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 - Sobel 边缘检测

Sobel 边缘检测是一种用于识别图像边缘的算法。边缘表示不同区域之间的边界。它通过计算每个像素处图像强度的梯度来工作。

简而言之,它测量像素值的变化以确定高变化区域,这些区域对应于图像中的边缘。

Mahotas 中的 Sobel 边缘检测

在 Mahotas 中,我们可以使用 mahotas.sobel() 函数来检测图像中的边缘。

Sobel 函数使用两个单独的过滤器,一个用于水平变化 (Gx),另一个用于垂直变化 (Gy)。

这些过滤器通过将它们与图像的像素值卷积应用于图像。这将计算水平和垂直方向上的梯度。

一旦获得两个方向的梯度,Sobel 函数就会将它们组合起来,计算每个像素的总体梯度幅度。

这是使用勾股定理完成的,该定理计算水平和垂直梯度平方和的平方根。

$$\mathrm{M\:=\:\sqrt{(Gx^{2}\:+\:Gy^{2})}}$$

图像的最终梯度幅度 (M) 表示原始图像中边缘的强度。值越高表示边缘越强,值越低表示区域越平滑。

mahotas.sobel() 函数

mahotas.sobel() 函数以灰度图像作为输入并返回二值图像作为输出,其中使用 Sobel 边缘检测算法计算边缘。

结果图像中的白色像素表示边缘,而黑色像素表示其他区域。

语法

以下是 mahotas − 中 sobel() 函数的基本语法

mahotas.sobel(img, just_filter=False)

其中,

  • img −它是输入的灰度图像。

  • just_filter(可选) − 它是一个标志,指定是否对过滤后的图像进行阈值处理(默认值为 false)。

示例

在下面的例子中,我们使用 Sobel 边缘检测算法通过 mh.sobel() 函数检测边缘。

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)
# 应用 sobel 梯度检测边缘
sobel = mh.sobel(image)
# 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)
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# 显示边缘
axes[1].imshow(sobel)
axes[1].set_title('Sobel Edge Detection')
axes[1].set_axis_off()
# 调整子图之间的间距
mtplt.tight_layout()
# 显示图
mtplt.show()
输出

以下是上述代码的输出 −

Sobel 边缘检测

不进行阈值处理的输出图像

我们也可以执行 Sobel 边缘检测算法,而无需对输出图像进行阈值处理。阈值处理是指通过将像素分类为前景或背景,将图像转换为二值图像。

通过将像素的强度值与阈值(固定)值进行比较来进行转换。

在 mahotas 中,sobel() 函数中的 just_filter 参数决定是否对输出图像进行阈值处理。我们可以将此参数设置为"True",以防止对输出图像进行阈值处理。

如果将过滤器设置为"False",则对输出图像进行阈值处理。

示例

在下面提到的示例中,我们在使用 Sobel 边缘检测算法时不会对输出图像进行阈值处理。

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 sobel 梯度检测边缘
sobel = mh.sobel(image, just_filter=True)
# 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)
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# 显示边缘
axes[1].imshow(sobel)
axes[1].set_title('Sobel Edge Detection')
axes[1].set_axis_off()
# 调整子图之间的间距
mtplt.tight_layout()
# 显示图
mtplt.show()

输出

执行上述代码后,我们得到以下输出 −

Thresholding Output Image

在阈值图像上

Sobel 边缘检测也可以在阈值图像上执行。阈值图像是二值图像,其中像素被分类为前景或背景。

前景像素为白色,用值 1 表示,而背景像素为黑色,用值 0 表示。

在 mahotas 中,我们首先使用任何阈值算法对输入图像进行阈值处理。让我们假设Bernsen 阈值算法。这可以通过在灰度图像上使用 mh.thresholding.bernsen() 函数来实现。

然后,我们应用 Sobel 边缘检测算法来检测阈值图像的边缘。

示例

在这里,我们使用 Sobel 边缘检测算法在阈值图像上检测图像的边缘。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('tree.tiff')
# 将其转换为灰度
image = mh.colors.rgb2gray(image)
# 在图像上应用阈值
threshold_image = mh.thresholding.bernsen(image, 17, 19)
# 应用 sobel 梯度检测边缘
sobel = mh.sobel(threshold_image)
# 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)
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# 显示边缘
axes[1].imshow(sobel)
axes[1].set_title('Sobel Edge Detection')
axes[1].set_axis_off()
# 调整间距子图
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 −

Thresholding Image