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 - 逆 Haar 变换

逆 Haar 变换是指从 Haar 变换图像重建原始图像的技术。在理解逆 Haar 变换之前,让我们先了解一下Haar 变换

Haar 变换是一种将图像从像素强度值转换为小波系数(表示图像不同频率的值)的技术。

在 Haar 变换中,图像被分解为一组称为 Haar 小波的正交基函数

逆 Haar 变换通过以特定方式组合 Haar 小波(如下所述),将小波系数转换为像素强度值。

在 Mahotas 中逆 Haar 变换

在 Mahotas 中,我们可以使用 mahotas.ihaar() 函数执行逆 Haar 变换。以下是执行逆 Haar 变换 − 的基本方法

  • 首先,从 Haar 变换中获取 Haar 小波系数。

  • 接下来,将每个系数乘以缩放因子和 Haar 小波。对于 Haar 小波,缩放因子通常为近似系数的 $\mathrm{1/\sqrt{2}}$,细节系数的缩放因子为 1。

  • 然后,将高频(细节)和低频(近似)系数的缩放系数相加。

  • 最后,合并重建系数,如果像素值不在 0 到 255 的范围内,则执行归一化。

完成这些步骤后,即可从 Haar 变换后的图像重建原始图像。

mahotas.ihaar() 函数

mahotas.ihaar() 函数将 Haar 变换后的图像作为输入,并返回原始灰度图像作为输出。

由于 Haar变换是一个可逆过程。

语法

以下是 mahotas 中 ihaar() 函数的基本语法 −

mahotas.ihaar(f, retain_energy=True, inline=False)

其中,

  • f − 是输入图像。

  • preserve_energy (可选) − 指定是否保留输出图像的能量(默认为 True)。

  • inline (可选) −它指定是否返回新图像或修改输入图像(默认为 False)。

示例

在下面的例子中,我们使用 mh.ihaar() 函数来反转 Haar 变换对图像的影响。

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 Haar 变换
haar_transform = mh.haar(image)
# 反转 Haar 变换
reverse_haar = mh.ihaar(haar_transform)
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 3)
# 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 Haar 变换后的图像
axes[1].imshow(haar_transform, cmap='gray')
axes[1].set_title('Haar Transformed Image')
axes[1].set_axis_off()
#显示反转图像
axes[2].imshow(reverse_haar, cmap='gray')
axes[2].set_title('Reverse Haar Image')
axes[2].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 −

Reversing Haar Transform

不保留能量

我们还可以反转 Haar 变换对图像的影响而不保留其能量。图像的能量指的是其亮度,当图像被变换时,它会发生变化。

在 mahotas 中,我们可以在 mh.ihaar() 函数中将 preserve_energy 参数设置为"False",以防止能量守恒。因此,输出图像的亮度将不同于原始输入图像。

如果将此参数设置为 True,则输出图像和输入图像将具有相同的亮度。

示例

在下面提到的示例中,我们对图像执行逆 Haar 变换而不保留其能量。

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 Haar 变换
haar_transform = mh.haar(image)
# 反转 Haar 变换
reverse_haar = mh.ihaar(haar_transform, retain_energy=False)
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 3)
# 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 Haar 变换后的图像
axes[1].imshow(haar_transform, cmap='gray')
axes[1].set_title('Haar Transformed Image')
axes[1].set_axis_off()
# 显示反转图像
axes[2].imshow(reverse_haar, cmap='gray')
axes[2].set_title('Reverse Haar Image')
axes[2].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 −

Preserving Energy Mahotas

内联逆 Haar 变换

我们可以逆 Haar 变换的另一种方法是执行内联逆 Haar 变换。内联是指将变换应用于原始图像本身,而不创建新图像,从而节省变换过程中的空间。

在 mahotas 中,可以通过在 mh.ihaar() 函数中将 inline 参数设置为布尔值"True"来实现内联逆 Haar 变换。

示例

在这里,我们对 Haar 变换后的图像执行内联逆 Haar 变换。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('sea.bmp')
# 将其转换为灰度
image = mh.colors.rgb2gray(image)
# 反转 Haar 变换
mh.ihaar(mh.haar(image), inline=True)
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 1)
# 显示反转图像
axes.imshow(image, cmap='gray')
axes.set_title('Reverse Haar Image')
axes.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 −

保存能源 Mahotas1