首页 > TAG信息列表 > scikit-image
如何将在scikit图像find_contours中创建的轮廓导出到shapefile或geojson?
我正在尝试在卫星图像上运行后将scikit-image.measure.find_contours()函数的结果导出为shapefile或geojson. 输出是像(行,列)这样的数组,其轮廓沿坐标,其中有很多. 如何绘制各种轮廓的坐标,并将其导出到shapefile(可以设置适当的投影等)? 我当前的代码,其中“ mask”是我处理过的图python-如何在openCV中识别不完整的矩形
我如何解决从图像中识别和提取矩形的问题,如下图所示. 请注意,我的矩形可能不完整,并且缺少一些边,而某些边可能是部分线. 谢谢 ! 解决方法:可以使用morphological操作(例如eroding and dilating)来解决.这两个操作将有助于创建闭合的矩形. 之后,您可以使用page中的教程来检测简单的用坐标列表索引二维数组的Python方法
我有numpy.ndarray类和尺寸(200,2)的坐标.基本上是regionprops的输出. 我想索引昏暗的img.shape =(1000,1000)的图像矩阵(也是ndarray). 我希望能够做类似的事情 for prop in region: img[prop.coords] = 0 但是,发生的是,它没有将坐标视为行,列对.而是将每个数字作为行号并在Python中将RGB转换为实验室的快速方法
是否有使用D50 sRGB在Python3中将RGB转换为LAB的快速方法? Python-Colormath太慢 skimage使用D65解决方法:目前,无法将skimage中的白色参考作为参数传递(欢迎拉动请求),但这是一种解决方法: from skimage import color color.colorconv.lab_ref_white = np.array([0.96422, 1.0, 0.8Python程序的脏并行化
我有一个程序可以循环加载2600张图像,进行一些处理并返回一个值.伪代码: for file in files: codes[file] = my_function(file) return codes 问题是-此过程大约需要20-30分钟,并且似乎仅使用一个CPU内核.我正在寻找一种快速而肮脏的方法来在更多的内核上运行它,也许是通过将列python-在Raspberry Pi上升级skimage版本
我已经在Raspberry Pi-2上使用突触包管理器安装了python包.但是,skimage模块0.6版是synaptic中最新的可用版本.有人可以指导我如何将其升级到0.11,因为旧版本中缺少某些功能. 我尝试了pip install scikit-image,但是它给出了输出 Running setup.py install for scikit image 然后python-rgb2gray不起作用,创建彩虹图像
我正在尝试对一系列照片进行数据分析,当所有照片都从RGB“更改”为灰度时,它们就会出现,看起来很好: The standard Astronaut image as my system says it’s grayscale 这是我正在使用的代码: import matplotlib.pyplot as plt from skimage.color import rgb2gray from skimage impython-在大图像中绘制边界框
我有一个很大的二进制图像(4k x 7k pix),我想从中提取整个黄色部分作为单个矩形.我尝试使用二进制腐蚀来使黄色区域内的特征均匀.然后,我使用了skimage.regionprops的bbox方法,但对于具有一个大bbox的大图像而言,它似乎运行得不够快.你有什么建议吗?解决方法:由于您提供的图像包含opencv python中的椭圆检测
我的图片在这里: 我正在寻找更好的解决方案或算法来检测这张照片中的椭圆形部分(盘),并在Opencv中的另一张照片中对其进行遮罩. 你能给我一些建议或解决方案吗?我的代码是: circles = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT, 1.2, 1, param1=128, minRadius=200, maxRadius=600)python – 合并非重叠的数组块
我使用此功能将(512×512)2维阵列划分为2×2块. skimage.util.view_as_blocks (arr_in, block_shape) array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15]]) >>> B = view_as_blocks(A, block_shape=(2, 2)) >>> B[0, 0] aPython:采用非矩形区域的GLCM
我一直在使用skiIC的SLIC实现来分割超像素中的图像.我想使用GLCM从这些超像素中提取额外的特征以解决分类问题.这些超像素不是矩形.在MATLAB中,您可以将像素设置为NaN,算法将忽略它们(link).我可以使用它来围绕超像素制作边界框,然后将未使用的像素设置为NaN. 但是,skimage中的grey使用scikit-image将RGB图像转换为LAB
我正在尝试使用skimage将RGB图像转换为LAB颜色空间,但结果似乎只是噪音.使用opencv的相同操作似乎有效. cat = io.imread('https://poopr.org/images/2017/08/22/91615172-find-a-lump-on-cats-skin-632x475.jpg') cat_sk_image_lab = skimage.color.rgb2lab(cat) plt.imshow(cat_在Python中将RGB图像转换为灰度
我正在尝试使用Python中的skimage将RGB图像转换为灰度.这是我做的: for im_path in glob.glob(os.path.join(pos_raw, "*")): im = imread(im_path) im = color.rgb2gray(im) image_name = os.path.split(im_path)[1].split(".")[0] + ".pgm" image_python – hog()得到了一个意外的关键字参数’visualize’
我正在运行scikit-image Histogram of Gradients example 示例代码如下: import matplotlib.pyplot as plt from skimage.feature import hog from skimage import data, color, exposure image = color.rgb2gray(data.astronaut()) fd, hog_image = hog(image, orientations=8python – scikit-image无法安装
我正在尝试使用python 3.5在我的Windows 7 64位机器上安装scikit-image软件包.安装scikit时,满足要求: Requirement already satisfied: six>=1.7.3 in c:\users\x\appdata\local\programs\python\python35\lib\site-packages (from scikit-image) Requirement already satisfied:python – 将boolean numpy数组转换为枕头图像
我目前正在使用scikit-image库在python中处理图像处理.我正在尝试使用索沃拉阈值使用以下代码制作二进制图像: from PIL import Image import numpy from skimage.color import rgb2gray from skimage.filters import threshold_sauvola im = Image.open("test.jpg") pix = numpy.在python中歪曲或剪切图像
我需要使用python剪切和倾斜一些图像.我遇到了this skimage module,但我似乎无法理解我应该如何使用它. 我尝试了一些东西,这显然给了我错误,因为我后来突然意识到,我没有将我的图像传递给函数.然后我注意到该函数首先不将我的图像作为输入参数.那么应该如何应用转型呢?或者这是否是用于Python中快速傅里叶变换的变迹掩模
我需要在Python中对地图进行傅里叶变换.快速傅立叶变换期望周期性边界条件,但输入映射不是周期性的.所以我需要应用一个输入滤波器/重量慢慢地将地图逐渐变细到边缘为零.是否有用于在python中执行此操作的库?解决方法:这种逐渐变细通常被称为“window”. Scipy有很多window function比较python中的LBP
我生成了这样的纹理图像 我必须比较两个纹理.我用直方图比较法. image_file = 'output_ori.png' img_bgr = cv2.imread(image_file) height, width, channel = img_bgr.shape hist_lbp = cv2.calcHist([img_bgr], [0], None, [256], [0, 256]) print("second started") image_fipython – 基于单元格区域的Regrid numpy数组
import numpy as np from skimage.measure import block_reduce arr = np.random.random((6, 6)) area_cell = np.random.random((6, 6)) block_reduce(arr, block_size=(2, 2), func=np.ma.mean) 我想重新调整一个从6 x 6大小到3 x 3的numpy数组arr.使用skimage函数block_redupython – 为对象检测选择/标准化HoG参数?
我正在使用HoG功能通过分类进行物体检测. 我对如何处理不同长度的HoG特征向量感到困惑. 我使用所有大小相同的训练图像训练了我的分类器. 现在,我正在从我的图像中提取运行分类器的区域 – 比如说,使用滑动窗口方法.我提取的一些窗口比分类器训练的图像大小大很多. (它是根据测试图使用OpenCV或Skimage填充图像中的孔
我试图为棋盘填充立体应用孔.棋盘处于微观尺度,因此避免灰尘很复杂……正如您所看到的: 因此,角落检测是不可能的.我尝试使用SciPy的binary_fill_holes或类似的方法,但我有一个完整的黑色图像,我不明白.解决方法:这是一个用大多数相邻像素所具有的颜色替换每个像素的颜色的函数. i如何将ScikitLearn分类器应用于大图像中的切片/窗口
鉴于是在scikit学习中训练有素的分类,例如一个RandomForestClassifier.分类器已经过大小样本的训练,例如: 25×25. 如何轻松将其应用于大图像中的所有图块/窗口(例如640×480)? 我能做的是(提前代码慢!) x_train = np.arange(25*25*1000).reshape(25,25,1000) # just some pseudo trapython – rgb转换为yuv并访问Y,U和V通道
我一直在寻找这种转换.有什么方法可以在Linux上使用Python将RGB图像转换为YUV图像并访问Y,U和V通道? (使用opencv,skimage等等…) 更新: 我用过opencv img_yuv = cv2.cvtColor(image, cv2.COLOR_BGR2YUV) y, u, v = cv2.split(img_yuv) cv2.imshow('y', y) cv2.imshow('u', u) cv2.python – 灰度图像中2点之间的强度加权最小路径
我想确定图像中两个特定点之间的最小路径,即通过像素强度(灰度)加权的相邻像素之间的距离之和的路径将被最小化.例如,此图显示输入图像 这是红色的(手绘)最小路径,从UL到LR角(黑色边界用作零重量填充): 我发现matlab只有graydist功能;在ndimage / scikit-image /中有类似的东西吗?