python 近期用到的基础知识汇总(主要是skimage的相关矩阵变化函数)（二）

最新推荐文章于 2024-01-02 18:48:05 发布

镜中隐

最新推荐文章于 2024-01-02 18:48:05 发布

阅读量2.5k

点赞数 2

分类专栏： python函数解释文章标签： skimage skimage.segmentation.clear_bor skimage.measure.label skimage.measure.regionprops 图像的膨胀腐蚀

本文链接：https://blog.csdn.net/qq_36401512/article/details/88252649

版权

python函数解释专栏收录该内容

12 篇文章 1 订阅

订阅专栏

1.skimage.segmentation.clear_border函数

clear_border(labels, buffer_size=0, bgval=0, in_place=False)主要作用是清除二值图像中边界的1值。例如

    >>> import numpy as np
    >>> from skimage.segmentation import clear_border
    >>> labels = np.array([[0, 0, 0, 0, 0, 0, 0, 1, 0],
    ...                    [0, 0, 0, 0, 1, 0, 0, 0, 0],
    ...                    [1, 0, 0, 1, 0, 1, 0, 0, 0],
    ...                    [0, 0, 1, 1, 1, 1, 1, 0, 0],
    ...                    [0, 1, 1, 1, 1, 1, 1, 1, 0],
    ...                    [0, 0, 0, 0, 0, 0, 0, 0, 0]])
    >>> clear_border(labels)
    array([[0, 0, 0, 0, 0, 0, 0, 0, 0],
           [0, 0, 0, 0, 1, 0, 0, 0, 0],
           [0, 0, 0, 1, 0, 1, 0, 0, 0],
           [0, 0, 1, 1, 1, 1, 1, 0, 0],
           [0, 1, 1, 1, 1, 1, 1, 1, 0],
           [0, 0, 0, 0, 0, 0, 0, 0, 0]])

2.skimage.measure.label函数

在skimage包中，使用measure子模块下的label函数即可实现连通区域标记。参数input表示需要处理的二值图像，connectivity表示判定连通的模式（1代表4连通，2代表8连通），输出labels为一个从0开始的标记数组。

neighbors：{4,8}，int，可选是否使用4或8“连接”。在3D中，4“连接”意味着连接的像素在这个像素点的三个坐标截面（xyz）中任意一个存在4连通，共2+2+2=6种像素点。而对于8-“连通性”意味着连接的像素在这个像素点的任意截面中存在一截面存在8连通即可，共3×3×3-1=26种像素点。 **不推荐使用，

x = [[[1,0,1],
      [0,1,0],
      [0,0,1]],
     [[1,0,0],
      [0,0,0],
      [0,0,1]],
     [[1,0,0],
      [0,1,0],
      [0,0,1]]]
x=np.array(x)
print(label(x, neighbors=4))

[[[1 0 2]
  [0 3 0]
  [0 0 4]]

 [[1 0 0]
  [0 0 0]
  [0 0 4]]

 [[1 0 0]
  [0 5 0]
  [0 0 4]]]


x = [[[1,0,1],
      [0,1,0],
      [0,0,1]],
     [[1,0,0],
      [0,0,0],
      [0,0,1]],
     [[1,0,0],
      [0,1,0],
      [0,0,1]]]
x=np.array(x)
print(label(x, neighbors=8))

[[[1 0 1]
  [0 1 0]
  [0 0 1]]

 [[1 0 0]
  [0 0 0]
  [0 0 1]]

 [[1 0 0]
  [0 1 0]
  [0 0 1]]]

>>> import numpy as np
>>> x = np.eye(3).astype(int)
>>> print(x)
[[1 0 0]
 [0 1 0]
 [0 0 1]]
>>> print(label(x, connectivity = 1))
[[1 0 0]
 [0 2 0]
 [0 0 3]]
>>> print(label(x, connectivity = 2))
[[1 0 0]
 [0 1 0]
 [0 0 1]]
>>> print(label(x, background = -1))
[[1 2 2]
 [2 1 2]
 [2 2 1]]
>>> x = np.array([[1, 0, 0],
...               [1, 1, 5],
...               [0, 0, 0]])
>>> print(label(x))
[[1 0 0]
 [1 1 2]
 [0 0 0]]

3.skimage.measure.regionprops函数

此外，使用measure子模块中的regionprops()函数可以很方便地对每一个连通区域进行属性获取和操作，比如计算面积、外接矩形、凸包面积等等。
计算结果返回为所有连通区域的属性列表，列表长度为连通区域个数（第i个连通区域的attribute属性可以通过properties[i].attribute获取）。

Notes ----- The following properties can be accessed as attributes or keys:

**area** : int Number of pixels of region.

**bbox** : tuple Bounding box ``(min_row, min_col, max_row, max_col)`

**label** : int The label in the labeled input image.

在三维中bbox表示连通区域所有点中最小的xyz，以及最大的xyz加上1.

x = [[[1,0,0],
      [0,0,0],
      [0,0,1]],
     [[1,0,0],
      [0,0,0],
      [0,0,1]],
     [[0,0,0],
      [0,0,0],
      [0,0,1]]]
x=np.array(x)
x1=label(x, neighbors=8)
print(x1)
regions = regionprops(x1)
print(regions[0].bbox)
print(regions[0].area)

[[[1 0 0]
  [0 0 0]
  [0 0 2]]

 [[1 0 0]
  [0 0 0]
  [0 0 2]]

 [[0 0 0]
  [0 0 0]
  [0 0 2]]]
(0L, 0L, 0L, 2L, 1L, 1L)
2

4.Python函数 dict()。

作用：dict() 函数用于创建一个字典。返回一个字典。

5.Python enumerate() 函数

enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。

语法

以下是 enumerate() 方法的语法:enumerate(sequence, [start=0])

参数

sequence -- 一个序列、迭代器或其他支持迭代对象。
start -- 下标起始位置。

返回值

返回 enumerate(枚举) 对象。

>>>seasons = ['Spring', 'Summer', 'Fall', 'Winter']
>>> list(enumerate(seasons))
[(0, 'Spring'), (1, 'Summer'), (2, 'Fall'), (3, 'Winter')]
>>> list(enumerate(seasons, start=1))       # 下标从 1 开始
[(1, 'Spring'), (2, 'Summer'), (3, 'Fall'), (4, 'Winter')]

普通的 for 循环
>>>i = 0
>>> seq = ['one', 'two', 'three']
>>> for element in seq:
...     print i, seq[i]
...     i +=1
... 
0 one
1 two
2 three
for 循环使用 enumerate
>>>seq = ['one', 'two', 'three']
>>> for i, element in enumerate(seq):
...     print i, element
... 
0 one
1 two
2 three

6.skimage.morphology.binary_dilation(image, selem=None）函数二值图像的膨胀。

原理：一般对二值图像进行操作。找到像素值为1的点，将它的邻近像素点都设置成这个值。1值表示白，0值表示黑，因此膨胀操作可以扩大白色值范围，压缩黑色值范围。一般用来扩充边缘或填充小的孔洞。

selem表示结构元素，用于设定局部区域的形状和大小。

分别用边长为5或15的正方形滤波器对棋盘图片进行膨胀操作，结果如下：

可见滤波器的大小，对操作结果的影响非常大。一般设置为奇数。

除了正方形的滤波器外，滤波器的形状还有一些，现列举如下：

morphology.square: 正方形

morphology.disk: 平面圆形#disk_12 = disk(6, dtype=np.bool)半径为6的圆形滤波器

morphology.ball: 球形

morphology.cube: 立方体形

morphology.diamond: 钻石形

morphology.rectangle: 矩形

morphology.star: 星形

morphology.octagon: 八角形

morphology.octahedron：八面体

注意，如果处理图像为非二值图像（只有0和1两个值），则可以调用：

skimage.morphology.dilation(image, selem=None）

7.skimage.morphology.binary_erosion(image, selem=None）二值图像腐蚀操作。

原理：和膨胀相反的操作，将0值扩充到邻近像素。扩大黑色部分，减小白色部分。可用来提取骨干信息，去掉毛刺，去掉孤立的像素。

selem表示结构元素，用于设定局部区域的形状和大小。

用边长为5和25的正方形滤波器进行腐蚀滤波结果如下：

注意，如果处理图像为非二值图像（只有0和1两个值），则可以调用：

skimage.morphology.erosion(image, selem=None）

前面两点参考：https://blog.csdn.net/haoji007/article/details/52063306。这里边是基本滤波学蛮全的很好！！！

8.skimage.morphology.remove_small_holes(ar, min_size=64, connectivity=1, in_place=False):

移除小于指定尺寸的连续孔，去掉中间的小块（例子为值为0的区域）。

Examples
--------
>>> from skimage import morphology
>>> a = np.array([[1, 1, 1, 1, 1, 0],
...               [1, 1, 1, 0, 1, 0],
...               [1, 0, 0, 1, 1, 0],
...               [1, 1, 1, 1, 1, 0]], bool)
>>> b = morphology.remove_small_holes(a, 2)#最小值设为2了，默认4连通
>>> b
array([[ True,  True,  True,  True,  True, False],
       [ True,  True,  True,  True,  True, False],
       [ True, False, False,  True,  True, False],
       [ True,  True,  True,  True,  True, False]], dtype=bool)
>>> c = morphology.remove_small_holes(a, 2, connectivity=2)
>>> c
array([[ True,  True,  True,  True,  True, False],
       [ True,  True,  True, False,  True, False],
       [ True, False, False,  True,  True, False],
       [ True,  True,  True,  True,  True, False]], dtype=bool)
>>> d = morphology.remove_small_holes(a, 2, in_place=True)
>>> d is a
True

9.skimage.morphology.binary_closing(image, selem=None）闭运算函数（非二值化图像skimage.morphology.closing）

selem表示结构元素，用于设定局部区域的形状和大小。

先膨胀再腐蚀，可用来填充孔洞。

用边长为9的圆形滤波器进行闭运算结果如下：

反之还有skimage.morphology.binary_opening(image, selem=None)开运算函数（非二值化图像skimage.morphology.opening）

selem表示结构元素，用于设定局部区域的形状和大小。

先腐蚀再膨胀，可以消除小物体或小斑块。

用边长为9的圆形滤波器进行开运算结果如下：

这里还是参考：https://blog.csdn.net/haoji007/article/details/52063306。代码里面是ball（3）的立体闭运算。说明可以在三维上用。

ps:2019年6月26号，关于skimage库好的攻略：https://www.jianshu.com/p/f2e88197e81d

镜中隐

关注

2
点赞
踩
11

收藏

觉得还不错? 一键收藏
0
评论
python 近期用到的基础知识汇总(主要是skimage的相关矩阵变化函数)（二）

1.skimage.segmentation.clear_border函数clear_border(labels, buffer_size=0, bgval=0, in_place=False)主要作用是清除二值图像中边界的1值。例如 >>> import numpy as np >>> from skimage.segmentation...
复制链接

扫一扫