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 - 获取标签的边框

获取标签的边框是指提取带标签图像的边框像素。边框可以定义为像素位于图像边缘的区域。边框表示图像不同区域之间的过渡。

获取标签的边框涉及识别带标签图像中的边框区域并将其与背景分离。

由于带标签的图像仅由前景像素和背景像素组成,因此可以轻松识别边框,因为它们与背景区域相邻。

在 Mahotas 中获取标签的边框

在 Mahotas 中,我们可以使用 mahotas.labeled.borders() 函数来获取标签的边框。它分析标记图像的相邻像素并考虑连接模式以获取边框。

mahotas.labeled.borders() 函数

mahotas.labeled.borders() 函数将标记图像作为输入并返回具有突出显示边框的图像。

在结果图像中,边框像素的值为 1 并且是前景的一部分。

语法

以下是 mahotas − 中 borders() 函数的基本语法

mahotas.labeled.borders(labeled, Bc={3x3 cross}, out={np.zeros(labeled.shape,
bool)})

其中,

  • labeled − 它是输入的带标签图像。

  • Bc(可选) − 它是用于连接的结构元素。

  • out(可选) −它是输出数组(默认为与标签形状相同的新数组)。

示例

在下面的示例中,我们使用 mh.labeled.borders() 函数获取标签的边框。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('nature.jpeg', as_grey=True)
# 应用阈值
image = image > image.mean()
# 将其转换为带标签的图像
labeled, num_objects = mh.label(image)
# 获取标签的边框
borders = mh.labeled.borders(labeled)
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示带标签的图像
axes[0].imshow(labeled)
axes[0].set_title('Labeled Image')
axes[0].set_axis_off()
# 显示边框
axes[1].imshow(borders)
axes[1].set_title('Border Labels')
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

以下是上述代码的输出−

Border Labels

使用自定义结构元素获取边框

我们还可以使用自定义结构元素获取标签的边框。结构元素是一个仅由 1 和 0 组成的数组。它用于定义相邻像素的连接结构。

连接分析中包含的像素的值为 1,而被排除的像素的值为 0。

在 mahotas 中,我们使用 mh.disk() 函数创建自定义结构元素。然后,我们将此自定义结构元素设置为 borders() 函数中的 Bc 参数,以获取标签的边框。

示例

在这里,我们使用自定义结构元素获取标签的边框。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('sea.bmp', as_grey=True)
# 应用阈值
image = image > image.mean()
# 将其转换为带标签的图像
labeled, num_objects = mh.label(image)
# 获取标签的边框
borders = mh.labeled.borders(labeled, mh.disk(5))
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示带标签的图像
axes[0].imshow(labeled)
axes[0].set_title('Labeled Image')
axes[0].set_axis_off()
# 显示边框
axes[1].imshow(borders)
axes[1].set_title('Border Labels')
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

输出上述代码如下 −

Border Labels Element