Características de Mahotas – Haralick

En este artículo veremos cómo podemos obtener las características de imagen halalick en mahotas. Las características de la textura de Haralick se calculan a partir de una array de co-ocurrencia de nivel de gris (GLCM), una array que cuenta la co-ocurrencia de los niveles de gris vecinos en la imagen. El GLCM es una array cuadrada que tiene la dimensión del número de niveles de gris N en la región de interés (ROI). Para ello vamos a utilizar la imagen de microscopía fluorescente de un benchmark de segmentación nuclear. Podemos obtener la imagen con la ayuda del comando que se indica a continuación.
 

mahotas.demos.nuclear_image()

A continuación se muestra la imagen_nuclear 
 

Para hacer esto usaremos el método mahotas.features.haralick 
 

Sintaxis: mahotas.features.haralick (img)
Argumento: toma el objeto de imagen como argumento
Retorno: devuelve numpy.ndarray 
 

Nota: La entrada de esto debe ser la imagen filtrada o cargada como gris
. Para filtrar la imagen, tomaremos el objeto de imagen que es numpy.ndarray y lo filtraremos con la ayuda de la indexación, a continuación se muestra el comando para hacer esto. 
 

image = image[:, :, 0]

Ejemplo 1 : 
 

# importing various libraries
import mahotas
import mahotas.demos
import mahotas as mh
import numpy as np
from pylab import imshow, show
 
# loading nuclear image
nuclear = mahotas.demos.nuclear_image()
 
# filtering image
nuclear = nuclear[:, :, 0]
 
# adding gaussian filter
nuclear = mahotas.gaussian_filter(nuclear, 4)
 
# setting threshold
threshed = (nuclear > nuclear.mean())
 
# making is labeled image
labeled, n = mahotas.label(threshed)
 
# showing image
print("Labelled Image")
imshow(labeled)
show()
 
# getting haralick features
h_feature = mahotas.features.haralick(labelled)
 
# showing the feature
print("Haralick Features")
imshow(h_feature)
show()

Producción : 
 

Ejemplo 2: 
 

# importing required libraries
import numpy as np
import mahotas
from pylab import imshow, show
  
# loading image
img = mahotas.imread('dog_image.png')
    
# filtering the image
img = img[:, :, 0]
     
# setting gaussian filter
gaussian = mahotas.gaussian_filter(img, 15)
  
# setting threshold value
gaussian = (gaussian > gaussian.mean())
  
# making is labelled image
labeled, n = mahotas.label(gaussian)
 
# showing image
print("Labelled Image")
imshow(labelled)
show()
 
# getting haralick features
h_feature = mahotas.features.haralick(labelled)
 
# showing the feature
print("Haralick Features")
imshow(h_feature)
show()

Producción :