Python实现统计图像连通域的示例详解
数组统计函数
ndimage提供一系列函数，可以计算标注后的数组的相关特征，比如最值、均值、均方根等。
下列函数，如果未作其他说明，那么就有3个参数，分别是(input, labels=None, index=None)，其中input为输入数组；labels为input的标签，形状和input相同；index为整数或者整数数列，为用于计算的label。
| 函数 | 物理量 | 函数 | 物理量 |
|---|---|---|---|
| mean | 平均值 | center_of_mass | 质心 |
| maximum | 最大值 | maximum_position | 最大值位置 |
| minimum | 最小值 | minimum_position | 最小值位置 |
| median | 中位数 | extrema | 最大值、最小值，及其位置 |
| sum_labels | 求和 | ||
| variance | 方差 | standard_deviation | 标准差 |
示例如下
import numpy as np
import scipy.ndimage as sn
x = np.random.randint(10, size=(3,3))
print(x)
'''
[[0 3 5]
[9 3 1]
[1 5 7]]
'''
sn.center_of_mass(x) # (1.1470588235294117, 1.088235294117647)
sn.extrema(x) # (0, 9, (0, 0), (1, 0))
连通域标记
通过label函数，可以对数组中的连通区域进行标注，效果如下
from scipy.ndimage import label
import numpy as np
a = np.array([[0,0,1,1,0,0],
[0,0,0,1,0,0],
[1,1,0,0,1,0],
[0,0,0,1,0,0]])
labels, N = label(a)
print(labels)
'''
[[0 0 1 1 0 0]
[0 0 0 1 0 0]
[2 2 0 0 3 0]
[0 0 0 4 0 0]]
'''
print(N) 4
在label函数中，还有一个用于规范何为“连通”的参数，即structure，其数据类型为二值数组，其维度与输入的input相同。
在上面的示例中，连通域1,3,4尽管没有上下左右的联系，但在对角线上是有交集的，通过调整structure参数，可以提供一种将这三个区域连在一起的连通域方案。
stru = np.ones([3,3])
bLab, bN = label(a, stru)
print(bLab)
‘'‘
[[0 0 1 1 0 0]
[0 0 0 1 0 0]
[2 2 0 0 1 0]
[0 0 0 1 0 0]]
'‘'
可见，这次只选出了两组连通域。
连通域统计
前面提到的所有统计函数，形参都有三个，分别是input, labels, index，其中input为输入数组，labels为将要处理的连通域，index为准备处理的连通域序号。
np.random.seed(42)
test = np.random.rand(5,5)
test[test<0.8] = 0
labels, N = sn.label(test)
print(N) # 2
print(labels) #
‘'‘
[[0 1 0 0 0]
[0 0 2 0 0]
[0 2 2 0 0]
[0 0 0 0 0]
[0 0 0 0 0]]
'‘'
print(test)
‘'‘
[[0. 0.95071431 0. 0. 0. ]
[0. 0. 0.86617615 0. 0. ]
[0. 0.96990985 0.83244264 0. 0. ]
[0. 0. 0. 0. 0. ]
[0. 0. 0. 0. 0. ]]
'‘'
接下来通过连通域统计函数，针对某个连通域进行计算
>>> sn.mean(test, labels, 1)
0.9507143064099162
>>> sn.mean(test, labels, 2)
0.8895095462457837
>>> sn.mean(test, labels, 0)
0.0
当index=1时，会找出labels中为1的位置，然后把test中这些位置的元素求平均。
到此这篇关于python实现统计图像连通域的示例详解的文章就介绍到这了,更多相关Python统计图像连通域内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！
相关文章