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 - Riddler-Calvard 方法

Riddler-Calvard 方法是一种将图像分割为前景和背景区域的技术。它对图像的像素进行分组,以在计算阈值时最小化簇内方差。

簇内方差测量像素值在组中的分散程度。簇内方差低表示像素值靠近,而簇内方差高表示像素值分散。

Mahotas 中的 Riddler-Calvard 方法

在 Mahotas 中,我们使用 thresholding.rc() 函数通过 Riddler-Calvard 技术计算图像的阈值。该函数以以下方式运行 −

  • 它计算两个簇 − 的均值和方差。均值是所有像素的平均值,方差是像素分布的度量。

  • 接下来,它选择一个阈值,使簇内方差最小化。

  • 然后它将每个像素分配给方差较低的簇。

步骤 2 和 3 不断重复,直到计算出阈值。然后使用该值将图像分割成前景和背景。

mahotas.thresholding.rc() 函数

mahotas.thresholding.rc() 函数将灰度图像作为输入,并返回使用 Riddler−Calvard 技术计算的阈值。

然后将灰度图像的像素与阈值进行比较以创建二值图像。

语法

以下是 mahotas − 中 rc() 函数的基本语法

mahotas.thresholding.rc(img, ignore_zeros=False)

其中,

  • img −它是输入的灰度图像。

  • ignore_zeros(可选) − 它是一个标志,指定是否忽略零值像素(默认为 false)。

示例

在下面的例子中,我们使用 mh.thresholding.rc() 函数来查找阈值。

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).astype(np.uint8)
# 使用 Riddler-Calvard 方法计算阈值
rc_threshold = mh.thresholding.rc(image)
# 根据阈值创建图像
final_image = image > rc_threshold
# 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()
# 显示阈值图像
axes[1].imshow(final_image, cmap='gray')
axes[1].set_title('Riddler-Calvard Threshold Image')
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 −

Riddler-Calvard

忽略零值像素

我们还可以通过忽略零值像素来找到 Riddler−Calvard 阈值。零值像素是强度值为 0 的像素。

它们通常表示图像的背景像素,但在某些图像中,它们也可能表示噪声。

在灰度图像中,零值像素是用颜色"黑色"表示的像素。

要在 mahotas 中计算阈值时排除零值像素,我们可以将 ignore_zeros 参数设置为布尔值"True"。

示例

在下面提到的示例中,我们在使用 Riddler−Calvard 方法计算阈值时忽略值为零的像素。

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)
# 使用 Riddler-Calvard 方法计算阈值
rc_threshold = mh.thresholding.rc(image, ignore_zeros=True)
# 根据阈值创建图像
final_image = image > rc_threshold
# 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()
# 显示阈值图像
axes[1].imshow(final_image, cmap='gray')
axes[1].set_title('Riddler-Calvard Threshold Image')
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 −

忽略零值像素