Mahotas 教程

Mahotas 主页 Mahotas 简介 Mahotas 计算机视觉 Mahotas 历史 Mahotas 功能 Mahotas 安装和环境配置

Mahotas 处理图像

Mahotas 处理图像 Mahotas 加载图像 Mahotas 将图像加载为灰色 Mahotas 显示图像 Mahotas 显示图像形状 Mahotas 保存图像 Mahotas 图像的质心 Mahotas 图像的卷积 Mahotas 创建 RGB 图像 Mahotas 图像的欧拉数 Mahotas 图像中的零分数 Mahotas 获取图像矩 Mahotas 图像中的局部最大值 Mahotas 图像椭圆轴 Mahotas 图像拉伸 RGB

Mahotas 颜色空间转换

Mahotas 颜色空间转换 Mahotas RGB 到灰度转换 Mahotas RGB 到 LAB 转换 Mahotas RGB 转棕褐色 Mahotas RGB 到 XYZ 转换 Mahotas XYZ 到 LAB 转换 Mahotas XYZ 到 RGB 转换 Mahotas 增加伽马校正 Mahotas 拉伸伽马校正

Mahotas 标记图像函数

Mahotas 标记图像函数 Mahotas 标记图像 Mahotas 过滤区域 Mahotas 边界像素

Mahotas 形态学操作

Mahotas 形态运算符 Mahotas 查找图像平均值 Mahotas 裁剪图像 Mahotas 图像偏心率 Mahotas 叠加图像 Mahotas 图像圆度 Mahotas 调整图像大小 Mahotas 图像直方图 Mahotas 扩大图像 Mahotas 腐蚀图像 Mahotas 分水岭 Mahotas 图像的开运算过程 Mahotas 图像的闭合过程 Mahotas 填补图像中的空洞 Mahotas 条件性膨胀图像 Mahotas 条件腐蚀图像 Mahotas 图像的条件分水岭 Mahotas 图像中的局部最小值 Mahotas 图像的区域最大值 Mahotas 图像的区域最小值

Mahotas 高级概念

Mahotas 图像阈值 Mahotas 设置阈值 Mahotas 软阈值 Mahotas Bernsen 局部阈值 Mahotas 小波变换 Mahotas 制作图像小波中心 Mahotas 距离变换 Mahotas 多边形实用程序 Mahotas 局部二元模式 Mahotas 阈值邻接统计 Mahotas Haralic 特征 Mahotas 标记区域的权重 Mahotas Zernike 特征 Mahotas Zernike 矩 Mahotas 等级过滤器 Mahotas 2D 拉普拉斯过滤器 Mahotas 多数过滤器 Mahotas 均值滤波器 Mahotas 中值滤波器 Mahotas Otsu 方法 Mahotas 高斯滤波 Mahotas 命中与未命中变换 Mahotas 标记最大值数组 Mahotas 图像平均值 Mahotas SURF 密集点 Mahotas SURF 积分 Mahotas Haar 变换 Mahotas 突出显示图像最大值 Mahotas 计算线性二进制模式 Mahotas 获取标签边框 Mahotas 逆 Haar 变换 Mahotas Riddler-Calvard 方法 Mahotas 标记区域的大小 Mahotas 模板匹配 Mahotas 加速稳健特征 Mahotas 移除带边框的标签 Mahotas Daubechies 小波 Mahotas Sobel 边缘检测



Mahotas - 图像的欧拉数

假设您有一幅画,上面有各种形状。欧拉数使我们能够计算出这些形状中有多少个孔洞,以及它们可以分成多少个独立部分(连通分量)。这有助于分析和描述图像的结构。

从数学上讲,它可以定义为 −

E = C - H

其中,E 是欧拉数,C 是连通分量的数量,H 是图像中的孔洞数量。

Mahotas 中图像的欧拉数

在 Mahotas 中,您可以使用 mahotas.euler() 函数计算欧拉数。此函数以二进制图像作为输入,其中感兴趣的对象由白色像素表示,背景由黑色像素表示。然后,它根据图像中存在的对象的连通性和孔洞计算欧拉数。

使用 mahotas.euler() 函数

mahotas.euler() 函数以二进制图像作为输入,并以整数形式返回欧拉特征值。

欧拉特征是一种拓扑测量,用于描述图像中对象的连通性和形状。它被定义为图像中连通分量的数量与孔洞的数量之间的差异。

以下是 mahotas 中 euler() 函数的基本语法 −

mahotas.euler(f, n=8)

其中,'f' 是 2−D 二进制图像,'n' 是连通分量,整数为 4 或 8(默认值为 8)。

示例

在下面的示例中,我们通过将二进制图像"nature.jpeg"加载为灰度图像,然后对其进行阈值处理以创建二进制图像 − 来计算其欧拉数。

import mahotas as mh
import numpy as np
# 将二进制图像加载为 NumPy 数组
binary_image = mh.imread('nature.jpeg', as_grey=True) > 0
# 计算欧拉数
euler_number = mh.euler(binary_image)
# 打印结果
print("欧拉数:", euler_number)
输出

以下是上述代码的输出 −

欧拉数:-2.75

具有不同连通性的欧拉数

我们还可以使用 euler() 函数在 Mahotas 中计算具有不同连通性的欧拉数。连通性参数决定在计算中考虑哪些相邻像素。

例如,使用连通性−4 仅考虑直接的水平和垂直邻居,而连通性−8 还包括对角邻居。

示例

在这里,我们正在为"nature.jpeg"图像−计算具有不同连通性的欧拉数

import mahotas as mh
import numpy as np
# 将图像加载为灰度图像
image = mh.imread('sun.png', as_grey=True)
# 对图像进行阈值处理以创建二值图像
thresholded_image = image > 0
# 计算具有 4 连通性的欧拉数
euler_number_4conn = mh.euler(thresholded_image, 4)
# 计算具有 8 连通性的欧拉数
euler_number_8conn = mh.euler(thresholded_image, 8)
# 打印结果
print("欧拉数 (4-连通性):", euler_number_4conn)
print("欧拉数 (8-连通性):", euler_number_8conn)

输出

上述代码的输出如下 −

欧拉数 (4-连通性): -4.75
欧拉数 (8-连通性): -4.75

使用带标签的图像计算欧拉数

带标签的图像图像为二进制图像中的连通分量分配唯一的整数标签。

在 Mahotas 中,欧拉函数将带标签的图像作为输入,并返回整个图像的欧拉数。计算考虑了物体的数量、孔洞的数量以及物体之间的隧道数量。

示例

在这里,我们正在计算从"sea.bmp"图像派生的带标签图像的欧拉数 −

import mahotas as mh
import numpy as np
# 将图像加载为灰度图像
image = mh.imread('sea.bmp', as_grey=True)
# 对图像进行阈值处理以创建二值图像
thresholded_image = image > 0
# 标记二值图像中的连通分量
labeled_image, num_labels = mh.label(thresholded_image)
# 计算标记图像的欧拉数
euler_number = mh.euler(labeled_image)
# 打印结果
print("欧拉数:", euler_number)

输出

执行上述代码后,我们得到以下输出 −

欧拉数:-44.75

使用二值图像计算欧拉数

在 Mahotas 中,可以计算二值图像的欧拉数使用 euler() 函数。通过加载二进制图像并将其转换为布尔格式,欧拉函数将图像作为输入并以整数形式返回欧拉数。

示例

在下面给出的示例中,我们使用 Mahotas 计算从"nature.jpeg"图像创建的二进制图像的欧拉数 −

import mahotas as mh
# 加载二进制图像并转换为布尔格式
image = mh.imread('sun.png', as_grey= True)
image = image.astype(bool)
# 计算欧拉数
euler_number = mh.euler(image)
# 打印结果
print("二进制图像的欧拉数为:", euler_number)

输出

得到的结果如下−

二值图像的欧拉数为:-4.75