Mahotas 教程

Mahotas - 主页 Mahotas - 简介 Mahotas - 计算机视觉 Mahotas - 历史 Mahotas - 功能 Mahotas - 安装

Mahotas 处理图像

Mahotas - 处理图像 Mahotas - 加载图像 Mahotas - 将图像加载为灰色 Mahotas - 显示图像 Mahotas - 显示图像形状 Mahotas - 保存图像 Mahotas - 图像的质心 Mahotas - 图像的卷积 Mahotas - 创建 RGB 图像 Mahotas - 图像的欧拉数 Mahotas - 图像中的零分数 Mahotas - 获取图像矩 Mahotas - 图像中的局部最大值 Mahotas - 图像椭圆轴 Mahotas - 图像拉伸 RGB

Mahotas 颜色空间转换

Mahotas - 颜色空间转换 Mahotas - RGB 到灰度转换 Mahotas - RGB 到 LAB 转换 Mahotas - RGB 转棕褐色 Mahotas - RGB 到 XYZ 转换 Mahotas - XYZ 到 LAB 转换 Mahotas - XYZ 到 RGB 转换 Mahotas - 增加伽马校正 Mahotas - 拉伸伽马校正

Mahotas 标记图像函数

Mahotas - 标记图像函数 Mahotas - 标记图像 Mahotas - 过滤区域 Mahotas - 边界像素

Mahotas - 形态学操作

Mahotas - 形态运算符 Mahotas - 查找图像平均值 Mahotas - 裁剪图像 Mahotas - 图像偏心率 Mahotas - 叠加图像 Mahotas - 图像圆度 Mahotas - 调整图像大小 Mahotas - 图像直方图 Mahotas - 扩大图像 Mahotas - 腐蚀图像 Mahotas - 分水岭 Mahotas - 图像的开运算过程 Mahotas - 图像的闭合过程 Mahotas - 填补图像中的空洞 Mahotas - 条件性膨胀图像 Mahotas - 条件腐蚀图像 Mahotas - 图像的条件分水岭 Mahotas - 图像中的局部最小值 Mahotas - 图像的区域最大值 Mahotas - 图像的区域最小值

Mahotas - 高级概念

Mahotas - 图像阈值 Mahotas - 设置阈值 Mahotas - 软阈值 Mahotas - Bernsen 局部阈值 Mahotas - 小波变换 Mahotas - 制作图像小波中心 Mahotas - 距离变换 Mahotas - 多边形实用程序 Mahotas - 局部二元模式 Mahotas - 阈值邻接统计 Mahotas - Haralic 特征 Mahotas - 标记区域的权重 Mahotas - Zernike 特征 Mahotas - Zernike 矩 Mahotas - 等级过滤器 Mahotas - 2D 拉普拉斯过滤器 Mahotas - 多数过滤器 Mahotas - 均值滤波器 Mahotas - 中值滤波器 Mahotas - Otsu 方法 Mahotas - 高斯滤波 Mahotas - 命中与未命中变换 Mahotas - 标记最大值数组 Mahotas - 图像平均值 Mahotas - SURF 密集点 Mahotas - SURF 积分 Mahotas - Haar 变换 Mahotas - 突出显示图像最大值 Mahotas - 计算线性二进制模式 Mahotas - 获取标签边框 Mahotas - 逆 Haar 变换 Mahotas - Riddler-Calvard 方法 Mahotas - 标记区域的大小 Mahotas - 模板匹配 Mahotas - 加速稳健特征 Mahotas - 移除带边框的标签 Mahotas - Daubechies 小波 Mahotas - Sobel 边缘检测



Mahotas - Bernsen 局部阈值

Bernsen 局部阈值是一种将图像分割为前景和背景区域的技术。它使用局部邻域中的强度变化为图像中的每个像素分配阈值。

局部邻域的大小由窗口确定。较大的窗口大小在阈值处理过程中考虑更多相邻像素,从而在区域之间创建更平滑的过渡,但会删除更精细的细节。

另一方面,小窗口尺寸可以捕获更多细节,但可能容易受到噪声的影响。

Bernsen 局部阈值与其他阈值技术的区别在于,Bernsen 局部阈值使用动态阈值,而其他阈值技术使用单个阈值来分离前景和背景区域。

Mahotas 中的 Bernsen 局部阈值

在 Mahotas 中,我们可以使用 thresholding.bernsen()thresholding.gbernsen() 函数对图像应用 Bernsen 局部阈值。这些函数创建一个固定大小的窗口,并计算窗口内每个像素的局部对比度范围以分割图像。

局部对比度范围是窗口内的最小和最大灰度值。

然后将阈值计算为最小和最大灰度值的平均值。如果像素强度高于阈值,则将其分配给前景(白色),否则将其分配给背景(黑色)。

然后将窗口移动到图像上以覆盖所有像素,从而创建二值图像,其中前景和背景区域根据局部强度变化分离。

mahotas.tresholding.bernsen() 函数

mahotas.thresholding.bernsen() 函数将灰度图像作为输入并对其应用 Bernsen 局部阈值。它输出一个图像,其中每个像素被分配一个值 0(黑色)或 255(白色)。

前景像素对应于图像中具有相对较高强度的区域,而背景像素对应于图像中具有相对较低强度的区域。

语法

以下是 mahotas − 中 bernsen() 函数的基本语法

mahotas.thresholding.bernsen(f, radius,contrast_threshold, gthresh={128})

其中,

  • f − 它是输入的灰度图像。

  • radius −它是每个像素周围窗口的大小。

  • contrast_threshold − 它是局部阈值。

  • gthresh(可选) − 它是全局阈值(默认值为 128)。

示例

以下示例显示了如何使用 mh.thresholding.bernsen() 函数对图像应用 Bernsen 局部阈值。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('nature.jpeg')
# 将其转换为灰度
image = mh.colors.rgb2gray(image)
# 创建 Bernsen 阈值图像
threshold_image = mh.thresholding.bernsen(image, 5, 200)
# 创建子图的图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示原始图像
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# 显示阈值图像
axes[1].imshow(threshold_image, cmap='gray')
axes[1].set_title('Bernsen Threshold Image')
axes[1].set_axis_off()
# 调整间距子图
mtplt.tight_layout()
# 显示图形
mtplt.show()
输出

以下是上述代码的输出 −

Bernsen Local Thresholding

mahotas.thresholding.gbernsen() 函数

mahotas.thresholding.gbernsen() 函数还将 Bernsen 局部阈值应用于输入灰度图像。

它是 Bernsen 局部阈值算法的通用版本。它输出一个分割图像,其中每个像素被分配一个 0 或 255 的值,具体取决于它是背景还是前景。

gbernsen() 和 bernsen() 函数之间的区别在于,gbernsen() 函数使用结构元素来定义局部邻域,而 bernsen() 函数使用固定大小的窗口来定义像素周围的局部邻域。

此外,gbernsen() 根据对比度阈值和全局阈值计算阈值,而 bernsen() 仅使用对比度阈值来计算每个像素的阈值。

语法

以下是 mahotas − 中 gbernsen() 函数的基本语法

mahotas.thresholding.gbernsen(f, se,contrast_threshold, gthresh)

其中,

  • f − 为输入灰度图像。

  • se − 为结构元素。

  • contrast_threshold − 为局部阈值。

  • gthresh(可选) −它是全局阈值。

示例

在此示例中,我们使用 mh.thresholding.gbernsen() 函数对图像应用广义 Bernsen 局部阈值。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('nature.jpeg')
# 将其转换为灰度
image = mh.colors.rgb2gray(image)
# 创建结构元素
structuring_element = np.array([[0, 0, 0],[0, 0, 0],[1, 1, 1]])
# 创建广义 Bernsen 阈值图像
threshold_image = mh.thresholding.gbernsen(image, structuring_element, 200,
128)
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示原始图像
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# 显示阈值图像
axes[1].imshow(threshold_image, cmap='gray')
axes[1].set_title('Generalized Bernsen Threshold Image')
axes[1].set_axis_off()
# 调整子图之间的间距
mtplt.tight_layout()
# 显示图形
mtplt.show()
输出

上述代码的输出如下 −

Bernsen Local Thresholding1

使用平均值的 Bernsen 局部阈值

我们可以使用像素强度的平均值作为阈值来应用 Bernsen 局部阈值。它指的是图像的平均强度,计算方法是将所有像素的强度值相加,然后除以像素总数。

在 mahotas 中,我们可以先使用 numpy.mean() 函数找到所有像素的平均像素强度。然后,我们定义一个窗口大小来获取像素的局部邻域。

最后,我们将平均值传递给 bernsen() 或 gbernsen() 函数的 contrast_threshold 参数,将其设置为阈值。

示例

在这里,我们对图像应用 Bernsen 局部阈值,其中阈值是所有像素强度的平均值。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('nature.jpeg')
# 将其转换为灰度
image = mh.colors.rgb2gray(image)
# 计算平均像素值
mean = np.mean(image)
# 创建 bernsen 阈值图像
threshold_image = mh.thresholding.bernsen(image, 15, mean)
# 创建子图的图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示原始图像
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# 显示阈值图像
axes[1].imshow(threshold_image, cmap='gray')
axes[1].set_title('Bernsen Threshold Image')
axes[1].set_axis_off()
# 调整子图之间的间距
mtplt.tight_layout()
# 显示图形
mtplt.show()

输出

执行上述代码后,我们得到以下输出 −

Bernsen Local Thresholding Mean