142 lines
4.4 KiB
Markdown
142 lines
4.4 KiB
Markdown
|
# 图像处理用 Mahotas 简介
|
|||
|
|
|
|||
|
|
> 原文：<https://www.askpython.com/python-modules/python-mahotas-for-image-processing>
|
|||
|
|
|
|||
|
|
嘿程序员们！我相信你已经实现了多个图像处理库。但是你知道蟒蛇的口袋里总有一些小把戏吗？！它还有另一个名为`Mahotas`的计算机视觉和图像处理库。
|
|||
|
|
|
|||
|
|
这个库是在`C++ and operates on NumPy arrays`中实现的，这使得它更快。目前，它包含`around 100`计算机视觉和图像处理功能。
|
|||
|
|
|
|||
|
|
***也读:[Python 中显示图像的 5 种方式](https://www.askpython.com/python/examples/display-images-using-python)***
|
|||
|
|
|
|||
|
|
在本教程中，我们将从使用 Mahotas 库进行一些简单的图像操作开始。在我们继续之前，我们将从使用`pip`命令安装库开始。使用下面显示的命令也可以做到这一点。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
pip install mahotas
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
安装完库之后，我们将继续将库导入到程序中。我们将为图像显示相关的功能导入`pylab`。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
import mahotas
|
|||
|
|
from pylab import imshow, show
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
您可以使用任何图像进行图像处理。对于本教程，我们将使用来自互联网的随机图像。我们将使用`mahotas.imread`加载图像，使用`imshow`函数显示图像。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
img = mahotas.imread('sample.jpg')
|
|||
|
|
imshow(img)
|
|||
|
|
show()
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Mahotas Output 1
|
|||
|
|
|
|||
|
|
`mean of an image`用于多种目的，包括图像处理中的降噪。Mahotas 能够计算图像的平均值，但一次仅限于一个通道，因为我们的图像是彩色的，所以我们将一次减少到一个通道。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
img0 = img[:,:,0]
|
|||
|
|
img1 = img[:,:,1]
|
|||
|
|
img2 = img[:,:,2]
|
|||
|
|
mean0 = img0.mean()
|
|||
|
|
mean1 = img1.mean()
|
|||
|
|
mean2 = img2.mean()
|
|||
|
|
print("Mean Value for the channel 1 is ", mean0)
|
|||
|
|
print("Mean Value for the channel 2 is ", mean1)
|
|||
|
|
print("Mean Value for the channel 3 is ", mean2)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
我正在使用的图像总共有 3 个通道。因此，我分别计算 3 个通道的 3 个平均值。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
Mean Value for the channel 1 is 195.63318904447684
|
|||
|
|
Mean Value for the channel 2 is 172.86992779952305
|
|||
|
|
Mean Value for the channel 3 is 172.8701535539508
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
使用该库，我们还可以使用下面的代码片段来裁剪图像。您可以将起始像素和结束像素指定为您想要的任何像素值。
|
|||
|
|
|
|||
|
|
我将首先尝试获得灯泡和手的焦点，它位于 x 轴上 1000 和 3000 像素值之间。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
img2 = img[:, 1000:3000]
|
|||
|
|
imshow(img2)
|
|||
|
|
show()
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Mahotas Output 2
|
|||
|
|
|
|||
|
|
让我们不要试图沿着 y 轴进一步裁剪图像，而只是聚焦在灯泡上。请看下面的代码片段。我们已经像之前一样从完整图像的绘图中的 x 轴和 y 轴选择了值。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
img2 = img[1000:2500, 1300:2300]
|
|||
|
|
imshow(img2)
|
|||
|
|
show()
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Mahotas Output 3
|
|||
|
|
|
|||
|
|
`roundness`是图像中的物体与形成一个完美的圆形有多相似/接近的量度。让我们来看两个不同的值，一个是完整的图像，另一个是有灯泡聚焦的图像。价值观的差异非常明显。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
img1 = img[::,1]
|
|||
|
|
r1 = mahotas.features.roundness(img1)
|
|||
|
|
r2 = mahotas.features.roundness(img2)
|
|||
|
|
print("Roundness of the full image : ", r1)
|
|||
|
|
print("Roundness of the bulb focused image : ", r2)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
代码的输出如下所示:
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
Roundness of the full image : 0.0
|
|||
|
|
Roundness of the bulb focused image : 0.0009273648133338048
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
图像的`local maxima`是图像中被识别为`local peaks`的区域。可以使用下面的代码行显示它们。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
img2 = img.max(1)
|
|||
|
|
lmaxim = mahotas.locmax(img)
|
|||
|
|
imshow(lmaxim)
|
|||
|
|
show()
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Mahotas Output 4
|
|||
|
|
|
|||
|
|
在下面代码片段中的`Overlay image`的帮助下，我们可以得到图像的灰度版本。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
img = img[:, :, ]
|
|||
|
|
ol = mahotas.overlay(img)
|
|||
|
|
imshow(ol)
|
|||
|
|
show()
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Mahotas Output 5
|
|||
|
|
|
|||
|
|
## 结论
|
|||
|
|
|
|||
|
|
在本教程中，我们了解并学习了开发人员如何在一些基本函数的帮助下使用 mahotas 进行图像处理。图书馆里还有更多可用的功能。敬请关注更多内容！
|
|||
|
|
|
|||
|
|
***也读作:[Python 中的图像处理——边缘检测、大小调整、腐蚀、膨胀](https://www.askpython.com/python/examples/image-processing-in-python)***
|