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 - 图像的欧拉数

假设您有一幅画,上面有各种形状。欧拉数使我们能够计算出这些形状中有多少个孔洞,以及它们可以分成多少个独立部分(连通分量)。这有助于分析和描述图像的结构。

从数学上讲,它可以定义为 −

E = C - H

其中,E 是欧拉数,C 是连通分量的数量,H 是图像中的孔洞数量。

Mahotas 中图像的欧拉数

在 Mahotas 中,您可以使用 mahotas.euler() 函数计算欧拉数。此函数以二进制图像作为输入,其中感兴趣的对象由白色像素表示,背景由黑色像素表示。然后,它根据图像中存在的对象的连通性和孔洞计算欧拉数。

使用 mahotas.euler() 函数

mahotas.euler() 函数以二进制图像作为输入,并以整数形式返回欧拉特征值。

欧拉特征是一种拓扑测量,用于描述图像中对象的连通性和形状。它被定义为图像中连通分量的数量与孔洞的数量之间的差异。

以下是 mahotas 中 euler() 函数的基本语法 −

mahotas.euler(f, n=8)

其中,'f' 是 2−D 二进制图像,'n' 是连通分量,整数为 4 或 8(默认值为 8)。

示例

在下面的示例中,我们通过将二进制图像"nature.jpeg"加载为灰度图像,然后对其进行阈值处理以创建二进制图像 − 来计算其欧拉数。

import mahotas as mh
import numpy as np
# 将二进制图像加载为 NumPy 数组
binary_image = mh.imread('nature.jpeg', as_grey=True) > 0
# 计算欧拉数
euler_number = mh.euler(binary_image)
# 打印结果
print("欧拉数:", euler_number)
输出

以下是上述代码的输出 −

欧拉数:-2.75

具有不同连通性的欧拉数

我们还可以使用 euler() 函数在 Mahotas 中计算具有不同连通性的欧拉数。连通性参数决定在计算中考虑哪些相邻像素。

例如,使用连通性−4 仅考虑直接的水平和垂直邻居,而连通性−8 还包括对角邻居。

示例

在这里,我们正在为"nature.jpeg"图像−计算具有不同连通性的欧拉数

import mahotas as mh
import numpy as np
# 将图像加载为灰度图像
image = mh.imread('sun.png', as_grey=True)
# 对图像进行阈值处理以创建二值图像
thresholded_image = image > 0
# 计算具有 4 连通性的欧拉数
euler_number_4conn = mh.euler(thresholded_image, 4)
# 计算具有 8 连通性的欧拉数
euler_number_8conn = mh.euler(thresholded_image, 8)
# 打印结果
print("欧拉数 (4-连通性):", euler_number_4conn)
print("欧拉数 (8-连通性):", euler_number_8conn)

输出

上述代码的输出如下 −

欧拉数 (4-连通性): -4.75
欧拉数 (8-连通性): -4.75

使用带标签的图像计算欧拉数

带标签的图像图像为二进制图像中的连通分量分配唯一的整数标签。

在 Mahotas 中,欧拉函数将带标签的图像作为输入,并返回整个图像的欧拉数。计算考虑了物体的数量、孔洞的数量以及物体之间的隧道数量。

示例

在这里,我们正在计算从"sea.bmp"图像派生的带标签图像的欧拉数 −

import mahotas as mh
import numpy as np
# 将图像加载为灰度图像
image = mh.imread('sea.bmp', as_grey=True)
# 对图像进行阈值处理以创建二值图像
thresholded_image = image > 0
# 标记二值图像中的连通分量
labeled_image, num_labels = mh.label(thresholded_image)
# 计算标记图像的欧拉数
euler_number = mh.euler(labeled_image)
# 打印结果
print("欧拉数:", euler_number)

输出

执行上述代码后,我们得到以下输出 −

欧拉数:-44.75

使用二值图像计算欧拉数

在 Mahotas 中,可以计算二值图像的欧拉数使用 euler() 函数。通过加载二进制图像并将其转换为布尔格式,欧拉函数将图像作为输入并以整数形式返回欧拉数。

示例

在下面给出的示例中,我们使用 Mahotas 计算从"nature.jpeg"图像创建的二进制图像的欧拉数 −

import mahotas as mh
# 加载二进制图像并转换为布尔格式
image = mh.imread('sun.png', as_grey= True)
image = image.astype(bool)
# 计算欧拉数
euler_number = mh.euler(image)
# 打印结果
print("二进制图像的欧拉数为:", euler_number)

输出

得到的结果如下−

二值图像的欧拉数为:-4.75