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 - 命中与未命中变换

命中与未命中变换是一种二元形态学运算,用于检测图像中的特定图案或形状。

该运算将结构元素与输入二元图像进行比较。结构元素由前景 (1) 和背景 (0) 像素组成,这些像素以特定图案排列,代表要检测的所需形状或图案。

命中或未命中变换在结构元素和图像之间执行逐像素逻辑与运算,然后检查结果是否符合预定义条件。

条件指定匹配图案中应存在的前景和背景像素的确切排列。如果满足条件,则将输出像素设置为 1,表示匹配;否则,将其设置为 0。

Mahotas 中的命中和未命中变换

在 Mahotas 中,我们可以使用 mahotas.hitmiss() 函数对图像执行命中和未命中变换。该函数使用结构元素 'Bc' 来确定输入图像中是否存在特定模式。

Mahotas 中的结构元素可以采用三个值:0、1 或 2。值 1 表示结构元素的前景,而 0 表示背景。

值 2 用作"无关"值,意味着不应针对该特定像素执行匹配。

要识别匹配,结构元素的值必须与输入图像中相应的像素值重叠。

如果重叠满足结构元素指定的条件,则认为该像素匹配。

mahotas.hitmiss() 函数

mahotas.hitmiss() 将灰度图像作为输入并返回二值图像作为输出。白色像素表示结构元素与输入图像匹配的区域,而黑色像素表示不匹配的区域。

语法

以下是 mahotas − 中 hitmiss() 函数的基本语法

mahotas.hitmiss(input, Bc, out=np.zeros_like(input))

其中,

  • input − 为输入的灰度图像。

  • Bc − 为输入图像中需要匹配的模式。其值为 0、1 或 2。

  • out(可选) −它定义了在哪个数组中存储输出图像(默认大小与输入相同)。

示例

以下示例使用 mh.hitmiss() 函数显示图像上的命中和未命中转换。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('tree.tiff')
# 将其转换为灰度
image = mh.colors.rgb2gray(image)
# 应用阈值
threshold_image = mh.thresholding.bernsen(image, 5, 200)
# 创建命中和未命中模板
template = np.array([[1, 2, 1, 2, 1],[2, 1, 1, 1, 2],[2, 2, 1, 2, 2]])
# 应用命中和未命中未命中变换
hit_miss = mh.hitmiss(threshold_image, template)
# 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()
# 显示命中和未命中变换后的图像
axes[1].imshow(hit_miss, cmap='gray')
axes[1].set_title('命中和未命中变换后的图像')
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 −

Hit Miss Transform

通过检测边缘

我们还可以通过应用 Hit & Miss 变换来检测图像的边缘。边缘表示图像中不同区域之间的边界。

这些区域相邻像素之间的强度值差异较大。

在 mahotas 中,要使用 Hit & Miss 变换检测边缘,我们首先创建一个结构元素。此结构元素将模板的边缘与输入图像进行匹配。

然后,我们对图像执行阈值处理,然后将结构元素作为 Bc 参数传递给 hitmiss() 函数。

例如,以下结构元素可用于检测输入图像中的边缘 −

[[1, 2, 1]
 [2, 2, 2]
 [1, 2, 1]]

在这里,1 位于结构元素的最右上、最左上、最右下和最左下的位置。边缘通常出现在图像中的这些位置。

结构元素中的 1 与图像中强度值为 1 的像素相匹配,从而将边缘突出显示为前景。

示例

在此示例中,我们尝试通过应用 Hit & Miss 变换 − 来检测图像的边缘。

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).astype(np.uint8)
# 应用阈值
threshold_value = mh.thresholding.rc(image)
threshold_image = image > Threshold_value
# 创建命中和未命中模板
template = np.array([[1, 2, 1],[2, 2, 2],[1, 2, 1]])
# 应用命中和未命中未命中变换
hit_miss = mh.hitmiss(threshold_image, template)
# 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()
# 显示命中和未命中变换后的图像
axes[1].imshow(hit_miss, cmap='gray')
axes[1].set_title('命中和未命中变换后的图像')
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

上述代码的输出如下 −

检测边缘

通过检测对角线

我们也可以使用 Hit & Miss 变换来检测图像的对角线。对角线由连接图像对角的线性图案表示。

这些是像素强度沿对角线路径变化的区域。

在 mahotas 中,我们首先对输入图像执行阈值处理。然后,我们将结构元素作为 Bc 参数传递给 hitmiss() 函数。该结构元素将模板的对角线与输入图像的对角线进行匹配。

例如,以下结构元素可用于检测输入图像中的对角线 −

[[0, 2, 0]
 [2, 0, 2]
 [0, 2, 0]]

在这里,0 沿着对角线路径从最左上角到最右下角,从最右上角到最左下角。对角线通常出现在图像中的这些位置。

结构元素中的 0 与图像中强度值为 0 的像素相匹配,从而将对角线突出显示为背景。

示例

在这里,我们尝试使用 Hit & Miss 变换 − 检测图像的对角线

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)
# 应用阈值
threshold_image = mh.thresholding.bernsen(image, 10, 10)
# 创建命中和未命中模板
template = np.array([[0, 2, 0],[2, 0, 2],[0, 2, 0]])
# 应用命中和未命中未命中变换
hit_miss = mh.hitmiss(threshold_image, template)
# 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()
# 显示命中和未命中变换后的图像
axes[1].imshow(hit_miss, cmap='gray')
axes[1].set_title('命中和未命中变换后的图像')
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 −

检测对角线