kiv8测量方法_measure_测量 | measure_Scikit image_参考手册_非常教程

最新推荐文章于 2023-06-17 21:30:59 发布
最新推荐文章于 2023-06-17 21:30:59 发布
阅读量1k 收藏 1
点赞数
文章标签： kiv8测量方法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39884877/article/details/111490231
版权
本文详细介绍了Skimage库中的measure模块，包括多项实用功能，如图像下采样、图像质量评估（如MSE、NRMSE、PSNR、SSIM）、轮廓查找、多边形近似、区域属性测量等。这些工具广泛应用于图像分析、对象识别和图像质量比较等领域。
摘要由CSDN通过智能技术生成

measure

skimage.measure.approximate_polygon(coords，...)

近似具有指定公差的多边形链。

skimage.measure.block_reduce(image，block_size)

通过对局部块应用函数来下采样图像。

skimage.measure.compare_mse(im1，im2)

计算两幅图像之间的均方差。

skimage.measure.compare_nrmse(im_true，im_test)

计算两幅图像之间的归一化均方根误差(NRMSE)。

skimage.measure.compare_psnr(im_true，im_test)

计算图像的峰值信噪比(PSNR)。

skimage.measure.compare_ssim(X，Y，...)

计算两幅图像之间的平均结构相似性指数。

skimage.measure.correct_mesh_orientation(...)

网格面的正确方向。

skimage.measure.find_contours(数组，级别)

对于给定的水平值，在二维数组中找到等值的轮廓。

skimage.measure.grid_points_in_poly(shape，verts)

测试指定网格上的点是否在多边形内。

skimage.measure.label(输入，邻居，...)

标记整数数组的连接区域。

skimage.measure.marching_cubes(volume，...)

Lewiner推进立方体算法来查找3D体积数据中的曲面。

skimage.measure.marching_cubes_classic(体积)

经典的游动立方体算法，用于查找3D体积数据中的曲面。

skimage.measure.marching_cubes_lewiner(体积)

marching_cubes()的别名。

skimage.measure.mesh_surface_area(verts，faces)

计算表面积，给定顶点和三角形面

skimage.measure.moments(图片，订单)

计算所有原始图像时刻达到一定的顺序。

skimage.measure.moments_central(image，cr，cc)

计算所有的中心图像时刻达到一定的顺序。

skimage.measure.moments_hu(NU)

计算胡的一组图像时刻。

skimage.measure.moments_normalized(mu，order)

计算所有归一化的中心图像时刻，达到一定的顺序。

skimage.measure.perimeter(图片，邻居)

计算二进制图像中所有对象的总周长。

skimage.measure.points_in_poly(点，垂直)

测试点是否位于多边形内。

skimage.measure.profile_line(img，src，dst)

返回沿扫描线测量的图像的强度分布。

skimage.measure.ransac(data，model_class，...)

使用RANSAC(随机样本一致性)算法将模型拟合到数据。

skimage.measure.regionprops(label_image，...)

测量标记的图像区域的属性。

skimage.measure.shannon_entropy(image，base)

计算图像的香农熵。

skimage.measure.structural_similarity(X，Y)

弃用功能。改用compare_ssim。

skimage.measure.subdivide_polygon(coords，...)

使用B样条对多边形曲线进行细分。

skimage.measure.CircleModel()

2D圆圈的总体最小二乘估计量。

skimage.measure.EllipseModel()

2D椭圆的总体最小二乘估计量。

skimage.measure.LineModel()

2D线的总最小二乘估计量。

skimage.measure.LineModelND()

N维线的总体最小二乘估计量。

skimage.measure.block

​

skimage.measure.entropy

​

skimage.measure.fit

​

skimage.measure.pnpoly

​

skimage.measure.profile

​

skimage.measure.simple_metrics

​

approximate_polygon

skimage.measure.approximate_polygon(coords, tolerance)[资源]

近似具有指定公差的多边形链。

它基于Douglas-Peucker算法。

请注意，近似的多边形总是在原始多边形的凸包内。

参数：

坐标：(N，2)阵列坐标数组。tolerance：float从多边形原始点到近似多边形链的最大距离。如果公差为0，则返回原始坐标数组。

返回：

坐标：(M，2)阵列近似多边形链，其中M <= N.

参考

R329

http://en.wikipedia.org/wiki/Ramer-Douglas-Peucker_algorithm

block_reduce

skimage.measure.block_reduce(image, block_size, func=, cval=0)[资源]

通过对局部块应用函数来下采样图像。

参数：

image：ndarray N维输入图像。block_size：array_like包含沿每个轴下采样整数因子的数组。func：可调用函数对象，用于计算每个本地块的返回值。该函数必须实现一个轴参数，如numpy.sum或numpy.min。cval：float如果图像不能完全被块大小整除，则为常量填充值。

返回：

image：与输入图像具有相同维数的下采样图像。

例子

>>> from skimage.measure import block_reduce

>>> image = np.arange(3*3*4).reshape(3, 3, 4)

>>> image

array([[[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]],

[[12, 13, 14, 15],

[16, 17, 18, 19],

[20, 21, 22, 23]],

[[24, 25, 26, 27],

[28, 29, 30, 31],

[32, 33, 34, 35]]])

>>> block_reduce(image, block_size=(3, 3, 1), func=np.mean)

array([[[ 16., 17., 18., 19.]]])

>>> image_max1 = block_reduce(image, block_size=(1, 3, 4), func=np.max)

>>> image_max1

array([[[11]],

[[23]],

[[35]]])

>>> image_max2 = block_reduce(image, block_size=(3, 1, 4), func=np.max)

>>> image_max2

array([[[27],

[31],

[35]]])

compare_mse

skimage.measure.compare_mse(im1, im2)[资源]

计算两幅图像之间的均方差。

参数：

im1，im2：ndarray图片。任何维度。

返回：

mse：float均方误差(MSE)度量。

compare_nrmse

skimage.measure.compare_nrmse(im_true, im_test, norm_type='Euclidean')[资源]

计算两幅图像之间的归一化均方根误差(NRMSE)。

参数：

im_true：ndarray地面真相图像。im_test：ndarray测试图像。norm_type：{'Euclidean'，'min-max'，'mean'}控制用于NRMSE分母的标准化方法。文献R330没有标准化的标准化方法。这里提供的方法如下：'欧几里德'：用im_true的欧几里德规范进行归一化。'min-max'：通过im_true的强度范围进行归一化。'mean'：通过im_true的均值来标准化。

返回：

nrmse：float NRMSE度量标准。

'欧几里得'：按欧几里得规范归一化im_true。

'min-max'：按照强度范围进行归一化im_true。

'mean'：用.im_true的均值标准化

Returns: **nrmse** : float

NRMSE度量。

参考

R330

(1, 2) https://en.wikipedia.org/wiki/Root-mean-square_deviation

compare_psnr

skimage.measure.compare_psnr(im_true, im_test, data_range=None, dynamic_range=None)[资源]

计算图像的峰值信噪比(PSNR)。

参数：

im_true：ndarray地面真相图像。im_test：ndarray测试图像。data_range：int输入图像的数据范围(最小和最大可能值之间的距离)。默认情况下，这是从图像数据类型估计的。

返回：

psnr：float PSNR指标。

参考

compare_ssim

skimage.measure.compare_ssim(X, Y, win_size=None, gradient=False, data_range=None, multichannel=False, gaussian_weights=False, full=False, dynamic_range=None, **kwargs)[资源]

计算两幅图像之间的平均结构相似性指数。

参数：

X，Y：ndarray图片。任何维度。win_size：int或None用于比较的滑动窗口的边长。必须是奇数值。如果gaussian_weights为True，则忽略它，窗口大小将取决于西格玛。渐变：布尔，可选如果为True，也会返回渐变。data_range：int，可选输入图像的数据范围(最小和最大可能值之间的距离)。默认情况下，这是从图像数据类型估计的。多通道：bool，可选如果为True，则将数组的最后一个维度视为通道。相似性计算是针对每个通道独立完成的，然后进行平均。gaussian_weights：bool，可选如果为True，则每个补丁均具有由宽度为sigma = 1.5的归一化高斯内核进行空间加权的均值和方差。full：bool，可选如果为True，

返回：

mssim：float图像上的平均结构相似度。grad：ndarray X和Y R333之间的结构相似性指数的梯度。这仅在梯度设置为True时才会返回。S：ndarray完整的SSIM图像。这仅在full设置为True时才会返回。

| 其他参数：|

| | use_sample_covariance：bool如果为真，用N-1归一化协方差而不是N，其中N是滑动窗口内的像素数。K1：浮点算法参数，K1(小常量，参见R332)K2：浮点算法参数，K2(小常量，参见R332)sigma：当gaussian_weights为真时为高斯浮点数。|

注意

为了配合Wang等的实施。[R332]，将gaussian_weights设置为True，将sigma设置为1.5，并将use_sample_covariance设置为False。

参考

R332

(1，2，3，4)Wang，Z.，Bovik，AC，Sheikh，HR和Simoncelli，EP(2004)。图像质量评估：从错误可见性到结构相似性。IEEE Transactions on Image Processing，13,600-612。https://ece.uwaterloo.ca/~z70wang/publications/ssim.pdf，DOI：10.1.1.11.2477

R333

(1,2)Avanaki，AN(2009)。准确的全局直方图规范针对结构相似性进行了优化 Optical Review，16,613-621。http://arxiv.org/abs/0901.0065，DOI：10.1007 / s10043-009-0119-z

correct_mesh_orientation

skimage.measure.correct_mesh_orientation(volume, verts, faces, spacing=(1.0, 1.0, 1.0), gradient_direction='descent')[资源]

网格面的正确方向。

参数：

体积：(M，N，P)双精度数组输入数据体积以查找等值面。将转换为np.float64。verts：(V，3)浮点数组包含V唯一网格顶点的(x，y，z)坐标的数组。faces：(F，3)ints的数组列表的长度为3的整数列表，引用在vert中提供的顶点坐标。间距：长度为3的浮点数元素体积空间中的体素间距对应于体积中的numpy阵列索引尺寸(M，N，P)。gradient_direction：string控制网格是从等值面生成的，梯度下降到感兴趣的对象(默认值)，或者相反。这两个选项是：*下降：对象比外部大*上升：外部大于对象

返回：

faces_corrected(F，3)ints数组更正verts中引用顶点坐标的面的列表。

扩展内容

skimage.measure.marching_cubes_classic, skimage.measure.mesh_surface_area

注意

某些应用程序和网格处理算法要求所有面都以一致的方式进行定向。通常，这意味着法线向量指出网格形状的“出”。该算法skimage.measure.marching_cubes_classic通过翻转面向错误的面的方向来校正输出。

由于步进立方体可以用于在梯度下降(其中所需物体具有比外部更大的值)或上升(其中期望物体具有比外部更低的值)处找到等值面，gradient_directionkwarg允许用户通知该算法，其中是正确的。如果生成的网格看上去完全不正确，请尝试更改此选项。

这个函数期望的参数是来自的确切输出skimage.measure.marching_cubes_cla

最低0.47元/天 解锁文章
weixin_39884877
关注
Open3D 三维重建-Marching Cubes (行进立方体)
纵马踏花向自由
08-07 1564
行进立方体算法（Marching Cubes）是一种用于从三维标量场数据（如体素网格）生成等值面（isosurface）的算法。其基本原理是通过遍历三维标量场中的每个体素单元，根据每个体素的顶点值，构建出相应的三角网格。
飞桨入门学习
m0_52024881的博客
02-15 2274
文章目录需要引用的库灰度图屏幕分辨率图像分辨率参数1：图片的文件名参数2：读入方式，省略即采用默认值1.通道交换2.灰度化(Grayscale)二值化4. 大津二值化算法（Otsu's Method）5. HSV变换6. 减色处理7. 平均池化（Average Pooling）8. 最大池化（Max Pooling）9. 高斯滤波（Gaussian Filter）10 中值滤波11. 均值滤波器12. Motion Filter13. MAX-MIN滤波器14. 差分滤波器(Differential Fil
Skimage.measure 的compare_psnr和compare_ssim的改动
最新发布
qq_46082765的博客
06-17 5070
Skimage.measure 的compare_psnr和compare_ssim的改动及错误解决
python图像质量评价_图像质量评价指标之 PSNR 和 SSIM
weixin_39946313的博客
11-26 891
1. PSNR (Peak Signal-to-Noise Ratio) 峰值信噪比给定一个大小为 \(m×n\) 的干净图像 \(I\) 和噪声图像 \(K\)，均方误差 \((MSE)\) 定义为：\[MSE = \frac{1}{mn}\sum_{i=0}^{m-1}\sum_{j=0}^{n-1}[I(i, j)-K(i,j)]^2\]然后 \(PSNR (dB)\) 就定义为：\[PSN...
RTI RIP-Kit v3_x64.rar
06-08
windows7_64位_PS虚拟打印机驱动工具，InDesign，Illustrator，photoshop，CorelDRAW等常用软件打印PS的必备虚拟打印机。
kiv_pt_sp:学期工作从 KIVPT 主题开始 - 编程技术
06-18
项目中的代码可能包含如何使用Git进行版本控制的教程，包括提交、拉取、分支管理和合并等操作。 8. **单元测试** 通过JUnit等工具进行单元测试是保证代码质量的关键。学生将在项目中学习编写和运行测试用例，理解...
KIV_WEB_SP:KIVWEB 20142015 冬季学期的学期作业
07-10
KIV_WEB_SP KIV / WEB 主题的学期工作 - 2014/2015 冬季学期。
kiv_upg:与 KIVUPG 合作的学期工作
06-18
这是我的自述文件 要正确运行程序，您需要加载文件“file.json”，该文件位于 bin/upg_sem2/data。 应用程序需要一个外部库来加载这个文件。 将 google-gson 库导入到您的项目中。 lib / google-gson-2.2.4 / ...
Skimage库-measure--保留三维数据中的最大连通域
songchunxiao1991的博客
04-11 6765
Measure的英文学习链接：http://scikit-image.org/docs/dev/api/skimage.measure.html 1、Measure中所有的函数功能做一个简单的介绍： skimage.measure.find_contours(array,level) 对于给定的级别值，在2D数组中查找等值轮廓。 skim...
用 python skimage做图像处理
热门推荐
thesby的专栏
05-08 3万+
导言：由于经常需要处理图像，习惯了matlab那么好用的图像处理工具箱，搬到python后有点不知所措了。搜了下python图像处理方面的库，好多PIL的教程，但是无奈的是PIL和numpy等结合不好，而且半天找不到图像处理的函数在哪里，只好作罢；终于搜到了skimage，:-)，喜出望外，因为它是和scipy、numpy可以完美结合的，那么就可以很好的使用numpy了。废话不多说，直接上干货吧。s
python skimage图像处理(二)
浩瀚之水的专栏
05-14 8569
本文转自 python数字图像处理图像简单滤波对图像进行滤波，可以有两种效果：一种是平滑滤波，用来抑制噪声；另一种是微分算子，可以用来检测边缘和特征提取。skimage库中通过filters模块进行滤波操作。1、sobel算子sobel算子可用来检测边缘函数格式为：skimage.filters.sobel(image, mask=None) from skimage import data,fi...
python skimage图像处理(一)
dugu_00的博客
05-11 8588
本文转自 python数字图像处理基于python脚本语言开发的数字图片处理包，比如PIL,Pillow, opencv, scikit-image等。PIL和Pillow只提供最基础的数字图像处理，功能有限；opencv实际上是一个c++库，只是提供了python接口，更新速度非常慢。scikit-image是基于scipy的一款图像处理包，它将图片作为numpy数组进行处理，正好与matlab...
RANSAC算法——看完保证你理解
zhoucoolqi的专栏
04-13 3万+
目录1 最小二乘算法的缺陷2 RANSAC算法2.1 原理2.2 实例2.3 参数参考感谢阅读 RANSAC全程Random sample consensus，中文即“随机抽样一致算法”，该方法采用迭代的方式从一组包含离群（outlier或者错误数据）的被观测数据中估算出数学模型的参数，相比最小二乘方法，它融合了剔除不合格数据的思想，因此对于有部分错误数据的数据样本，能够更快更准的给出辨识...
随机抽样一致算法（RANSAC）理论介绍和程序实现
fan_weiqiang的博客
05-20 1239
随机抽样一致算法（Random sample consensus，RANSAC）理论介绍 Ordinary LS是保守派：在现有数据下，如何实现最优。是从一个整体误差最小的角度去考虑，尽量谁也不得罪。 RANSAC是改革派：首先假设数据具有某种特性（目的），为了达到目的，适当割舍一些现有的数据。 给出最小二乘拟合（红线）、RANSAC（绿线）对于一阶直线、二阶曲线的拟合对比： 可以看到RANSAC可以很好的拟合。RANSAC可以理解为一种采样的方式，所以对于多项式拟合、混合高斯模型（GMM）等理论上都是适
Marching squares & Marching cubes
爱冒险的技术宅
07-25 1万+
提要Marching squares 主要是用于从一个地图（用二维数组表示）生成轮廓的算法。Marching cubes则对应的是在空间生成网格的方法。最常见的应用就是天气预报中气压图的生成，还常用于随机地形的生成。Marching squares 先说算法步骤。(1) 输入是一个Scalar grid，它是一张二维的表。这张表可以从一张二维图像生成，也可以从高度图生成等等。每个顶点对应一个Sca
(Windows 10) AttributeError: module 'skimage' has no attribute 'io'
MrCharles在CSDN
12-11 3702
一开始pip install scikit-image 还是有问题 经过摸索，conda install scikit-image解决问题
常见医疗扫描图像处理步骤
DaZun的博客
06-09 1万+
常见医疗扫描图像处理步骤一 下载必要包skimage需要更新到最新0.13版本，否则会报错，ImportError: cannot import name label。sudo pip install scikit-image -U -i https://pypi.tuna.tsinghua.edu.cn/simple二 数据格式2.1 dicom当前医疗竞赛官方数据集格式 data-scien
请根据下面这段代码用MATLAB求出Zddce，Zdqce，Zqdce，Zqqce的具体形式s = tf('s'); kpi=6;kii=50;kpv=2;kiv=50;K=6.5;Dq=320;W1=100*pi;J=0.013;Dp=5;Vd=310.272;Id=32.23;Udc=400; Lf=2e-3;Rf=1.5;Cf=200e-6; A=[(kpi+kii/s)*(-(kpv+kiv/s)-Cf*s),(kpi+kii/s)*(-1.5*(kpv+kiv/s)*(1/(K*s+Dq))*Id+W1*Cf);(kpi+kii/s)*(-1.5*Id*(kpv+kiv/s)*Vd/(J*(s^2)+Dp*s)/W1-W1*Cf),(kpi+kii/s)*(-(kpv+kiv/s)-Cf*s)]; B=[-(kpi+kii/s),1.5*Vd*(kpi+kii/s)*(kpv+kiv/s)/(K*s+Dq);-1.5*(Vd^2)/(J*(s^2)+Dp*s)/W1*(kpi+kii/s)*(kpv+kiv/s),-(kpi+kii/s)]; C=[Lf*Cf*(s^2)+Rf*Cf*s-(W1^2)*Lf*Cf+1,-2*W1*Lf*Cf*s-W1*Rf*Cf;2*W1*Lf*Cf*s+W1*Rf*Cf,Lf*Cf*(s^2)+Rf*Cf*s-(W1^2)*Lf*Cf+1]; D=[Lf*s+Rf,-W1*Lf;W1*Lf,Lf*s+Rf]; Zoutce =(Udc*A-C)\(D-Udc*B);
05-18
根据给出的代码，可以使用MATLAB中的控制系统工具箱函数tf和ss来求出Zddce，Zdqce，Zqdce，Zqqce的具体形式。 首先，将给出的状态空间模型转化为传递函数模型，可以使用ss2tf函数，代码如下： ``` s = tf('s'); kpi=6;kii=50;kpv=2;kiv=50;K=6.5;Dq=320;W1=100*pi;J=0.013;Dp=5;Vd=310.272;Id=32.23;Udc=400; Lf=2e-3;Rf=1.5;Cf=200e-6; A=[(kpi+kii/s)*(-(kpv+kiv/s)-Cf*s),(kpi+kii/s)*(-1.5*(kpv+kiv/s)*(1/(K*s+Dq))*Id+W1*Cf);(kpi+kii/s)*(-1.5*Id*(kpv+kiv/s)*Vd/(J*(s^2)+Dp*s)/W1-W1*Cf),(kpi+kii/s)*(-(kpv+kiv/s)-Cf*s)]; B=[-(kpi+kii/s),1.5*Vd*(kpi+kii/s)*(kpv+kiv/s)/(K*s+Dq);-1.5*(Vd^2)/(J*(s^2)+Dp*s)/W1*(kpi+kii/s)*(kpv+kiv/s),-(kpi+kii/s)]; C=[Lf*Cf*(s^2)+Rf*Cf*s-(W1^2)*Lf*Cf+1,-2*W1*Lf*Cf*s-W1*Rf*Cf;2*W1*Lf*Cf*s+W1*Rf*Cf,Lf*Cf*(s^2)+Rf*Cf*s-(W1^2)*Lf*Cf+1]; D=[Lf*s+Rf,-W1*Lf;W1*Lf,Lf*s+Rf]; [Zddce_num, Zddce_den] = ss2tf(A, B, C, D, 1); [Zdqce_num, Zdqce_den] = ss2tf(A, B, C, D, 2); [Zqdce_num, Zqdce_den] = ss2tf(A, B, C, D, 3); [Zqqce_num, Zqqce_den] = ss2tf(A, B, C, D, 4); ``` 这样就可以得到Zddce，Zdqce，Zqdce，Zqqce的传递函数的分子和分母数组。如果需要查看具体形式，可以使用tf函数将其转化为传递函数的形式，代码如下： ``` Zddce = tf(Zddce_num, Zddce_den) Zdqce = tf(Zdqce_num, Zdqce_den) Zqdce = tf(Zqdce_num, Zqdce_den) Zqqce = tf(Zqqce_num, Zqqce_den) ``` 其中，Zddce、Zdqce、Zqdce、Zqqce分别对应于传递函数模型中的Zdd(s)、Zdq(s)、Zqd(s)、Zqq(s)。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值