Mahotas - 边界像素

边界像素是位于图像边界或边缘的像素。边界像素至少有一个相邻像素属于不同的区域或具有不同的值，表示感兴趣区域和背景之间的过渡。

例如，在二进制图像中，对象由白色像素表示，背景由黑色像素表示，边界像素将是与黑色像素相邻的白色像素。

Mahotas 中的边界像素

在 Mahotas 中，我们可以使用 labeled.border() 和 labeled.borders() 函数提取边界像素。这些函数通过检查具有不同标签的相邻像素来检测边界，同时还考虑结构元素指定的连接性。

使用 mahotas.labeled.border() 函数

mahotas.labeled.border() 函数将标记图像作为输入，并返回显示边界像素的相同大小的二进制图像。此函数提取标记图像的两个指定区域之间的边界像素。

在生成的图像中，边界像素标记为 True(或 1)，非边界像素标记为 False(或 0)。

语法

以下是 mahotas − 中 border() 函数的基本语法

mahotas.labeled.border(labeled, i, j, Bc={3x3 cross},
out={np.zeros(labeled.shape, bool)}, always_return=True)

其中，

• labeled − 它是输入数组。

• i − 它是第一个区域的标签。

• j − 它是第二个区域的标签。

• Bc(可选) − 它是用于连接的结构元素。

• out(可选) −它是输出数组(默认为与标记形状相同的新数组)。

• always_return(可选) − 它是一个标志，用于指示在没有边框像素时是否返回输出(默认为 True)。

示例

在下面的示例中，我们使用 mh.labeled.border() 函数提取标记区域 1 的边框像素。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image_rgb = mh.imread('sea.bmp')
image = image_rgb[:,:,0]
# 应用高斯滤波
image = mh.gaussian_filter(image, 4)
image = (image > image.mean())
# 将其转换为带标签的图像
labeled, num_objects = mh.label(image)
# 获取边框像素
border_pixels = mh.labeled.border(labeled, 0, 1)
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示原始 RGB 图像
axes[0].imshow(image_rgb)
axes[0].set_title('RGB Image')
axes[0].set_axis_off()
# 显示边框像素
axes[1].imshow(border_pixels)
axes[1].set_title('Border Pixels')
axes[1].set_axis_off()
# 调整子图之间的间距
mtplt.tight_layout()
# 显示图形
mtplt.show()

输出

以下是上述代码的输出 −

使用 mahotas.labeled.borders() 函数

mahotas.labeled.borders() 函数从标记图像中提取所有边框像素。它类似于 mahotas.labeled.border() 函数，因为它会检查具有不同标签的相邻像素以检测边界。

它还会生成一个二进制图像，其中边界像素标记为 True(或 1)，非边界像素标记为 False(或 0)。

语法

以下是 mahotas 中 borders() 函数的基本语法 −

mahotas.labeled.borders(labeled, Bc={3x3 cross}, out={np.zeros(labeled.shape,
bool)})

其中，

• labeled − 它是输入数组。

• Bc(可选) − 它是用于连接的结构元素。

• out(可选) −它是输出数组(默认为与标记形状相同的新数组)。

示例

在这里，我们使用 mh.labeled.borders() 函数提取标记图像的所有边框像素。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image_rgb = mh.imread('nature.jpeg')
image = image_rgb[:,:,0]
# 应用高斯滤波
image = mh.gaussian_filter(image, 4)
image = (image > image.mean())
# 将其转换为标记图像
labeled, num_objects = mh.label(image)
# 获取边框像素
border_pixels = mh.labeled.borders(labeled)
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示原始 RGB 图像
axes[0].imshow(image_rgb)
axes[0].set_title('RGB Image')
axes[0].set_axis_off()
# 显示边框像素
axes[1].imshow(border_pixels)
axes[1].set_title('Border Pixels')
axes[1].set_axis_off()
# 调整子图之间的间距
mtplt.tight_layout()
# 显示图形
mtplt.show()

输出

上述代码的输出如下 −

使用自定义结构元素

我们还可以使用自定义结构元素更准确地检测边界像素。结构元素是由 1 和 0 组成的奇数维二进制数组。

它定义了识别边界像素时邻域像素的连接模式。我们可以使用 numpy 库中的 array() 函数定义自定义结构元素。

例如，让我们将二进制数组:[[0, 1, 0],[0, 1, 0],[0, 1, 0]]视为结构元素。此结构元素意味着垂直连接，即对于每个像素，只有其正上方和正下方(在同一列中)的像素才被视为其邻居。

默认情况下，mahotas.labeled.border() 和 mahotas.labeled.borders() 都使用 3×3 十字形结构元素。此结构元素在确定连接性时会考虑每个像素的四个直接邻居(顶部、底部、左侧和右侧)。

示例

以下示例显示了使用自定义结构元素提取边框像素。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image_rgb = mh.imread('sun.png')
image = image_rgb[:,:,0]
# 应用高斯滤波
image = mh.gaussian_filter(image, 4)
image = (image > image.mean())
# 转换为带标签的图像
labeled, num_objects = mh.label(image)
# 创建自定义结构元素
binary_closure = np.array([[0, 1, 0],
[0, 1, 0],
[0, 1, 0]])
# 获取边框像素
border_pixels = mh.labeled.borders(labeled, Bc=binary_closure)
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示原始 RGB 图像
axes[0].imshow(image_rgb)
axes[0].set_title('RGB Image')
axes[0].set_axis_off()
# 显示边框像素
axes[1].imshow(border_pixels)
axes[1].set_title('Border Pixels')
axes[1].set_axis_off()
# 调整子图之间的间距
mtplt.tight_layout()
# 显示图
mtplt.show()

输出

生成的输出如下所示 −