1

我正在使用二进制图像处理一些图像处理程序。在 Matlab 中，我可以创建一个查找表，为 3 x 3 邻域的每个可能的 2^9=512 配置提供输出。也就是说，我可以编写一个函数func，为这样的邻域生成 0 或 1，然后创建一个查找表

lut = makelut(func,3)

（“3”表示社区的大小）。然后可以将该查找表应用于我的二进制im图像

applylut(im, lut)

但是我怎样才能在 Python 中做同样的事情呢？这里给出了一个例子：

http://pydoc.net/Python/scikits-image/0.4.2/skimage.morphology.skeletonize/

这当然有效，但似乎非常复杂，至少与 Matlab 的命令相比。

4

1 回答 1

0

中定义的过滤器scipy.ndimage可能对您有用。如果没有任何预定义的过滤器符合您的意图，您可以使用 scipy.ndimage.generic_filter.

例如，您可以使用以下命令重现Mathworks applylut 文档页面上显示的结果：

import numpy as np
import scipy.ndimage as ndimage
from PIL import Image

filename = '/tmp/PerformErosionUsingA2by2NeighborhoodExample_01.png'
img = Image.open(filename).convert('L')
arr = np.array(img)
def func(x):
    return (x==255).all()*255
arr2 = ndimage.generic_filter(arr, func, size=(2,2))
new_img = Image.fromarray(arr2.astype('uint8'), 'L')
new_img.save('/tmp/out.png')

PerformErosionUsingA2by2NeighborhoodExample_01.png :

在此处输入图像描述

出.png：

在此处输入图像描述

请注意，在这种情况下，ndimage.grey_erosion可以产生相同的结果，并且由于它不会为每个像素调用一次 Python 函数，因此它也快得多：

arr3 = ndimage.grey_erosion(arr, size=(2,2))
print(np.allclose(arr2,arr3))
# True

根据您希望在 中执行的计算类型func，另一种更快的选择可能是将结果表示为切片上的 NumPy 计算。例如，上grey_erosion式也可以表示为

arr4 = np.pad(arr.astype(bool), ((1,0),(1,0)), 'reflect')
arr4 = arr4[:-1,:-1] & arr4[1:,:-1] & arr4[:-1,1:] & arr4[1:,1:]
arr4 = arr4.astype('uint8')*255
assert np.allclose(arr3, arr4)

同样，这比使用要快得多，generic_filter因为这里的计算是在整个阵列上执行的，而不是逐个像素的。

于 2015-02-15T13:28:26.947 回答