Matlab转Python问题：一些图像图像处理相关函数的对应

最近正好做了一份关于图像上的代码转译，不得不说这两个语言在这方面差的好多啊，查到头秃，在这里也记录一下，希望给读者有所帮助，也以防以后还需要使用。

1.bwareaopen

在我使用的时候，以下函数效果差不多：

from skimage import morphology

morphology.remove_small_objects()

2.bwlabel

注意，我不清楚其他格式是什么样的，但是tif文件一定要转置再使用下方函数。

from skimage import measure

measure.label()

3.eig

经过尝试，发现scipy.linagl.eigh产生的结果和matlab中的eig顺序是一致的。

4.gmdistribution

对于混合高斯分布，可以使用GaussianMixture，对于想要自定义均值和方差的情况下，可以如代码所示。其中n_components是聚类的数量，covariance_type是方差的类型，比如每个高斯分布是相同的方差，还是不一样的，‘full’就是每个分布都不一样，means_init就是初始的均值，precisions_init是初始的方差，weights_init是初始的权重。

然后就可以拟合数据了，让他计算收敛后的均值和方差，pp是求混合高斯分布的概率密度的办法。

from sklearn.mixture import GaussianMixture

gmm = GaussianMixture(n_components=K, covariance_type='full', means_init=Mu, precisions_init=Sigma, weights_init=[1 / K for _ in range(K)])
gmm.fit(XY)
pp = np.exp(gmm.score_samples(XY))

5.imimposemin

这个函数我在网上找了找代码，贴上来。

def imimposemin(img, minima):
    marker = np.full(img.shape, np.inf)
    marker[minima == 1] = 0
    mask = np.minimum((img + 1), marker)
    return morph.reconstruction(marker, mask, method='erosion')

6.watershed

这个函数再matlab是支持单通道计算的，但是Python的cv2.watershed是不支持单通道的。所以可以先把单通道扩展为三通道。代码如下：

import numpy as np
import cv2

# 比如对WhMap1使用watershed
WhMap1 = np.uint8(WhMap1)
ret, markers = cv2.connectedComponents(WhMap1)
# 扩展为三通道
image = np.expand_dims(WhMap1, axis=2)
image = np.concatenate((image, image, image), axis=-1)
LL = cv2.watershed(image, markers)

7.label2rgb

这个函数python也是有的，但是不能直接用，要先求一下labels，然后对labels使用label2rbg，代码如下：

from skimage.color import label2rgb

labels = measure.label(LL.T, connectivity=2)  # 8连通区域标记
Lrgb = label2rgb(labels)