Mahotas 简明教程

Mahotas - SURF Integral

SURF，代表加速稳健特征（Speeded−Up Robust Features），是一种用于检测特征的算法。SURF 积分是此算法中的一个关键概念。

为了理解 SURF 积分，让我们从图像的概念开始思考。图像由像素构成，这些像素是存储在该特定位置图像强度信息的微小点。

现在，想象一下将图像划分为一个小的局部邻域。SURF 积分是一种有效计算每个局部邻域的总像素值的方法。

SURF Integral in Mahotas

在 Mahotas 中，我们可以使用 mahotas.features.surf.integral() 函数来计算图像的 SURF 积分。以下是有关该函数工作原理的基本方法的说明 −

  1. Initialization − 首先，该函数通过将所有像素值设为零来初始化积分图像。积分图像是指存储到某个点所有像素的总和的图像。

  2. Recursive Sum Calculation − 然后，该函数继续计算积分图像中每个点的像素总和。它以递归的方式进行，这意味着它根据之前的总和计算每个点的总和。

由于积分图像存储了到特定点的所有像素的总和，因此它们可以极大地提高计算 SURF 描述符的速度。由于该函数使用递归，因此计算大图像的总和时速度可能会较慢。

The mahotas.features.surf.integral() function

mahotas.features.surf.integral() 函数将灰度图像作为输入，并返回一个积分图像作为输出。

返回的结果是一个新图像，通常采用 NumPy 数组的形式，其中每个像素值对应于到该像素位置的像素强度的总和。

以下是 mahotas 中 surf.integral() 函数的基本语法 −

mahotas.features.surf.integral(f, in_place=False, dtype=<class
'numpy.float64'>)

其中，

  1. f − 这是输入图像。

  2. in_place (optional) − 它是一个标志，用于确定是否覆盖输入图像（默认为“False”）。

  3. dtype (optional) − 它指定输出图像的数据类型（默认为 float64）。

在以下示例中，我们使用 mh.features.surf.integral() 函数计算图像的 SURF 积分。

import mahotas as mh
from mahotas.features import surf
import numpy as np
import matplotlib.pyplot as mtplt
# Loading the image
image = mh.imread('sea.bmp')
# Converting it to grayscale
image = mh.colors.rgb2gray(image)
# Getting the SURF integral
surf_integral = surf.integral(image)
# Creating a figure and axes for subplots
fig, axes = mtplt.subplots(1, 2)
# Displaying the original image
axes[0].imshow(image)
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# Displaying the surf integral
axes[1].imshow(surf_integral)
axes[1].set_title('SURF Integral')
axes[1].set_axis_off()
# Adjusting spacing between subplots
mtplt.tight_layout()
# Showing the figures
mtplt.show()

以下是上面代码的输出： -

surf integral

SURF Integral of a Random Image

我们还可以计算随机生成的两维图像的 SURF 积分。二维随机图像是指每个像素被分配一个随机强度值的图像。强度值范围可以从 0（黑色）到 255（白色）。

在 mahotas 中，要创建一个二维随机图像，我们首先指定它的维度。然后，我们将这些维度与像素的强度范围一起传递给 np.random.randint() 函数。

之后，我们可以使用 surf.integral() 函数计算图像的 SURF 积分。

Example

在下面提到的示例中，我们正在计算随机生成的二维图像的 SURF 积分。

import mahotas as mh
from mahotas.features import surf
import numpy as np
import matplotlib.pyplot as mtplt
# Specifying dimensions of image
l, w = 1000, 1000
# Creating a random 2-D image
image = np.random.randint(0, 256, (l, w))
# Getting the SURF integral
surf_integral = surf.integral(image)
# Creating a figure and axes for subplots
fig, axes = mtplt.subplots(1, 2)
# Displaying the original image
axes[0].imshow(image)
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# Displaying the surf integral
axes[1].imshow(surf_integral)
axes[1].set_title('SURF Integral')
axes[1].set_axis_off()
# Adjusting spacing between subplots
mtplt.tight_layout()
# Showing the figures
mtplt.show()

上述代码的输出如下：

surf integral random image

SURF Integral of a Threshold Image

除了随机二维图像外，我们还可以计算阈值图像的 SURF 积分。阈值图像是一个二值图像，其中像素被分类为前景或背景。

前景像素为白色，由值 1 表示，而背景像素为黑色，由值 0 表示。

在 mahotas 中，我们首先使用任何阈值算法对输入图像进行阈值处理。让我们假设 Bernsen thresholding algorithm 。这可以通过在灰度图像上使用 mh.thresholding.bernsen() 函数来实现。然后，我们可以使用 surf.integral() 函数计算阈值图像的 SURF 积分。

Example

在这里，我们正在计算阈值图像的 SURF 积分。

import mahotas as mh
from mahotas.features import surf
import numpy as np
import matplotlib.pyplot as mtplt
# Loading the image
image = mh.imread('tree.tiff')
# Converting it to grayscale
image = mh.colors.rgb2gray(image)
# Thresholding the image
image = mh.thresholding.bernsen(image, 5, 5)
# Getting the SURF integral
surf_integral = surf.integral(image)
# Creating a figure and axes for subplots
fig, axes = mtplt.subplots(1, 2)
# Displaying the original image
axes[0].imshow(image)
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# Displaying the surf integral
axes[1].imshow(surf_integral)
axes[1].set_title('SURF Integral')
axes[1].set_axis_off()
# Adjusting spacing between subplots
mtplt.tight_layout()
# Showing the figures
mtplt.show()

执行上面的代码后，我们得到以下输出： -

surf integral random image1