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 - 获取图像矩

图像矩是用于描述图像各种属性的统计度量。它提供有关图像中物体的形状、位置、方向和强度的信息。

一般来说,图像矩是通过对像素强度和其对应空间坐标的乘积求和来计算的。这些矩可用于得出有用的特征,例如图像中物体的质心(平均位置)、面积、方向和比例。高阶矩可以捕捉更复杂的形状特征。

在 Mahotas 中获取图像矩

在 Mahotas 中,使用 mahotas.moments() 函数计算图像矩。此函数将图像作为输入并返回一组表征图像的矩。

Mahotas 提供各种类型的矩,包括原始矩、中心矩、归一化矩和 Hu 矩。这些矩可用于诸如对象识别、图像对齐和形状分析等任务。

使用 mahotas.moments() 函数

mahotas.moments() 函数用于获取图像或感兴趣区域 (ROI) 的矩。此函数以图像对象作为输入,并返回包含计算出的矩的 numpy 数组。

NumPy 数组就像一个数据表,其中每个值都排列在一个网格中,您可以轻松地对整个网格或其特定部分执行计算。

以下是 Mahotas − 中 Moments() 函数的基本语法

mahotas.moments(image, p0, p1, cm=(0, 0), convert_to_float=True)

其中,

  • p0 − 它是第一维(浮点数)的幂

  • p1 −它是第二维(浮点数)的幂

  • image − 它是输入图像,应该是二维数组

  • cm − 它是重心,默认为 (o,o)。

示例

在下面给出的示例中,我们使用 moment() 函数获取图像矩 −

import mahotas as mh
import numpy as np
from pylab import imshow, show
image = mh.imread('sun.png')
# 使用切片提取图像数组的第一个通道(第 0 个索引)
cimage=image[:,:,0]
p0=5.5
p1=5.5
moment = mh.moments(cimage,p0,p1)
print(moment)
输出

以下是上述代码的输出 −

2.971238276705602e+39

通过指定质心获取图像矩

质心是像素平均位置的度量,按其强度加权。通过指定质心,我们可以获得相对于该特定位置的矩。

我们可以通过将 'cm' 参数传递给 moment() 函数来指定质心以获取图像矩。通过设置质心,我们可以移动坐标系并获得相对于图像内特定位置的矩。

示例

在这里,我们通过指定质心坐标 − 来获取图像矩

import mahotas as mh
image = mh.imread('nature.jpeg', as_grey = True)
moments = mh.moments(image, p0=1, p1=0, cm=(100, 100))
print(moments)

输出

执行上述代码后,我们得到以下输出 −

40074427849.0

通过获取图像矩禁用浮点转换

通过禁用浮点转换,我们在矩计算期间保留了输入图像的原始数据类型。这在我们处理特定图像格式(例如灰度或二进制图像)时很有用,其中像素值已经是整数格式。

我们可以在 mahotas 中计算图像矩时禁用将输入图像转换为浮点表示,方法是将 'convert_to_float' 参数传递给 moment() 函数。

convert_to_float 参数明确设置为 False。这可确保在矩计算期间不会将输入图像转换为浮点表示。

示例

在下面的示例中,我们通过禁用浮点转换来获取图像矩

import mahotas as mh
image = mh.imread('tree.tiff', as_grey = True)
moments = mh.moments(image, p0=2, p1=0, cm=(0, 0), convert_to_float=False)
print(moments)

输出

上述代码的输出如下 −

11029976739711.432

获取高阶图像矩

高阶图像矩提供了有关图像像素分布、对称性和形状特征的更详细信息。这些矩有助于我们捕捉低阶矩可能忽略的复杂模式和变化。

我们可以通过使用 'p0''p1' 参数指定所需的矩阶来获取 mahotas 中的高阶图像矩,其中值越高表示阶数越高。

示例

在这里,我们尝试获取高阶图像矩 −

import mahotas as mh
image = mh.imread('sea.bmp', as_grey = True)
moments = mh.moments(image, p0=3, p1=3, cm=(10, 10))
print(moments)

输出

上述代码的输出如下 −

2.3690172519584466e+24