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 - Daubechies 小波

Daubechies 小波是垂直小波,指的是可以用波表示图像的数学函数。

Daubechies 小波仅在有限间隔内具有非零值,并且以最大数量的消失矩为特征。

小波的消失矩是指等于零的矩的数量。矩是小波函数乘以 x 幂的积分(曲线下的面积)。

消失矩较多的小波更能表示平滑信号,而消失矩较少的小波更能表示不连续信号。

Mahotas 中的 Daubechies 小波

在 Mahotas 中,我们可以使用 mahotas.daubechies() 函数对图像应用 Daubechies 小波变换。

它支持从 D2 到 D20 的多个 Daubechies 小波,其中整数表示小波中消失矩的数量。

变换涉及将图像分解为低频(平滑特征)和高频系数(详细特征)。这样可以独立分析图像的不同频率。

mahotas.daubechies() 函数

mahotas.daubechies() 函数以灰度图像作为输入,并将小波系数作为新图像返回。

小波系数是一个数组元组,对应于图像的平滑特征和细节特征。

语法

以下是 mahotas − 中 daubechies() 函数的基本语法

mahotas.daubechies(f, code, inline=False)

其中,

  • f −它是输入图像。

  • code − 它指定要使用的小波类型,可以是"D2"、"D4"......"D20"。

  • inline(可选) − 它指定是否返回新图像或修改输入图像(默认为 False)。

示例

在下面的示例中,我们使用 mh.daubechies() 函数对图像应用 Daubechies 小波变换。

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)
# 应用 Daubechies 变换
daubechies_transform = mh.daubechies(image, 'D20')
# 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 Daubechies 变换后的图像
axes[1].imshow(daubechies_transform, cmap='gray')
axes[1].set_title('Daubechies Transformed 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 −

Daubechies Wavelet

多个 Daubechies 小波

应用 Daubechies 小波变换的另一种方法是使用多个 Daubechies 小波。多个 Daubechies 小波是指一组具有不同消失矩的小波。

在 mahotas 中,要应用多个 Daubechies 小波,我们首先创建一个不同小波的列表。然后,我们遍历列表中的每个小波。

最后,我们使用 mh.daubechies() 函数将不同的小波应用于输入图像。

例如,假设我们有一个包含三个小波的列表,即 D6、D12 和 D18。这三个小波分别具有 6、12 和 18 个消失矩。

因此,将生成三个输出图像,每个图像都应用了不同的 Daubechies 小波。

示例

在下面提到的示例中,我们在图像上应用了多个 Daubechies 小波变换。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('sun.png')
# 将其转换为灰度
image = mh.colors.rgb2gray(image)
# 创建多个 Daubechies 小波列表
daubechies_wavelets = ['D6', 'D12', 'D18']
# 创建子图以显示每个 Daubechies 小波的图像
fig, axis = mtplt.subplots(1, len(daubechies_wavelets) + 1)
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# 对每个 Daubechies 小波应用 Daubechies 变换
for i, daubechies in enumerate(daubechies_wavelets):
   daubechies_transform = mh.daubechies(image, daubechies)
   axes[i + 1].imshow(daubechies_transform, cmap='gray')
   axes[i + 1].set_title(f'Wavelet={daubechies}')
   axes[i + 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 −

多个 Daubechies 小波

随机图像上的 Daubechies 小波

我们还可以使用 Daubechies 小波对二维随机图像执行 Daubechies 变换。

随机二维图像是指每个像素具有随机强度值的图像。强度值的范围可以从 0(黑色)到 255(白色)。

在 mahotas 中,要对随机图像执行 Daubechies 小波变换,我们首先指定二维图像的尺寸(长度和宽度)。

然后,我们将这些维度连同强度范围(0 到 255)一起传递给 np.random.randint() 函数以创建随机图像。由于未指定通道值,因此创建的图像是灰度图像。

之后,我们通过指定要使用的小波来应用 Daubechies 小波变换。

示例

在这里,我们对随机生成的二维图像应用 Daubechies 小波变换。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 指定尺寸
长度,宽度 = 1000, 1000
# 创建随机二维图像
image = np.random.randint(0, 256, (length, width))
# 应用 Daubechies 变换
daubechies_transform = mh.daubechies(image, 'D2')
# 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 Daubechies 变换后的图像
axes[1].imshow(daubechies_transform, cmap='gray')
axes[1].set_title('Daubechies Transformed 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 −

Multiple Daubechies Wavelets1