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 - 加速稳健特征

加速稳健特征 (SURF) 是一种用于检测图像中独特特征(关键点)的算法。SURF 通过分析图像中多个尺度的强度变化来识别关键点。

它为这些点分配方向并生成描述符来捕捉它们的独特特征。

描述符以模式计算在关键点周围的局部区域内。然后,这些描述符可用于各种应用。

SURF 使用两种主要技术:surf density 和 surf integration。这两种技术都将在接下来的章节中详细讨论。

SURF Surf

SURF surf 是一种结合图像关键点检测和描述的技术。它生成对这些关键点的属性进行编码的描述符。该函数以图像作为输入并返回一组 SURF 描述符。

语法

以下是 mahotas − 中 surf.surf() 函数的基本语法

mahotas.features.surf.surf(f, nr_octaves=4, nr_scales=6, initial_step_size=1,
threshold=0.1, max_points=1024, descriptor_only=False)

其中,

  • f − 它是输入图像。

  • nr_octaves(可选) −它定义了 SURF 算法中要使用的八度数。一个八度表示不同分辨率级别的图像(默认值为 4)。

  • nr_scales(可选) − 它确定每个八度的尺度数。尺度用于检测不同细节级别的特征(默认值为 6)。

  • initial_step_size(可选) − 它确定连续尺度之间的初始步长。较小的步长允许检测详细特征(默认值为 1)。

  • threshold(可选) − 它是用于过滤掉弱 SURF 特征的阈值(默认值为 0.1)。

  • max_points(可选) −它定义了将返回的最大 SURF 点数(默认值为 1024)。

  • descriptor_only(可选) − 它是一个标志,用于确定是否仅返回描述符或描述符和关键点。设置为 True 时,将仅返回检测到的特征的描述符。

    如果设置为 False,则将同时返回关键点和描述符(默认值为 False)。

我们可以在下面看到冲浪图像 −

Surf

SURF Dense

SURF Dense 是 SURF 算法使用的一种技术。在 SURF Dense 中,关键点在图像上密集采样。

换句话说,SURF Dense 不是搜索特定的有趣点,而是计算图像中像素网格的描述符。这有助于捕获有关整个图像的信息。

在下图中,我们可以看到 SURF 密集图像 −

Surf Dense

SURF 积分

SURF 积分技术通过利用积分图像提高了 SURF 算法的计算效率。积分图像预先计算图像特定区域像素强度的累积和。

这种预先计算消除了冗余计算,从而实现了更快、更高效的特征检测和描述。

因此,SURF 算法非常适合实时应用和处理大规模数据集。

以下是 SURF 积分的图像

Surf Integral Technique

示例

在下面的示例中,我们将对图像执行如上所述的不同 SURF 函数 −

import mahotas as mh
from mahotas.features import surf
import numpy as np
import matplotlib.pyplot as mtplt
image = mh.imread('tree.tiff', as_grey=True)
# SURF density
surf_dense = surf.dense(image, 100)
mtplt.imshow(surf_dense)
mtplt.title('SURF Dense Image')
mtplt.axis('off')
mtplt.show()
# SURF integration
surf_integral = surf.integral(image)
mtplt.imshow(surf_integral)
mtplt.title('SURF Integral Image')
mtplt.axis('off')
mtplt.show()
# SURF surf
surf_surf = surf.surf(image)
mtplt.imshow(surf_surf)
mtplt.title('SURF Surf Image')
mtplt.axis('off')
mtplt.show()

输出

得到的输出如下所示 −

SURF Dense 图像:

Surf Dense1

SURF 积分图像:

Surf 积分图像

SURF 冲浪图像:

Surf 图像1

我们将在后续章节中详细讨论 SURF Dense 和 SURF 积分技术。