# 砂岩

**Repository Path**: liuwenjing2/sandstone

## Basic Information

- **Project Name**: 砂岩
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2023-12-25
- **Last Updated**: 2023-12-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Split sandstone cross-section
- Split sandstone cross-section
![输入图片说明](1.png)
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20231225194743.png)
- 项目描述
- 这项目是一个图像分割示例，使用机器学习模型（已保存为clf.pkl文件）对沙岩图像进行分割。代码加载原始图像和相应的分割图像，通过添加均值滤波的额外特征，构建新的特征矩阵。然后，使用机器学习模型对原始图像进行分割预测，计算预测准确率，并通过 Matplotlib 在三个子图中展示原始图像、实际分割图和模型预测分割图，其中包括准确率信息。

- 功能
- 本项目实现了以下功能：
- 加载机器学习模型：
- 通过 pickle 模块加载预训练的机器学习模型（clf.pkl文件）。
- 图像读取：
- 使用 OpenCV 读取原始图像和相应的分割图像。
- 特征工程：
- 添加了额外的特征，即对原始图像进行均值滤波，得到 mean_filtered 特征。
- 特征合并：
- 将原始图像和额外的特征合并为新的特征矩阵 features。
- 模型预测：
- 使用加载的机器学习模型 clf 对新的特征矩阵进行预测，仅使用原始图像特征。
- 准确率计算：
- 计算预测分割图和实际分割图的像素准确率。
- 图像展示：

- 使用 Matplotlib 绘制三个子图，展示原始图像、实际分割图和机器学习模型的分割预测结果。
- 准确率信息显示：

- 在第三个子图的标题中显示分割预测图的准确率信息。
- 这个项目的主要目标是利用机器学习模型进行图像分割，并通过可视化和准确率计算评估模型性能。
- 依赖
- 本项目依赖以下库：

- numpy
- sklearn
- cv2
- os
- imutils
- pickle
- matplotlib
使用
- 安装依赖库

- 注意
- 文件路径：
- 确保提供的文件路径是正确的，包括机器学习模型文件 (clf.pkl)、原始图像文件和分割图像文件。
- 库依赖：

- 确保已安装所需的库，可以通过运行 pip install opencv-python pickle numpy matplotlib 安装。
- 模型一致性：

- 确保训练机器学习模型的代码与加载模型的代码是一致的，否则可能导致意外的结果。
- 图像大小一致性：

- 确保原始图像和分割图像的大小相同，以避免形状不匹配的问题。
- 性能和资源：

- 对于大型图像或模型，可能需要考虑计算资源的使用情况，以确保代码在可用内存范围内运行。
- 文件读取：

- 检查图像文件是否存在并且可以正确读取，以避免文件路径错误或文件损坏的问题。
- Matplotlib 显示：

- 在运行代码时，确保 Matplotlib 的图形窗口能够正常显示。在某些环境中，可能需要使用 plt.show(block=True) 以阻止窗口关闭。
- 准确率计算：
- 理解准确率的计算方式，并确保它适用于特定的图像分割问题。
- 个人信息
- 学号： 202152320124
- 年级： 2021
- 专业： 智能科学与技术
- 班级： 1班