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 - 图像的质心

质心是指物体质量的平均位置。它是物体总质量集中的点。简单来说,它代表物体的平衡点。如果物体均匀对称,则质心位于其几何中心,否则则不位于。

Mahotas 中的图像质心

Mahotas 中的质心是通过为物体的每个像素分配一个质量值,然后计算这些质量值的平均位置来确定的。这会产生质心的坐标,该坐标指示物体质心在图像中的位置。

使用 mahotas.center_of_mass() 函数

mahotas.center_of_mass() 函数用于查找图像的质心。它计算图像中像素强度的平均位置(作为坐标元组),提供图像"中心"所在位置的测量值。

以下是 mahotas − 中 center_of_mass() 函数的基本语法

mahotas.center_of_mass(image)

其中,image 指的是您要为其找到质心的输入图像。

示例

在下面的例子中,我们正在计算图像"nature.jpeg"的质心 −

import mahotas as ms
import numpy as np
# 加载图像
image = ms.imread('nature.jpeg')
# 计算质心
com = ms.center_of_mass(image)
# 打印质心
print("图像的质心是:", com)
输出

质心以 [x, y, z] 形式的 3D 坐标表示,如以下输出所示 −

图像的质心是:[474.10456551 290.26772015 0.93327202]

使用 Numpy 函数计算质心

NumPy 函数是 NumPy 库中的内置工具,可让您轻松地在Python。

要使用 Mahotas 中的 NumPy 函数计算质心,我们需要确定图像"权重"的平均位置。这是通过将每个像素的 x 和 y 坐标乘以其强度值,对这些加权坐标求和,然后将结果除以强度总和来实现的。

以下是使用 numpy 函数 − 计算图像质心的基本语法

com = np.array([np.sum(X * Y), np.sum(A * B)]) / np.sum(C)

其中,'X''Y' 表示坐标数组,'A''B' 表示与坐标相关的值或强度相对应的数组,'C' 表示表示值或强度总和的数组强度。

示例

在这里,我们使用创建一个坐标数组。coords 的第一维表示 y 轴坐标,第二维表示 x 轴坐标。然后,在计算加权和时,我们访问 coords[1] 以获取 x 轴坐标,访问 coords[0] 以获取 y 轴坐标 −

import mahotas as mh
import numpy as np
# 加载图像
image = mh.imread('tree.tiff')
# 创建单个坐标数组
coords = np.indices(image.shape)
# 计算 x 和 y 坐标的加权和
com = np.array([np.sum(coords[1] * image), np.sum(coords[0] * image)]) /
np.sum(image)
# 打印质心
print("质心:", com)

输出

以下是上述代码的输出 −

质心:[ 7.35650493 -3.83720823]

特定区域的质心

特定区域的质心是该区域图像中感兴趣的区域。这可能是一个特定区域,例如边界框或选定区域。

特定区域的质心是通过对 ROI(感兴趣区域)中每个像素的 x 和 y 坐标取加权平均值来计算的,其中权重是像素强度。质心以两个值的元组形式返回,分别表示 x 和 y 坐标。

示例

以下是计算灰度图像感兴趣区域质心的示例 −

import mahotas as mh
import numpy as np
# 加载灰度图像
image = mh.imread('nature.jpeg', as_grey=True)
# 定义感兴趣区域
roi = image[30:90, 40:85]
# 计算 ROI 的质心
center = mh.center_of_mass(roi)
print(center)

输出

上述代码的输出如下 −

[29.50213372 22.13203391]