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' 和 '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