os.path.join(path,"*.dcm"))
    slices = [dicom.read_file(s) for s in paths]
   slices.sort(key = lambda x: float(x.ImagePositionPatient[2]))
    try:
        slice_thickness = np.abs(slices[0].ImagePositionPatient[2] - slices[1].ImagePositionPatient[2])
    except:
        slice_thickness = np.abs(slices[0].SliceLocation - slices[1].SliceLocation)
 
    for s in slices:
        s.SliceThickness = slice_thickness
 
    return slices
 
def get_pixels_hu(slices):
    image = np.stack([s.pixel_array for s in slices])
    # Convert to int16 (from sometimes int16), 
    # should be possible as values should always be low enough (<32k)
    image = image.astype(np.int16)
 
    # Set outside-of-scan pixels to 0
    # The intercept is usually -1024, so air is approximately 0
    image[image == -2000] = 0
 
    # Convert to Hounsfield units (HU)
    for slice_number in range(len(slices)):
 
        intercept = slices[slice_number].RescaleIntercept
        slope = slices[slice_number].RescaleSlope
 
        if slope != 1:
            image[slice_number] = slope * image[slice_number].astype(np.float64)
            image[slice_number] = image[slice_number].astype(np.int16)
 
        image[slice_number] += np.int16(intercept)
 
    return np.array(image, dtype=np.int16)
 
id=0
patient = load_scan(data_path) 
imgs = get_pixels_hu(patient)
 
np.save(output_path + "fullimages_%d.npy" % (id), imgs)
file_used=output_path+"fullimages_%d.npy" % id
X = np.load(file_used).astype(np.float64) 
 
 
 
pca = PCA(n_components=4)
pca.fit(X)
 
 
print(pca.explained_variance_ratio_) 
 
 
pca = PCA(n_components=2, svd_solver='full')
pca.fit(X)                 
 
 
print(pca.explained_variance_ratio_) 
 
 
pca = PCA(n_components=1, svd_solver='arpack')
pca.fit(X)
 
 
print(pca.explained_variance_ratio_)

et voila mon message d'erreurs

File "essay-pca.py", line 94, in <module>
pca.fit(X)
File "/usr/local/lib/python2.7/dist-packages/sklearn/decomposition/pca.py", line 307, in fit
self._fit(X)
File "/usr/local/lib/python2.7/dist-packages/sklearn/decomposition/pca.py", line 346, in _fit
copy=self.copy)
File "/usr/local/lib/python2.7/dist-packages/sklearn/utils/validation.py", line 405, in check_array
% (array.ndim, estimator_name))

ValueError: Found array with dim 3. Estimator expected <= 2.

[LandReagan]

Bonjour,

est ce que ce que j'ai fais c juste

Non, puisque tu obtiens un message d'erreur ! Qui te dit par ailleurs qu'un array de dimension 3 est passé à la fonction fit(), alors que celle-ci attend un array de dimension maximum 2. Donc il faut voir ce que contient X, qui provient d'un fichier, etc...

[marco056]

Plusieurs choses :
- premièrement, on ne peut pas reproduire ton erreur chez nous.
- deuxièmement, je pense que ton erreur n'est pas celle de ton fichier : pb de numéro de lignes.

[dev_ggy]

Je suppose

Qu'en générale pour ce type de problème sur les images il faut passer l’image en niveau de gris pour avoir deux dimensions et non trois avec la couleur.

Au palisir

[Alexis.M]

Si tu as un tableau X de taille (n_image, 128, 128), ce qui correspond à n_images images empilées, il faut transformer chaque image en un vecteur en la dépliant:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
X_ = X.reshape(n_images, 128 * 128)
pca.fit(X_)

Et si tu veux visualiser la première composante par exemple, il faut faire la transformation inverse

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
import matplotlib.pyplot as plt
plt.imshow(pca.components_[0].reshape(128, 128))
plt.show()