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 - 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 −

SURF Integral

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 −

SURF 积分随机图像

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 −

SURF Integral Random Image1