mahotas标记图像Labeled Image
邹海荣
1.函数：
mahotas.labeled.bbox(f, as_slice=False) # 标记数组中所有对象的边界框
参数：
f：int ndarray
as_slice：bool可选--是否返回切片对象而不是整数坐标(默认值：False)
返回值：bboxes：ndarray
实例：
bboxes = mh.labeled.bbox(f)
bboxes[34] will contain the bounding box of (f == 34).
==================================================================================
mh.bbox # 该函数的二进制版本
==================================================================================
mahotas.labeled.borders(labeled, Bc={3x3 cross}, out={np.zeros(labeled.shape, bool)}) # 计算边框像素 - 获取所有边界
# 如像素值为i,其附近像素(由Bc定义)值为j,i != j则该像素位于边界上.
# 边界像素是在其邻域中有多个区域的像素(这些区域之一可以是背景).
参数：
labeled : ndarray of integer type 输入标签数组
Bc：结构元素,可选
out：与标签形状相同ndarray,dtype = bool,可选 输出的存储位置.为None分配一新数组
mode : {‘reflect’, ‘nearest’, ‘wrap’, ‘mirror’, ‘constant’ [default], ‘ignore’} 如何处理边界
返回值：border_img : boolean ndarray 像素恰好在标签上有边框的地方为True
mahotas.labeled.border(labeled, i, j, Bc={3x3 cross}, out={np.zeros(labeled.shape, bool)}, always_return=True)# 计算i和j区域之间的边界区域
# 获取仅一对区域对之间边界的函数来检索边界像素
# 如像素值为i(或j)且其附近像素(由Bc定义)值为j(或i),则该像素位于边界上.
参数：
labeled : ndarray of integer type 输入标签数组
i：整数
j：整数
Bc：结构元素,可选
out：与标签形状相同的ndarray,dtype = bool,可选--输出存储位置.为None分配一新数组
always_return：布尔值,可选--为false则在边框上没有像素的情况下,返回None.否则(默认),即使它为空,它也总是返回一个数组
返回值：border_img：布尔ndarray 像素恰好在标签中的i和j之间有边界的地方为True
====================================================================================
mahotas.labeled.filter_labeled(labeled, remove_bordering=False, min_size=None, max_size=None)
# 根据一系列条件过滤标记区域
参数：
labeled : labeled array
remove_bordering：bool,可选是否删除接触边界的区域
min_size：int,可选要保留对象最小大小(像素单位)(默认为最小)
max_size：int,可选要保留对象最大大小(像素单位)(默认为最大)
返回值：
filtered : labeled array
nr：int 新标签数
======================================================================================
mahotas.labeled.label(array, Bc={3x3 cross}, output={new array}) # 标记数组,该数组被解释为二进制数组
# 也称为标记为已连接组件,其中连接性由结构元素定义Bc
参数：
array : ndarray这将被解释为二进制数组
Bc：ndarray,可选这是要使用的结构元素
out：ndarray,可选输出数组.必须是np.int32类型的C数组
返回值：
labeled : ndarray标记结果--将图像相应区域全部标记为int值，从0(背景)1,2,3..
nr_objects：Int标记总数量
=======================================================================================
mahotas.labeled.labeled_sum(array, labeled, minlength=None) # 标记的总和
# sum将是一个大小数组,其中 等于.labeled.max() + 1sum[i]np.sum(array[labeled == i])
参数：
array：任何类型的ndarray
labeled : int ndarray
Label map这与从中返回的类型相同mahotas.label()
minlength：int,可选
返回数组的最小大小.如果标记的minlength 区域少于区域,则将0加到结果中.(可选的)
返回值：
sums : 1-d ndarray of array.dtype
========================================================================================
mahotas.labeled.labeled_max(array,标记为,minlength = None ) # 标为最小值.
# mins将是一个大小数组,其中 等于.labeled.max() + 1 mins[i] np.min(array[labeled == i])
参数：
array：任何类型ndarray
labeled : int ndarray
Label map.这与从中返回的类型相同mahotas.label()
返回值：
mins：的一维数组array.dtype
=========================================================================================
mahotas.labeled.labeled_size(labeled) #标签图像中每个标签像素数量 首个元素[0]是背景像素数量
# 相当于：for i in range(...):sizes[i] = np.sum(labeled == i) #自然会快得多.
参数： labeled : int ndarray
Returns: sizes : 1-d ndarray of int
=========================================================================================
mahotas.labeled.relabel(labeled, inplace=False) # 重新relabeled标记
# 可确保该图像是经过标记的图像,以便relabeled.max()使用从1到的每个标签(0保留用于背景并通过).
参数：
relabeled : ndarray of int标记数组
inplace : boolean, optional是否就地执行重新标记,擦除中的值 labeled(默认值：False)
返回值：
relabeled: ndarray
nr_objs : int Number of objects
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)
==========================================================================================
mahotas.labeled.is_same_labeling(labeled0, labeled1)
# 检查labeled0和labeled1表示相同的标签(即,除了可能更改标签值外,它们是否相同).
参数：
labeled0：int ndarray标记数组
labeled1：int ndarray标记数组
返回值：same : bool如果作为参数传递的标签等效,则为真
注意,对背景(值0)的处理方式有所不同.即
is_same_labeling(a, b) implies np.all( (a == 0) == (b == 0) )
==========================================================================================
mahotas.labeled.perimeter(bwimage, n=4, mode="constant")
# 计算二进制图像中所有对象的总周长.
参数：
bwimage : array二进制图像
n：int,可选 照bwperim原样传递passed to bwperim as is
mode : str, optional照bwperim原样传递
返回值：p : float二进制图像中所有对象的总周长
==========================================================================================
mh.labeled.bwperim(bw, n=4, mode='constant')
perim = bwperim(bw, n=4) # 求二元图像中物体周长
参数：
bw : ndarray黑白图像
n : int, optionalConnectivity连接. Must be 4 or 8 (default: 4) 最近的像素
mode : {反射'reflect', 最近'nearest',包裹 'wrap', 镜像'mirror', 'constant' [default], 'ignore'} 如何处理边界
返回：perim : ndarray 周长的bool图像
"""
原图像 周长图像
============= ===
============= ===
============= ===
============= =============
============= =============
"""
===========================================================================================
mahotas.labeled.remove_bordering(labeled, [rsize=1, out={np.empty_like(im)}]) # 删除接触边界的对象.
参数：
labeled : ndarray标记数组
rsize : int or tuple, 到边界最小距离(以曼哈坦距离为单位),以使物体能够生存.可以是len ==标记为indim的int或元组.
out：ndarray,就地操作--如果以im形式传递out,则它将内联运行.
返回值：slabeled : ndarray删除边界接触对象后的标签图像
===========================================================================================
mahotas.labeled.remove_regions(labeled, regions, inplace=False) #删除标签图像中regions(索引)满足条件的区域
removed = remove_regions(labeled, regions, inplace=False):
参数：
relabeled : ndarray of int标签图像
regions : sequence of int将被删除区域--标签的索引
inplace : boolean, optional是否就地执行删除操作,清除其中的值 labeled(默认值：False)
返回值：removed : ndarray
# 不会重新标记;删除区域后最好重新标记标签图像：
removed = relabel(remove_regions(labeled, regions))
# 或保存一个图像分配：
removed = relabel(remove_regions(labeled, regions), inplace=True)#重复使用了内存
===========================================================================================
mahotas.labeled.remove_regions_where(labeled, conditions, inplace=False) # 根据布尔数组为True删除区域
# 不会重新标记.最好重新标记：
removed = relabel(remove_regions_where(labeled, conditions))
# 或保存一个图像分配：
removed = relabel(remove_regions(labeled, conditions), inplace=True)#重复使用内存. 2.实例：
# 标记图像是整数图像,其中值对应于不同区域.
# 即,区域1是所有具有值1的像素,区域2是具有值2的像素,依此类推.
实例1：
import mahotas as mh
import numpy as np
from pylab import imshow, show
image = np.zeros((8,8), bool)
image[:3,:3] = 1
image[6:,6:] = 1
labeled, n_label = mh.label(image)
labeled1, n_label1 = mh.label(image)
b=mh.labeled.is_same_labeling(labeled, labeled1)#标记是否相同
print('b=',b)#True
print(labeled.shape,n_label)# 标记形状(8, 8) 标记数量2
print(labeled)
"""
[
[1 1 1 0 0 0 0 0]
[1 1 1 0 0 0 0 0]
[1 1 1 0 0 0 0 0]
[0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 2 2]
[0 0 0 0 0 0 2 2]
]
"""
a=mh.labeled.labeled_max(image, labeled)
print('a=',a.shape,a.dtype,a)#a= (3,) bool [False True True]
a=mh.labeled.labeled_min(image, labeled)
print('a=',a.shape,a.dtype,a)#a= (3,) bool [False True True]
sums = mh.labeled_sum(image, labeled) #测量每个区域的总重量
print(sums,sums.dtype,sums.shape) #[False True True] bool (3,)
print('Sum of first region: {}'.format(sums[1]))
# 收集有关标记区域的一些统计信息：
sizes = mh.labeled.labeled_size(labeled)
print('sizes=', sizes,sizes.dtype,sizes.shape,type(sizes))#[51 9 4] uint32 (3,) <class 'numpy.ndarray'>
print('Background size', sizes[0]) #背景区域像素数 51
print('Size of first region: {}'.format(sizes[1])) #标记区域1像素数9
print('Size of second region: {}'.format(sizes[2])) #标记区域2像素数4
p=mh.labeled.perimeter(image, n=4, mode="constant")#标记图像总周长
print('p=',p)#p= 8.0
p=mh.labeled.perimeter(labeled, n=4, mode="constant")
print('p=',p)#p= 8.0
p11=mh.labeled.bwperim(image, n=4, mode='constant')#标记图像周长
print('p11=',p11)
"""
p11= [
[False False True False False False False False]
[False False True False False False False False]
[ True True True False False False False False]
[False False False False False False False False]
[False False False False False False False False]
[False False False False False False False False]
[False False False False False False True True]
[False False False False False False True False]]
"""
p12=mh.labeled.bwperim(labeled, n=4, mode='constant')
print('p12=',p12)
"""
p12= [
[False False True False False False False False]
[False False True False False False False False]
[ True True True False False False False False]
[False False False False False False False False]
[False False False False False False False False]
[False False False False False False False False]
[False False False False False False True True]
[False False False False False False True False]]
"""
imshow(labeled, cmap='gray')
show()
imshow(p11, interpolation='nearest')
show()
实例2：过滤区域Filtering Regions - 分步处理
import mahotas as mh
import numpy as np,sys
import pylab as p
np.set_printoptions(threshold=sys.maxsize)#显示设置
def _view(image,shape=(2,2,1),mode=True):
if isinstance(image,np.ndarray):
p.subplot(shape[0],shape[1],shape[2])
if mode:
p.imshow(image,cmap='gray')
else:
p.imshow(image)
def view(image1,image2,image3=None,image4=None,graymode=[True,True,True,True]):
b3,b4=isinstance(image3,np.ndarray),isinstance(image3,np.ndarray)
rows=2 if b3 and b4 else 1
# p.figure(figsize=(15,15))
_view(image1,(rows,2,1),graymode[0])
_view(image2,(rows,2,2),graymode[1])
if rows==2:
_view(image3,(rows,2,3),graymode[2])
_view(image4,(rows,2,4),graymode[3])
p.show()
# 1.寻找种子
def searchSeeds(gray,k=8):
"""
寻找团块中心点并计算中心点的个数。
灰度图上团块中心的地方比较亮,最亮的地方就是最中心的地方。这个东西叫regional maxima，相当于山脉的最高峰。
我们找到这个点之后，进行标亮，并且与原来的灰度图重叠在一起。
"""
img=mh.gaussian_filter(gray,8).astype('uint8')
regional_max=mh.regmax(img)#区域最大值
view(img,regional_max,mh.overlay(gray,regional_max),graymode=[True,True,False,True])
p.show()
def imag_Binary(gray):
gray = mh.gaussian_filter(gray, 4) #高斯滤波 float64-过滤掉小的目标
# gray= gray.astype(np.uint8)
# thresholdvalue=mh.thresholding.otsu(gray)#92
# binary = (gray>thresholdvalue) #bool阈值处理-显示原子核较少
binary = (gray> gray.mean()) #bool阈值处理等价上面3句；但是显示更多原子核
return binary
rgb = mh.demos.nuclear_image() #原子核图像--边缘会非常嘈
gray = rgb[:,:,0]#uint8
searchSeeds(gray,k=8) #查看原子核的中心点
searchSeeds(gray,k=15) #查看更大原子核的中心点
binary=imag_Binary(gray)
# 标记使图像中所有原子核：统计核算数量
labeled, n_label = mh.label(binary)
print('n_label=',n_label) #发现42细胞核
# 测量尺寸并进行过滤：过滤掉不完整原子核或原子核上有肿块的物质.
sizes = mh.labeled.labeled_size(labeled)
# too_big = np.where(sizes > 10000)
# labeled = mh.labeled.remove_regions(labeled, too_big)
labeled=mh.labeled.remove_regions_where(labeled, sizes > 10000)#同以上两行等效
p.imshow(labeled)
p.show()
# 删除边界区域的原子核：
labeled = mh.labeled.remove_bordering(labeled)
# labeled现在值范围0~n_label,但有值丢失(如区域7是接触边界,则7未在标签中使用).
# 可以relabel得到一个更干净版本：
relabeled, n_left = mh.labeled.relabel(labeled)
print('After filtering and relabeling, there are {} nuclei left.'.format(n_left))# 有24原子核, labeled值范围：0(背景)~24.
p.imshow(relabeled)
p.show()实例3：V1.4一次调用来进行多处理
import mahotas as mh
import numpy as np,sys
from pylab import imshow, show
np.set_printoptions(threshold=sys.maxsize)
def base_operator():
image = mh.demos.nuclear_image() #原子核图像--边缘会非常嘈
image = image[:,:,0]
image = mh.gaussian_filter(image, 4) #高斯滤波
image = (image> image.mean()) #阈值处理
return image
image=base_operator()
# 标记使图像中所有原子核：
labeled, n_label = mh.label(image)
#过滤过大原子核，删除边界处原子核
relabeled,n_left = mh.labeled.filter_labeled(labeled, remove_bordering=True, max_size=10000)
imshow(relabeled)
show()
类似资料：