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 :
Python3
# 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:
Python3
# 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 :
Publicación traducida automáticamente
Artículo escrito por rakshitarora y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA