

In [1]:

    
import cv2
figsize(12,8)

Detecção de pele com Naïve Bayes

Neste exemplo, um classificador Naïve Bayes é empregado para identificar pixels em uma imagem correspondendo a cor de pele humana. A classificação toma como base apenas a cor do pixel.

Treinamento

Uma matriz A $M \times N \times 3$, uma imagem colorida no espaço de cor CIE Lab
Uma máscara binária $M \times N$ representando a classificação pele/não-pele
- Classificação supervisionada
O canal L é descartado, o que evita que a luminância influencie a classificação



In [2]:

    
training_bgr = cv2.imread('./data/skin-training.jpg')
training_rgb = cv2.cvtColor(training_bgr, cv2.COLOR_BGR2RGB)
training = cv2.cvtColor(training_bgr, cv2.COLOR_BGR2LAB)
M, N, _ = training.shape

As imagens de treinamento exibem amostras de pele em um fundo escuro
Thresholding utilizado para produzir uma máscara binária



In [11]:

    
mask = zeros((M,N))
mask[training[:,:,0] > 160] = 1



In [12]:

    
subplot(1,2,1)
imshow(training_rgb)
subplot(1,2,2)
imshow(mask, cmap=cm.binary_r)









    Out[12]:





<matplotlib.image.AxesImage at 0x7fa427405910>

Reshaping: os pixels são representados como uma sequência de $MN$ vetores
Cada vetor é bidimensional, contendo os valores dos canais a e b
Slicing empregado para remover o canal L



In [13]:

    
data = training.reshape(M*N, -1)[:,1:]
data









    Out[13]:





array([[128, 129],
       [128, 129],
       [128, 129],
       ..., 
       [127, 129],
       [125, 134],
       [123, 136]], dtype=uint8)



In [14]:

    
target = mask.reshape(M*N)
target









    Out[14]:





array([ 0.,  0.,  0., ...,  0.,  0.,  0.])

Treinamento

Gaussian Naïve Bayes



In [15]:

    
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
gnb.fit(data, target)









    Out[15]:





GaussianNB()

Classificação

Imagem de entrada convertida para CIE Lab
Dados formatados como na imagem de treinamento



In [16]:

    
test_bgr = cv2.imread('./data/thiago.jpg')
test_rgb = cv2.cvtColor(test_bgr, cv2.COLOR_BGR2RGB)
test = cv2.cvtColor(test_bgr, cv2.COLOR_BGR2LAB)
M_tst, N_tst, _ = test.shape



In [17]:

    
data = test.reshape(M_tst * N_tst, -1)[:,1:]
skin_pred = gnb.predict(data)
S = skin_pred.reshape(M_tst, N_tst)



In [18]:

    
subplot(1,3,1)
imshow(test_rgb)
subplot(1,3,2)
imshow(S, cmap=cm.binary_r)
subplot(1,3,3)
imshow(test_rgb, alpha=0.6)
imshow(S, cmap=cm.binary_r, alpha=0.4)









    Out[18]:





<matplotlib.image.AxesImage at 0x7fa4271d0850>