Mahotas 简明教程

Mahotas - Threshold Adjacency Statistics

阈值邻接统计 (TAS) 是一种用于从图像中提取任何重要信息的技术。在了解 TAS 如何工作之前，让我们简要了解阈值化。

阈值化是一种技术，它根据特定值（阈值）将图像分为前景区域和背景区域。前景区域由其强度值大于阈值像素构成。

另一方面，背景区域由其强度值小于阈值的像素构成。

TAS 通过计算其强度值超过阈值的像素数量来工作。此外，它还考虑了一定数量的其强度值也超过阈值的相邻像素。

Threshold Adjacency Statistics in Mahotas

在 Mahotas 中，我们可以使用 mahotas.tas() 和 mahotas.pftas() 函数来计算图像的阈值邻接统计信息。然后可以使用计算的统计信息来定位和从图像中提取重要信息。

tas() 函数和 pftas() 函数之间的唯一区别在于，在 pftas() 函数中，我们可以设置用于计算 TAS 的任何阈值。

相反，tas() 函数不使用阈值来计算 TAS。

The mahotas.tas() function

mahotas.tas() 函数将图像作为输入，并返回一个包含阈值邻接统计信息的列表。

以下是 tas() 函数在 mahotas 中的基本语法 -

mahotas.features.tas(img)

其中，

  1. img − 输入图片。

在下面提到的示例中，我们正在使用 mh.tas() 函数计算图像的 TAS 值。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# Loading the images
image = mh.imread('sun.png')
# Computing TAS
tas = mh.features.tas(image)
# Printing the TAS value
print(tas)
# Creating a figure and axes for subplots
fig, axes = mtplt.subplots(1, 1)
# Displaying the original image
axes.imshow(image, cmap='gray')
axes.set_title('Original Image')
axes.set_axis_off()
# Adjusting spacing between subplots
mtplt.tight_layout()
# Showing the figures
mtplt.show()

上述代码的输出如下：

[8.37835351e-01 1.15467657e-02 1.39075269e-02 9.92426122e-03
1.03643093e-02  6.76089647e-03 1.09572672e-02 6.88336269e-03
8.17548510e-03  6.01115411e-02 6.08145111e-03 5.10483489e-03
4.16108390e-03  2.81568522e-03 1.77506830e-03 1.46786490e-03
6.81867008e-04  6.12677053e-04 2.44932441e-04 2.76759821e-04
. . .
4.27349413e-03  7.01932689e-03 4.50541370e-03 5.45604649e-03
6.41356563e-02  4.43892481e-03 4.80936290e-03 4.46979465e-03
3.91413752e-03  2.33898410e-03 3.27299467e-03 1.12872803e-03
2.06353013e-03  4.92334385e-04 1.22371215e-03 1.14772485e-04
6.03149199e-04  3.32444440e-05 3.26112165e-04 1.18730157e-05
1.28228570e-04  0.00000000e+00]

我们得到下方的图像作为输出−

threshold adjacency statistics

The mahotas.pftas() function

mahotas.pftas() 函数将图像和阈值作为输入。它返回一个具有阈值邻接统计信息的列表。

下面是 mahotas 中 pftas() 函数的基本语法−

mahotas.features.pftas(img, T={mahotas.threshold.otsu(img)})

其中，

  1. img − 输入图片。

  2. T (optional) − 它定义 TAS 中使用的阈值算法（默认情况下使用 Otsu 的方法）。

在下面的示例中，我们使用 mh.pftas() 函数计算图像的 TAS。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# Loading the images
image = mh.imread('nature.jpeg')
# Converting it to grayscale
image = mh.colors.rgb2gray(image).astype(np.uint8)
# Computing parameter free TAS
pftas = mh.features.pftas(image)
# Printing the parameter free TAS value
print(pftas)
# Creating a figure and axes for subplots
fig, axes = mtplt.subplots(1, 1)
# Displaying the original image
axes.imshow(image, cmap='gray')
axes.set_title('Original Image')
axes.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： -

[9.57767091e-01 1.48210628e-02  8.58153775e-03  1.18217967e-02
3.89970314e-03  1.86659948e-03  7.82131473e-04  3.19863291e-04
1.40214046e-04  9.73817262e-01  1.23385295e-02  5.89271152e-03
4.39412383e-03  1.90987201e-03  8.34387151e-04  4.60922081e-04
2.31642892e-04  1.20548852e-04  9.77691695e-01  8.29460231e-03
3.91949031e-03  7.21369229e-03  1.68522833e-03  7.53014919e-04
3.10737802e-04  1.12475646e-04  1.90636688e-05  9.47186804e-01
1.14563743e-02  9.65510102e-03  1.76918166e-02  5.35205921e-03
3.38515157e-03  2.13944340e-03  1.88754119e-03  1.24570817e-03
9.80623501e-01  3.72244140e-03  2.75392589e-03  4.22681210e-03
2.28359248e-03  1.92155953e-03  1.72971300e-03  1.63378974e-03
1.10466466e-03  9.59139669e-01  7.94832237e-03  7.15439233e-03
1.68349257e-02  3.75312384e-03  1.74123294e-03  9.83390623e-04
1.06007705e-03  1.38486661e-03]

获得的图像如下所示：

threshold adjacency statistics1

Using Mean Threshold Value

我们还可以使用平均阈值计算图像的阈值邻接统计信息。平均阈值是指通过取图像中平均像素强度值计算出的阈值。

简单来说，阈值是通过将图像中所有像素的强度值相加，然后将该和除以图像中的像素总数来计算的。

在 mahotas 中，我们首先使用 mean() 函数计算平均阈值。然后，我们在 pftas() 函数的 T 参数中设置此值，以使用平均阈值计算 TAS。

Example

在这里，我们使用平均阈值获取图像的 TAS。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# Loading the images
image = mh.imread('tree.tiff')
# Converting it to grayscale
image = mh.colors.rgb2gray(image).astype(np.uint8)
# Calculating threshold value
threshold = image > np.mean(image)
# Computing parameter free TAS using mean threshold
pftas = mh.features.pftas(image, threshold)
# Printing the parameter free TAS value
print(pftas)
# Creating a figure and axes for subplots
fig, axes = mtplt.subplots(1, 1)
# Displaying the original image
axes.imshow(image, cmap='gray')
axes.set_title('Original Image')
axes.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： -

[0.63528106  0.07587514  0.06969174 0.07046435 0.05301355 0.0396411
 0.0278772   0.0187047   0.00945114 0.51355051 0.10530301 0.0960256
 0.08990634  0.06852526  0.05097649 0.03778379 0.02519265 0.01273634
 0.69524747  0.0985423   0.07691423 0.05862548 0.03432296 0.01936853
 0.01058033  0.00482901  0.00156968 0.46277808 0.17663377 0.13243407
 0.10085554  0.06345864  0.03523172 0.01735837 0.00835911 0.00289069
 0.78372479  0.0746143   0.04885744 0.03739208 0.02555628 0.01563048
 0.00822543  0.00436208  0.00163713 0.70661663 0.07079426 0.05897885
 0.06033083  0.04280415  0.02972053 0.01632203 0.01043743 0.00399529]

输出图像如下−

threshold adjacency statistics2