Mahotas - 标记区域的权重
在图像分析中，图像可以分割成感兴趣的区域。这些区域通常标有唯一标识符或标签。标记区域的权重提供了一个聚合值，该值表示该区域内所有像素的总贡献。
换句话说，图像中标记区域的权重是指该区域内像素强度的总和。
为了计算权重，我们将标记区域内的像素强度相加。像素强度是指与图像中每个像素相关联的值，它可以表示亮度或颜色等属性。
通过对像素强度求和，我们获得一个表示标记区域内整体"质量"或"数量"的单个值。
Mahotas 中标记区域的权重
在 Mahotas 中，可以使用 mahotas.labeled_sum() 函数计算标记区域的权重。
Mahotas 中的标记区域由标记图像表示，其中每个像素都被分配一个与其所属区域相对应的唯一标签。
为了清楚地理解它，让我们考虑一个灰度图像，其中每个像素代表一个标量强度值。通过将此灰度图像分割成不同的区域并为每个区域分配唯一的标签，可以获取带标签的图像。
mahotas.labeled_sum() 函数
mahotas.labeled_sum() 函数接受 labeled_sum 函数接受一个输入数组和一个带标签的数组。它根据带标签数组中的相应标签计算输入数组中每个带标签区域的像素值总和。
结果数组包含每个带标签区域的像素值总和，数组的每个元素都对应一个唯一的标签。
语法
以下是 mahortas − 中 labeled_sum() 函数的基本语法
mahotas.labeled_sum(array, labeled, minlength=None)
其中，
array − 表示图像或数据的 NumPy 数组。
labeled − 具有与数组相同形状的标记数组，其中每个区域都分配有一个唯一的整数标签。
minlength(可选) − 指定结果数组的最小长度的整数。如果提供，函数将用零填充结果数组以达到此长度。
示例
以下是确定图像标记区域权重的基本示例 −
import mahotas as mh
import numpy as np
from pylab import imshow, show
# 生成灰度图像
image = mh.imread('tree.tiff')
# 生成带标签的数组
labeled = mh.imread('sea.bmp')
# 计算每个带标签区域的像素值总和
result = mh.labeled_sum(image, labeled)
print(result)
输出
执行上述代码后，我们得到以下输出 −
[ 30 115 58 157 226 154 169 24 63 48 124 123 159 146 44 163 202 174 208 30 39 109 100 221 245 101 16 162 42 0 214 71 46 31 110 197 91 137 118 192 104 119 139 23 198 176 219 192 60 1 218 143 67 122 249 14 165 70 159 16 18 204 135 185 74 175 110 39 8 98 208 238 86 169 42 21 39 129 100 146 162 48 217 228 204 30 54 164 174 80 144 172 232 115 48 165 136 234 37 147 195 242 2 227 75 6 95 100 92 230 200 96 93 59 30 28 60 122 213 65 133 53 58 91 191 36 174 106 95 25 201 70 73 234 59 76 2 207 238 66 87 140 174 222 122 239 37 79 220 57 126 38 150 236 60 37 196 58 236 241 148 207 253 56 103 79 72 71 47 242 169 8 88 19 176 16 195 88 134 188 205 78 248 96 156 86 35 57 69 241 142 203 198 182 165 31 127 36 227 47 195 47 117 217 134 45 50 95 76 47 34 182 21 140 138 192 17 232 158 182 162 136 104 145 229 165 33 107 14 117 185 115 73 129 217 105 244 0 63 124 0 0 109 56 0 107]
具有最小长度的标记区域的权重
要计算具有最小长度的标记区域的权重，我们需要将 'minlength' 参数传递给 mahotas 中的 labeled_sum() 函数。
通过设置最小长度值，在权重计算过程中，只有长度等于或大于指定最小长度的区域才会被考虑在内。
此功能允许我们过滤掉较小的区域，并专注于较大且可能更重要的区域。
如果任何区域不满足最小长度要求，则该区域的权重被分配为"0"。
示例
在这里，我们通过指定最小长度 − 来计算标记区域的权重
import mahotas as mh
import numpy as np
image = mh.imread('tree.tiff')
# 进行标记，获取标记图像
labeled_img, n_labels = mh.label(image)
# 计算每个标记区域的权重，最小长度为 2
weights = mh.labeled_sum(image, labeled_img, minlength=2)
# 打印每个标记区域的权重
for label, weight in enumerate(weights, start=1):
print(f"Weight of region {label}: {weight}")
输出
上述代码的输出如下 −
Weight of region 1: 0 Weight of region 2: 40 Weight of region 3: 86 Weight of region 4: 37
带有自定义标签的标记区域的权重
要计算带有自定义标签的标记区域的权重，首先，生成一个自定义标记图像，其中每个区域都分配有一个特定的标签。
标记图像将具有与原始图像相同的尺寸，每个像素根据其所属的区域分配相应的标签值。然后，计算标记区域的权重。
示例
现在，我们尝试计算带有自定义标签的标记区域的权重 −
import mahotas as mh
import numpy as np
# 生成二值图像
binary_img = np.array([[0, 1, 0, 0],[1, 1, 1, 0],[0, 0, 0, 1]])
# 生成带有特定标签的自定义标记图像
labeled_img = np.array([[0, 1, 0, 0],[2, 2, 2, 0],[0, 0, 0, 3]])
# 计算每个标记区域的权重
weights = mh.labeled_sum(binary_img, labeled_img)
# 打印每个标记区域的权重
for label, weight in enumerate(weights, start=1):
print(f"Weight of region {label}: {weight}")
输出
以下是上述代码的输出 −
Weight of region 1: 0 Weight of region 2: 1 Weight of region 3: 3 Weight of region 4: 1
