l'ACP des images

Version imprimable

09/05/2017, 22h32
hadjira10

l'ACP des images

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

Citation:

ValueError: Found array with dim 3. Estimator expected <= 2.
10/05/2017, 09h46
marco056

Désolé, j'ai égaré ma boule de cristal.

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

Code:

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

Citation:

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.

06/07/2017, 13h50
LandReagan

Bonjour,

Citation:

Envoyé par hadjira10

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...
06/07/2017, 15h48
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.
06/07/2017, 16h05
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
07/07/2017, 21h29
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:

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:

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