阈值设置

本节中的示例位于源代码中的 mahotas/demos/thresholding.py 。

我们从一幅图像开始，一幅灰度图像：：

import mahotas.demos
photo = mahotas.demos.load('luispedro')
photo = photo.astype(np.uint8)

在2013年10月之前， mahotas.demos.load 函数不存在，您需要明确指定路径：：

luispedro_image = '../../mahotas/demos/data/luispedro.jpg'
photo = mahotas.imread(luispedro_image, as_grey=True)

我们转换为 np.uint8 是因为 as_grey 返回浮点图像(这样做有很好的理由，也有反对它的很好的理由，因为截断比返回更容易，它返回 np.uint8 )。

import mahotas
import mahotas.demos
import numpy as np
from pylab import imshow, gray, show
from os import path

photo = mahotas.demos.load('luispedro', as_grey=True)
photo = photo.astype(np.uint8)

gray()
imshow(photo)
show()

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

_images/thresholding-1.png

阈值函数有一个简单的接口：它们获取图像并返回值。最著名的阈值方法之一是Otsu的方法：

T_otsu = mahotas.otsu(photo)
print(T_otsu)
imshow(photo > T_otsu)
show()

指纹 115 。

import mahotas
import mahotas.demos
import numpy as np
from pylab import imshow, gray, show
from os import path

photo = mahotas.demos.load('luispedro', as_grey=True)
photo = photo.astype(np.uint8)


T_otsu = mahotas.otsu(photo)
print(T_otsu)
gray()
imshow(photo > T_otsu)
show()

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

_images/thresholding-2.png

另一种方法是Riddler-Calvard方法：

T_rc = mahotas.rc(photo)
print(T_rc)
imshow(photo > T_rc)
show()

在这张图片中，它打印的内容与大津几乎相同： 115.68 。阈值图像完全相同：

import mahotas
import mahotas.demos
import numpy as np
from pylab import imshow, gray, show
from os import path

photo = mahotas.demos.load('luispedro', as_grey=True)
photo = photo.astype(np.uint8)


T_rc = mahotas.rc(photo)
print(T_rc)
gray()
imshow(photo > T_rc)
show()

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

_images/thresholding-3.png

另请参阅 labeled documentation 这与阈值相结合会非常有帮助。

API文档

这个 mahotas.thresholding 模块包含阈值函数，但它们在Main中也可用 mahotas 命名空间。

阈值模块

阈值函数。

这些函数返回 the numeric threshold 。为了获得一个 thresholded image ，您可以执行以下操作：

T_otsu = mh.otsu(image)
binarized_image = (image > T_otsu)

具有 ignore_zeros 参数在计算阈值时将仅考虑非零像素。

大津(Otsu):

大津法

RC():

里德勒-卡尔瓦德法

伯恩森:

Bernsen阈值

格本森:

广义Bernsen阈值

mahotas.thresholding.bernsen(f, radius, contrast_threshold, gthresh={128})

Bernsen局部阈值

参数:
fNdarray

输入图像

radius整数

圆的半径(考虑“局部”)

contrast_threshold整数

对比度阈值

gthresh数字，可选

在低对比度区域回落的全局阈值

退货:
thresholded二元ndarray

参见

gbernsen

函数广义Bernsen阈值

mahotas.thresholding.gbernsen(f, se, contrast_threshold, gthresh)

广义Bernsen局部阈值

参数:
fNdarray

输入图像

se布尔ndarray

用于“Locality”的结构化元素

contrast_threshold整数

对比度阈值

gthresh数字，可选

在低对比度区域回落的全局阈值

退货:
thresholded二元ndarray

参见

bernsen

圆形区域下的函数Bernsen阈值

mahotas.thresholding.otsu(img, ignore_zeros=False)

根据最大类间方差法计算阈值。

示例：：

import mahotas as mh
import mahotas.demos

im = mahotas.demos.nuclear_image()
# im is stored as RGB, let's convert to single 2D format:
im = im.max(2)

#Now, we compute Otsu:
t = mh.otsu(im)

# finally, we use the value to form a binary image:
bin = (im > t)

有关方法的详细信息，请参阅维基百科：https://en.wikipedia.org/wiki/Otsu‘s_method

参数:
img将图像表示为一个模糊的数组。

它应该是无符号整数类型。

ignore_zeros布尔型

是否忽略零值像素(默认值：FALSE)

退货:
T整数

门槛

mahotas.thresholding.rc(img, ignore_zeros=False)

根据Riddler-Calvard方法计算阈值。

示例：：

import mahotas as mh
import mahotas.demos

im = mahotas.demos.nuclear_image()
# im is stored as RGB, let's convert to single 2D format:
im = im.max(2)

#Now, we compute a threshold:
t = mh.rc(im)

# finally, we use the value to form a binary image:
bin = (im > t)
参数:
imgNdarray

任何类型的图像

ignore_zeros布尔型，可选

是否忽略零值像素(默认值：FALSE)

退货:
T浮动

阀值

mahotas.thresholding.soft_threshold(f, tval)

软阈值函数：：

                    ^
                    |           /
                    |          /
                    |         /
                    |        /
                    |       /
- - - - - - - - - - - - - - - - - ->
             /      |
            /       |
           /        |
          /         |
         /          |
        /           |
参数:
fNdarray
tval标量
退货:
thresholdedNdarray