Mahotas - 标签区域的权重



在图像分析的背景下,图像可以分割成感兴趣的区域。这些区域通常用唯一的标识符或标签进行标记。标签区域的权重提供了一个聚合值,表示该区域内所有像素的综合贡献。

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的数值,它可以表示亮度或颜色等属性。

通过对像素强度求和,我们得到一个单一的值,表示标记区域内的整体“质量”或“数量”。

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,其中每个像素都分配了一个唯一的标签,对应于它所属的区域。

为了更清晰地理解这一点,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。标记图像通过将此灰度图像分割成不同的区域并为每个区域分配一个唯一标签而获得。

`mahotas.labeled_sum()`函数

`mahotas.labeled_sum()`函数接受输入数组和标记数组作为输入。它根据标记数组中对应的标签,计算输入数组中每个标记区域的像素值之和。

生成的数组包含每个标记区域的像素值之和,数组的每个元素对应一个唯一的标签。

语法

以下是Mahotas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 − 与`array`形状相同的标记数组,其中每个区域都分配了一个唯一的整数标签。

  • minlength (可选) − 指定结果数组最小长度的整数。如果提供,则该函数会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
# Generate a grayscale image
image = mh.imread('tree.tiff')
# Generate a labeled array
labeled = mh.imread('sea.bmp')
# Calculate the sum of pixel values for each labeled region
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,只有长度等于或大于指定最小长度的区域才会在权重计算过程中被考虑。

此功能允许我们过滤掉较小的区域,并关注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,则该区域的权重被赋值为'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')
# Perform labeling to obtain the labeled image
labeled_img, n_labels = mh.label(image)
# Calculate the weight of each labeled region with a minimum length of 2
weights = mh.labeled_sum(image, labeled_img, minlength=2)
# Print the weights of each labeled region
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

具有自定义标签的标记区域的权重

要计算具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了一个特定的标签。

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,我们尝试计算具有自定义标签的标记区域的权重:

import mahotas as mh
import numpy as np
# Generate a binary image
binary_img = np.array([[0, 1, 0, 0],[1, 1, 1, 0],[0, 0, 0, 1]])
# Generate a custom labeled image with specific labels
labeled_img = np.array([[0, 1, 0, 0],[2, 2, 2, 0],[0, 0, 0, 3]])
# Calculate the weight of each labeled region
weights = mh.labeled_sum(binary_img, labeled_img)
# Print the weights of each labeled region
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
广告