Mahotas - SURF 积分
SURF 代表加速稳健特征,是一种用于检测特征的算法。SURF 积分是此算法中的一个关键概念。
要理解 SURF 积分,让我们从图像的概念开始。图像由像素组成,像素是存储有关该特定位置图像强度的信息的微小点。
现在,想象一下将图像划分为一个小的局部邻域。SURF 积分是一种有效计算每个局部邻域总像素值的方法。
Mahotas 中的 SURF 积分
在 Mahotas 中,我们可以使用 mahotas.features.surf.integral() 函数来计算图像的 SURF 积分。以下是该函数工作的基本方法 −
初始化 − 首先,该函数通过将所有像素值设置为零来初始化积分图像。积分图像是指存储到某个点的所有像素之和的图像。
递归总和计算 − 然后,该函数继续计算积分图像中每个点的像素总和。它以递归方式执行此操作,这意味着它根据先前的总和计算每个点的总和。
由于积分图像存储到特定点的所有像素之和,因此它们可以显著提高计算 SURF 描述符的速度。由于该函数使用递归,因此计算大型图像的总和可能会很慢。
mahotas.features.surf.integral() 函数
mahotas.features.surf.integral() 函数将灰度图像作为输入,并返回积分图像作为输出。
返回的结果是一个新图像,通常为 NumPy 数组的形式,其中每个像素值对应于到该像素位置的像素强度的总和。
语法
以下是 mahotas − 中 surf.integral() 函数的基本语法
mahotas.features.surf.integral(f, in_place=False, dtype=<class 'numpy.float64'>)
其中,
f − 是输入图像。
in_place (可选) − 是一个标志,用于确定是否覆盖输入图像(默认为 'False')。
dtype (可选) −它指定输出图像的数据类型(默认为 float64)。
示例
在下面的示例中,我们使用 mh.features.surf.integral() 函数计算图像的 SURF 积分。
import mahotas as mh from mahotas.features import surf 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) # 获取 SURF 积分 surf_integral = surf.integral(image) # 为子图创建图形和轴 fig,axes = 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 surf 积分 axes[1].imshow(surf_integral) axes[1].set_title('SURF Integral') 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 −

随机图像的 SURF 积分
我们还可以计算随机生成的二维图像的 SURF 积分。二维随机图像是指每个像素被分配一个随机强度值的图像。强度值的范围可以从 0(黑色)到 255(白色)。
在 mahotas 中,要创建二维随机图像,我们首先指定其尺寸。然后,我们将这些尺寸连同像素的强度范围一起传递给 np.random.randint() 函数。
之后,我们可以使用 surf.integral() 函数计算图像的 SURF 积分。
示例
在下面提到的例子中,我们正在计算随机生成的 2−D 图像的 SURF 积分。
import mahotas as mh from mahotas.features import surf import numpy as np import matplotlib.pyplot as mtplt # 指定图像的尺寸 l, w = 1000, 1000 # 创建随机二维图像 image = np.random.randint(0, 256, (l, w)) # 获取 SURF 积分 surf_integral = surf.integral(image) # 创建子图的图形和轴 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 surf 积分 axes[1].imshow(surf_integral) axes[1].set_title('SURF Integral') axes[1].set_axis_off() # 调整子图之间的间距 mtplt.tight_layout() # 显示图 mtplt.show()
输出
上述代码的输出如下 −

阈值图像的 SURF 积分
除了随机 2−D 图像外,我们还可以计算阈值图像的 SURF 积分。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,我们可以使用 surf.integral() 函数计算阈值图像的 SURF 积分。
示例
在这里,我们正在计算阈值图像的 SURF 积分。
import mahotas as mh from mahotas.features import surf 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) # 对图像进行阈值处理 image = mh.thresholding.bernsen(image, 5, 5) # 获取 SURF 积分 surf_integral = surf.integral(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 surf 积分 axes[1].imshow(surf_integral) axes[1].set_title('SURF Integral') 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 −
