Mahotas - Zernike 矩
与 Zernike 特征一样,Zernike 矩也是一组数学值,用于描述图像中物体的形状。它们提供有关形状的具体细节,例如形状的圆度或对称性,或者是否存在任何特定图案。
Zernike 矩具有一些特殊属性,如下所述 −
尺寸不变性 − 它们可以描述形状,而不管其大小如何。因此,即使您有一个小或大的物体,Zernike 矩仍将准确捕捉其形状。
旋转不变性 − 如果您旋转图像中的物体,Zernike 矩将保持不变。
缩放不变性 −如果您调整图像中对象的大小,Zernike 矩将保持不变。
Zernike 矩使用称为 Zernike 多项式的特殊数学函数将形状分解为更小的部分。
这些多项式就像构建块一样。通过组合不同的 Zernike 多项式,我们可以重新创建并表示对象形状的独特特征。
Mahotas 中的 Zernike 矩
要计算 mahotas 中的 Zernike 矩,我们可以使用 mahotas.features.zernike_moments() 函数。
在 Mahotas 中,Zernike 矩是通过生成一组 Zernike 多项式来计算的,这些多项式是代表各种形状和轮廓的特殊数学函数。
这些多项式是分析物体形状的基石。
之后,通过将物体的形状投影到 Zernike 多项式上来计算 Zernike 矩。这些矩可以捕捉重要的形状特征。
mahotas.features.zernike_moments() 函数
mahotas.features.zernike_moments() 函数有两个参数:图像对象和 Zernike 多项式的最大半径。该函数返回图像的 Zernike 矩的 1−D 数组。
语法
以下是 mahotas.features.zernike_moments() 函数的基本语法 −
mahotas.features.zernike_moments(im, radius, degree=8, cm={center_of_mass(im)})
其中,
im − 它是将在其上计算 Zernike 矩的输入图像。
radius − 它定义了将在其上计算 Zernike 矩的圆形区域的半径(以像素为单位)。忽略以此半径定义的以质心为中心的圆外的区域。
degree(可选) − 它指定要计算的 Zernike 矩的最大数量。默认情况下,度值为 8。
cm(可选) − 它指定图像的质心。默认情况下,使用图像的质心。
示例
以下是使用默认度值计算图像的 Zernike 矩的基本示例 −
import mahotas as mh # 加载形状图像 image = mh.imread('sun.png', as_grey=True) # 计算 Zernike 矩 moments = mh.features.zernike_moments(image, radius=10) # 比较矩以进行形状识别 print(moments)
输出
执行上述代码后,我们得到以下输出 −
[0.31830989 0.00534998 0.00281258 0.0057374 0.01057919 0.00429721 0.00178094 0.00918145 0.02209622 0.01597089 0.00729495 0.00831211 0.00364554 0.01171028 0.02789188 0.01186194 0.02081316 0.01146935 0.01319499 0.03367388 0.01580632 0.01314671 0.02947629 0.01304526 0.00600012]
使用自定义质心
图像的质心是图像中质量均匀分布的点。自定义质心是图像中的点,但不一定是图像的质心。
当您想使用不同的质心进行计算时,这可能很有用。
例如,您可能希望使用图像中对象的自定义质心来计算对象的 Zernike 矩。
要使用 mahotas 中的自定义质心计算图像的 Zernike 矩,我们需要将 cm 参数传递给 mahotas.features.zernike_moments() 函数。
cm 参数采用两个数字的元组,表示自定义质心的坐标。
示例
在这里,我们尝试使用自定义质心 − 计算图像的 Zernike 矩;
import mahotas import numpy as np # 加载图像 image = mahotas.imread('nature.jpeg', as_grey = True) # 计算图像的质心 center_of_mass = np.array([100, 100]) # 使用自定义质心计算图像的 Zernike 矩 zernike_moments = mahotas.features.zernike_moments(image, radius = 5, cm=center_of_mass) # 打印 Zernike 矩 print(zernike_moments)
输出
以下是上述代码的输出 −
[3.18309886e-01 3.55572603e-04 3.73132619e-02 5.98944983e-04 3.23622041e-04 1.72293481e-04 9.16757235e-02 3.35704966e-04 7.09426259e-02 1.17847972e-04 2.12625026e-04 3.06537827e-04 1.94379185e-01 1.32093249e-04 8.54616882e-02 1.83274207e-04 1.86728282e-04 3.08004108e-04 4.79437809e-04 1.97726337e-04 3.61630733e-01 5.27467687e-04 8.25534856e-02 7.75593823e-06 1.99419391e-01]
使用特定顺序
Zernike 矩的顺序是其可以表示的形状复杂度的度量。阶数越高,矩可以表示的形状越复杂。
要计算 mahotas 中具有特定阶数的图像的 Zernike 矩,我们需要将 degree 参数传递给 mahotas.features.zernike_moments() 函数。
示例
在下面的例子中,我们尝试计算具有指定阶数的图像的 Zernike 矩。
import mahotas import numpy as np # 加载图像 image = mahotas.imread('nature.jpeg', as_grey = True) # 使用特定阶数计算图像的 Zernike 矩 zernike_moments = mahotas.features.zernike_moments(image,1, 4) # 打印 Zernike moment print(zernike_moments)
输出
上述代码的输出如下所示 −
[0.31830989 0.17086131 0.03146824 0.1549947 0.30067136 0.5376049 0.30532715 0.33032683 0.47908119]