Python：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greycomatrix功能与MATLAB实现的功能完全不同.将像素设置为NaN时,函数会在断言上失败,以检查是否所有值都大于0.

是否有可用于非矩形ROI的Python实现？

解决方法:

虽然mahotas也是一个优秀的计算机视觉库,但没有必要停止使用skimage来做到这一点.

正如@Tonechas指出的那样,必要的是将那些NaN值设置为整数,因为np.nan的类型为float,而greycomatrix函数需要一个整数数组.

最简单的选择是将NaN设置为零,但是,如果像素中的值已经为零并且不想混合它们,则可以选择任何其他常量.之后,您所要做的就是从GLCM中筛选出所选择的值(再次,通常为零).

要了解这意味着什么,让我们看看skimage告诉我们greycomatrix function的输出：

4-D ndarray

[…] The value P[i,j,d,theta] is the number of times that grey-level j occurs at a distance d and at an angle theta from grey-level i. If normed is False, the output is of type uint32, otherwise it is float64. The dimensions are: levels x levels x number of distances x number of angles.

换句话说,数组的前两个维度定义了一个矩阵,告诉我们两个不同的值有多少次相隔一定距离.请注意,GLCM不保持输入数组的形状.那些行和列告诉我们值是如何相关的.

知道了这一点,很容易过滤出ROI之外的值(想象我们将NaN设置为零)：

glcm = greycomatrix(img, [1], [0])  # Calculate the GLCM "one pixel to the right"
filt_glcm = glcm[1:, 1:, :, :]           # Filter out the first row and column

现在,您可以轻松计算过滤后的GLCM的Haralick属性.例如：

greycoprops(filt_glcm, prop='contrast')

标签：mahotas,scikit-image,python,image-processing,glcm
来源： https://codeday.me/bug/20191002/1844884.html