带标记的图像函数¶

带标签的图像是整数图像，其中的值对应于不同的区域。也就是说，区域1是所有有值的像素 1 区域2是值为2的像素，依此类推。按照惯例， region 0 is the background and often handled differently 。

为图像添加标签¶

在 0.6.5 版本加入.

第一步是从二元函数中获得标记函数：

import mahotas as mh
import numpy as np
from pylab import imshow, show

regions = np.zeros((8,8), bool)

regions[:3,:3] = 1
regions[6:,6:] = 1
labeled, nr_objects = mh.label(regions)

imshow(labeled, interpolation='nearest')
show()

(Source code, png, hires.png, pdf)

这将产生一个具有3个值的图像：

背景，其中原始图像为0
第一个区域：(0：3，0：3)；
第二个地区：(6：，6：)。

还有一个额外的论据 label ：结构元素，默认为3x3交叉(或4邻域)。这定义了两个像素位于同一区域意味着什么。您可以使用8个邻域，将其替换为一个正方形：：

labeled,nr_objects = mh.label(regions, np.ones((3,3), bool))

我们现在可以收集有关已标记区域的一些统计数据。例如，它们有多大？

sizes = mh.labeled.labeled_size(labeled)
print('Background size', sizes[0])
print('Size of first region: {}'.format(sizes[1]))

此大小简单地用每个区域中的像素数来衡量。相反，我们可以测量每个区域的总权重：

array = np.random.random_sample(regions.shape)
sums = mh.labeled_sum(array, labeled)
print('Sum of first region: {}'.format(sums[1]))

滤波区¶

在 0.9.6 版本加入: remove_regions & relabel 都被添加了。

这里有一个稍微复杂一点的例子。完整的代码在 demos directory AS nuclear.py. We are going to use this image, a fluorescent microscopy image from a nuclear segmentation benchmark

此图像以以下形式提供 mahotas.demos.nuclear_image()

import mahotas as mh
import mahotas.demos
import numpy as np
from pylab import imshow, show

f = mh.demos.nuclear_image()
f = f[:,:,0]
imshow(f)
show()

(Source code, png, hires.png, pdf)

首先，我们执行一些高斯滤波和阈值处理：

f = mh.gaussian_filter(f, 4)
f = (f> f.mean())

(如果不使用高斯过滤器，则得到的阈值图像具有非常嘈杂的边缘。您可以在 demos/ 目录，并试用它。)

f = mh.gaussian_filter(f, 4)
f = (f> f.mean())
imshow(f)
show()

(Source code, png, hires.png, pdf)

标记得到了我们所有的核：：

labeled, n_nucleus  = mh.label(f)
print('Found {} nuclei.'.format(n_nucleus))

labeled, n_nucleus  = mh.label(f)
print('Found {} nuclei.'.format(n_nucleus))
imshow(labeled)
show()

(Source code, png, hires.png, pdf)

42 发现了细胞核。没有遗漏，但不幸的是，我们也得到了一些聚合。在这种情况下，我们将假设我们想要对真实的原子核进行一些测量，但愿意过滤掉任何不是完整的原子核或原子核上的肿块。因此，我们测量大小并过滤：

sizes = mh.labeled.labeled_size(labeled)
too_big = np.where(sizes > 10000)
labeled = mh.labeled.remove_regions(labeled, too_big)

sizes = mh.labeled.labeled_size(labeled)
too_big = np.where(sizes > 10000)
labeled = mh.labeled.remove_regions(labeled, too_big)
imshow(labeled)
show()

(Source code, png, hires.png, pdf)

我们还可以删除与边界接触的区域：：

labeled = mh.labeled.remove_bordering(labeled)

labeled = mh.labeled.remove_bordering(labeled)
imshow(labeled)
show()

(Source code, png, hires.png, pdf)

这个数组， labeled 现在具有范围内的值 0 至 n_nucleus ，但缺少某些值(例如，If Region 7 是接触边境的人之一，然后 7 未在标签中使用)。我们可以的 relabel 要获得更干净的版本：：

relabeled, n_left = mh.labeled.relabel(labeled)
print('After filtering and relabeling, there are {} nuclei left.'.format(n_left))

现在，我们有 24 原子核和 relabeled 从 0 (背景)至 24 。

relabeled, n_left = mh.labeled.relabel(labeled)
print('After filtering and relabeling, there are {} nuclei left.'.format(n_left))
imshow(relabeled)
show()

(Source code, png, hires.png, pdf)

在Mahotas之后的版本中 1.4 ，我们甚至可以通过单个调用来执行许多相同的操作 mh.labeled.filter_labeled **

relabeled,n_left = mh.labeled.filter_labeled(labeled, remove_bordering=True, max_size=10000)

边框¶

边界像素是指在其邻近区域中有多个区域的像素(其中一个区域可以是背景)。

方法检索边界像素。 borders() 函数，该函数获取所有边框或 border() (请注意单数)，它只获取一对区域之间的边界。与往常一样，邻居的意思是由结构元素定义的，默认为3x3十字。

API文档¶

这个 mahotas.labeled 子模块包含上述功能。 label() 也可以通过以下方式获得 mahotas.label 。

mahotas.labeled.bbox(f, as_slice=False)

带标签的数组中所有对象的边界框。

之后：：

bboxes = mh.labeled.bbox(f)

bboxes[34] 将包含 (f == 34) 。

参数:

f整数ndarray
as_slice布尔型，可选: 是否返回切片对象而不是整数坐标(默认值：FALSE)。

退货:

bboxesNdarray

参见

mh.bbox: 此函数的二进制版本

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

计算之间的边界区域 i 和 j 地区。

如果像素有值，则它位于边框上 i (或 j )和其附近的像素(由 Bc )有价值 j (或 i )。

参数:

labeled整数类型的ndarray: 输入标记数组
i整数
j整数
Bc结构元素，可选
out ：ndarray形状相同 labeled ，dtype=bool，可选与形状相同的ndarray: 存储输出的位置。如果 None ，则分配一个新的数组
always_return布尔值，可选: 如果为False，则在边界上没有像素的情况下，返回 None 。否则(默认设置)，它始终返回一个数组，即使该数组为空。

退货:

border_img布尔ndarray: 像素是True，恰好是在 i 和 j 在……里面 labeled

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

计算边框像素

如果像素有值，则它位于边框上 i 以及其邻域中的像素(由 Bc )有价值 j 同 i != j 。

参数:

labeled整数类型的ndarray: 输入标记数组
Bc结构元素，可选
out ：ndarray形状相同 labeled ，dtype=bool，可选与形状相同的ndarray: 存储输出的位置。如果 None ，则分配一个新的数组
mode{'reflect', 'nearest', 'wrap', 'mirror', 'constant' [default], 'ignore'}: 如何处理边框

退货:

border_img布尔ndarray: 像素在有边框的地方为True labeled

mahotas.labeled.bwperim(bw, n=4)

找出二值图像中对象的周长。

如果像素的值为1，并且其邻域中至少有一个零值像素，则该像素是对象周长的一部分。

默认情况下，像素的邻域是最近的4个像素，但如果 n 设置为8，则将考虑最近的8个像素。

参数:

bwNdarray: 黑白图像(任何其他图像都将转换为黑白图像)
n整型，可选: 连通性。必须是4或8(默认值：4)
mode{'reflect', 'nearest', 'wrap', 'mirror', 'constant' [default], 'ignore'}: 如何处理边框

退货:

perimNdarray: 布尔型图像

参见

borders: 函数这是一个更一般的函数

mahotas.labeled.filter_labeled(labeled, remove_bordering=False, min_size=None, max_size=None)

基于一系列条件过滤标注区域

在 1.4.1 版本加入.

参数:

labeled标号数组
remove_bordering布尔值，可选: 是否删除接触边界的区域
min_size整型，可选: 要保留的对象的最小大小(以像素为单位)(默认为无最小值)
max_size整型，可选: 要保留的对象的最大大小(以像素为单位)(默认为无最大值)

退货:

filtered标号数组
nr集成: 新标签数量

mahotas.labeled.is_same_labeling(labeled0, labeled1)

检查是否 labeled0 和 labeled1 表示相同的标签(即，除了标签值可能发生变化外，它们是否相同)。

请注意，背景(值0)的处理方式不同。即

IS_SAME_LABELING(a，b)表示np.all((a==0)==(b==0))

参数:

labeled0Ndarray of int: 带标签的数组
labeled1Ndarray of int: 带标签的数组

退货:

same布尔尔: 如果作为参数传递的标注相等，则为True

参见

label: 功能
relabel: 功能

mahotas.labeled.label(array, Bc={3x3 cross}, output={new array})

标记数组，它被解释为二进制数组

这也被称为 connected component labeled ，其中连接性由结构化元素定义 Bc 。

请参阅：https://en.wikipedia.org/wiki/Connected-component_labeling

参数:

arrayNdarray: 这将被解释为二进制数组
BcNdarray，可选: 这是要使用的结构化元素
outNdarray，可选: 输出数组。必须是np.int32类型的C数组

退货:

labeledNdarray: 标记的结果
nr_objects集成: 对象数量

mahotas.labeled.labeled_max(array, labeled, minlength=None)

标记为最小。 mins 将是一个大小为 labeled.max() + 1 ，在哪里 mins[i] 等于 np.min(array[labeled == i]) 。

参数:

array任何类型的ndarray
labeled集成ndarray: 标签地图。这与从返回的类型相同 mahotas.label()

退货:

mins ：一维ndarray，共 array.dtype一维阵列，共

mahotas.labeled.labeled_size(labeled)

等同于：

for i in range(...):
    sizes[i] = np.sum(labeled == i)

但是，自然地，速度要快得多。

参数:

labeled集成ndarray

退货:

sizes一维整数线阵

参见

mahotas.fullhistogram: 函数使用另一个名称几乎相同的函数(唯一的区别是该函数只接受无符号整数类型)。

mahotas.labeled.labeled_sum(array, labeled, minlength=None)

标记为SUM。Sum将是一个大小为 labeled.max() + 1 ，在哪里 sum[i] 等于 np.sum(array[labeled == i]) 。

参数:

array任何类型的ndarray
labeled集成ndarray: 标签地图。这与从返回的类型相同 mahotas.label()
minlength整型，可选: 返回数组的最小大小。如果标签的数量少于 minlength 区域，0被添加到结果中。(可选)

退货:

sums ：一维ndarray，共 array.dtype一维阵列，共

mahotas.labeled.perimeter(bwimage, n=4, mode='constant')

计算二值图像中所有对象的总周长。

参数:

bwimage数组: 二值图像
n整型，可选: 已传递给 bwperim 原样
mode字符串，可选: 已传递给 bwperim 原样

退货:

p浮动: 二值图像中所有对象的总周长

参见

bwperim: 函数查找周长区域

参考文献

[1]

本克里德，D.克鲁克斯。周长估计器的设计与FPGA实现。贝尔法斯特女王大学。Https://www.cs.qub.ac.uk/~d.crookes/webpubs/papers/perimeter.doc

mahotas.labeled.relabel(labeled, inplace=False)

重新标记可确保 relabeled 是一种带标签的图像，因此从1到 relabeled.max() 被使用(0保留为背景并被传递)。

示例：：

labeled,n = label(some_binary_map)
for region in range(n):
    if not good_region(labeled, region + 1):
        # This deletes the region:
        labeled[labeled == (region + 1)] = 0
relabel(labeled, inplace=True)

参数:

relabeledNdarray of int: 带标签的数组
inplace布尔型，可选: 是否就地执行重新标记，擦除中的值 labeled (默认：FALSE)

退货:

重新标记：ndarray
nr_objs集成: 对象数量

参见

label: 功能

mahotas.labeled.remove_bordering(labeled, rsize=1, out={np.empty_like(im)})

删除正在接触边框的对象。

经过 labeled AS out 实现就地作业。

参数:

labeledNdarray: 标号数组
rsize整型或元组，可选: 允许对象存活的到边界的最小距离(以曼哈坦距离表示)。可以是整数或元组，其中len==labeled.ndim。
outNdarray，可选: 如果 im 被作为 out ，然后它以内联方式运行。

退货:

slabeledNdarray: 的子集 labeled

mahotas.labeled.remove_regions(labeled, regions, inplace=False)

REMOVERED=REMOVE_REGIONS(已标记，REGIONS，INPLACE=FALSE)：

删除中的区域 regions 。如果以元素为基础 in 运算符存在，则等同于：：

labeled[ labeled element-wise-in regions ] = 0

此函数 does not 重新标记它的论点。您可以使用 relabel 函数：：

removed = relabel(remove_regions(labeled, regions))

或者，保存一个映像分配：：

removed = relabel(remove_regions(labeled, regions), inplace=True)

这是相同的，但在重新标记操作中重复使用内存。

参数:

relabeledNdarray of int: 带标签的数组
regions整型序列: 这些区域将被移除
inplace布尔型，可选: 是否就地执行删除，擦除中的值 labeled (默认：FALSE)

退货:

removedNdarray

参见

relabel: 功能删除不必要的区域后，重新标记您的标签图像通常是一个好主意。

mahotas.labeled.remove_regions_where(labeled, conditions, inplace=False)

基于布尔数组移除区域

如果出现以下情况，则删除区域 conditions[region-id] 计算结果为True。

此函数 does not 重新标记它的论点。您可以使用 relabel 函数：：

removed = relabel(remove_regions_where(labeled, conditions))

或者，保存一个映像分配：：

removed = relabel(remove_regions(labeled, conditions), inplace=True)

这是相同的，但在重新标记操作中重复使用内存。

参见

remove_regions: 使用整数索引的此函数的函数变体

带标记的图像函数¶

为图像添加标签¶

滤波区¶

边框¶

API文档¶

About

Useful Links

Stay Informed

Cite