Puddings收获

缘起：语义分割+形状先验，三个样本。
我先想到的是level set，因为“形状先验”这个字眼；而后试了一下distance transform+watershed，因为我真的很喜欢dismap。But, 这两个方案都是非监督，无法handle语义分割，因为无法判别分割出来的某个部分是前景还是背景。
而后溜达了一眼我的博客，因为那里有史上最全传统图像分割。我只有三个样本，还是自己造的，deep learning暂时不考虑了。Unfortunately, I cannot get any idea。
监督+传统+分割，where I need to go? So…

Random Forest

这里要感谢GXP，时常给我指点江山的Parterner，也要感谢一些我自己，去年跟踪过一个实验室的工作，深度+RF两条腿走路。我比较作的是把这篇论文拿到师妹的课上秀了秀，还在自己实验室的组会上耍了一次。XP估计是一转头看见我不务正业，顺便给我普及了一下RF秀场，RF从此在我脑海里有了一点印象。更凑巧的是，我碰到这个题目的时候还在和XP聊天，所以想到这个方案也算水到渠成。
Random Forest可以用classification的思路，也可以用regression的思路，这里我暂且选用了前者。
从论文里的初印象到怼出一个实实在在的结果，还是蛮有挑战性的，我零点左右确定了这个思路，了解基本知识，手敲代码，困难重重，凌晨两点左右上床睡觉了，不然真的要累死啦。以下是夜里发现的好工具：

No.1: Mahotas

老兄，相见恨晚呀！！
Mahotas 是计算机视觉和图像处理 Python 库。它包含大量图像处理算法，C++实现形式，提高了性能。完全基于 numpy 的数组作为它的数据类型。

install

正常情况下一条命令就解决

pip install mahotas

但是我本地需要满足vs c++14的条件，服务器端无法上网网。我一向选择后者，服务器强大的算力充满诱惑哦，手动安装所向披靡：
从官网下载installing packages。一般情况下，我会解压，然后把解压后文件加放到/usr/lib/python3.6/下面。但是昨晚遭遇失败，我用了解压后的文件里的install.py装成功的。

Usage

https://mahotas.readthedocs.io/en/latest/classification.html
不得不说mahotas里的算法太丰富了，连我最爱的distance transform都可以做的那么好。
最重要的是各种特征提取，是我用Random Forest的必备条件。

Note

如果代码中有画图工具包的引入比如

import matplotlib.pyplot as plt
import PIL.Image
import pylab as plt
...

这些引入语句必须在 import mahotas之后，否则会出现关于mahotas无法使用的报错，比如

ValueError: module functions cannot set METH_CLASS or METH_STATIC

No.2: scikit-learn和spark

二者都实现了Random Forest，只不过有点细微差别，我对并行的要求不高，所以选择了scikit-learn。scikit-learn也是一个很丰富的工具包，丰满的目录已经诱惑力满分。

No3:Image Segmentation via Random Forests

https://idac.hms.harvard.edu/segmentation
一个matlab的实现，但是我和matlab阔别有点久了，且留后续翻看。

然后，就是天亮了，做了好多梦，梦见程序running successfully, 结果顺利呈现，收获老师夸赞，梦见自己在心仪的实验室度过了一个愉快的暑假，迷迷糊糊的混沌里，假假真真也分不清楚。一觉醒来，程序没错，但结果好像有点问题。然后折腾了一天，饭也免了，午觉也浓缩了，还好下午五点半，汇报了初步结果。然后开上自行车，听着love me like you do，心满意足吃了顿晚饭。
其实还有很多事要做，程序要优化，一个presentation已经被我脱了三天，真实无法原谅，但我还是起笔写了博客，而且是两篇，也是醉了，谁让今天你最聪明呢。