3

当我使用ndimage.label(img)从scipy包中导入来标记灰度 PNG 图像时，它的行为是这样的。
我有两张图片，其中一些形状由以下人员制作Photoshop：
第一张图片：
test_one http://imageshack.us/a/img140/8669/onehx.png
我在上面的图片上执行此代码。

>>> from scipy.misc import imread
>>> from scipy.ndimage import (label,find_objects)

>>> img=imread('first.jpg')
>>> x,y = label(img)
>>> print y                 # Prints exactly "4" shapes ,which is right.
4

>>> f=find_objects(x)
>>> print f                 # Returns exactly the "4" slices of the considered shapes.
[(slice(16L, 61L, None), slice(149L, 189L, None)),  
(slice(30L, 40L, None), slice(60L, 90L, None)),  
(slice(50L, 70L, None), slice(20L, 120L, None)),  
(slice(96L, 149L, None), slice(130L, 186L, None))]

到目前为止，它工作正常。
但是当我用光滑的刷子制作一个形状时，如下所示：

第二张图片：
test_one http://imageshack.us/a/img822/5696/twozg.png
我在第二张图片上执行此代码

>>> from scipy.misc import imread
>>> from scipy.ndimage import (label,find_objects)

>>> img=imread('second.jpg')
>>> x,y = label(img)
>>>print y               # Prints more than "5" shapes ,which is wrong.
6

>>> f=find_objects(x)
>>> print f               # Return more than the "5" slices of the considered shapes.
                          #But still has the "5" slices of the "5" considered shapes 
                          #among the other slices which I'm confused of.  
[(slice(16L, 61L, None), slice(149L, 189L, None)),  
(slice(30L, 40L, None), slice(60L, 90L, None)),  
(slice(50L, 70L, None), slice(20L, 120L, None)),  
(slice(96L, 149L, None), slice(130L, 186L, None)),  
(slice(126L, 170L, None), slice(65L, 109L, None)),  
(slice(127L, 128L, None), slice(79L, 80L, None))]    #This is the extra object.

我只想知道为什么ndimage.label(img)当我使用光滑的刷子时标记的形状比考虑的形状要多。
是的，它可以标记考虑的形状，但为什么要额外标记以及如何摆脱额外标记的形状。

注意：
（1）多余的形状不是偶数形状，它们是有点薄的黑色区域。！！
(2) 如果图像是 RGB 格式，它的行为方式相同。
(3) 用光滑画笔绘制的形状中的非零值模式如下所示： 

>>> obj_6            #Not quite right but it's similar to this structure
array([[  0,   0,   1,   1,   1,   1,   0,   0],  
       [  0,   1,   6,  12,  15,   9,   3,   0],  
       [  0,   7,  24,  50,  57,  35,  12,   1],  
       [  2,  14,  52, 105, 119,  74,  24,   3],
       [  2,  16,  60, 122, 139,  86,  29,   4],
       [  1,  10,  37,  77,  88,  54,  18,   3],
       [  0,   3,  12,  25,  29,  18,   5,   1],
       [  0,   0,   1,   4,   5,   3,   1,   0]], dtype=uint8)

(4) 全面了解：
一：
在此处输入图像描述 二：
在此处输入图像描述
感谢您的耐心等待。

更新（1）：
为了清楚起见，我发布了两张图片和相关结果：

4

2 回答 2

7

要回答您的问题，它标记附加区域的原因是因为您使用的是连接性为 1 的默认结构，并且它不知道寻找对角线连接。

除了 Warren 指出的需要鲁棒标记的地方（将对角像素视为连接）之外，还可以更改这种结构。默认结构如下

In [32]: ndimage.morphology.generate_binary_structure(2, 1).astype("uint8")
Out[32]: 
array([[0, 1, 0],
       [1, 1, 1],
       [0, 1, 0]], dtype=uint8)

其连通性为 1。这扩展到您正在使用的任何维度图像。

如果您想使用标签而不担心默认情况下获得的小额外内容，您可以通过添加“结构”关键字参数来更改对 ndimage.label 的调用。结构（或内核）是与图像（维度）具有相同等级的二进制对象，并且可以轻松更改。创建全等级

In [41]: struct=np.ones((3,3), dtype="bool8")

In [42]: struct
Out[42]: 
array([[ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True]], dtype=bool)
In [43]: ndimage.label(img, structure=struct)

理论上，这应该可以解决在结果中添加小对象的问题。

于 2012-12-13T15:59:19.457 回答
2

使用平滑笔刷绘制的形状中的非零值模式是什么样的？如果那里有很多零，label就会发现很多不连贯的特征。

例如，对于这个 4x4 像素块：

In [16]: img
Out[16]: 
array([[ 0. ,  0.5,  0. ,  1. ],
       [ 0. ,  0.5,  0.5,  0. ],
       [ 0.5,  0. ,  1. ,  0. ],
       [ 0.5,  0. ,  1. ,  0. ]])

label(img)发现三个特征：

In [17]: lbl, n = label(img)

In [18]: lbl
Out[18]: 
array([[0, 1, 0, 2],
       [0, 1, 1, 0],
       [3, 0, 1, 0],
       [3, 0, 1, 0]])

In [19]: n
Out[19]: 3

我怀疑这是用平滑画笔绘制的像素中发生的情况。

于 2012-10-06T05:37:41.103 回答