En este artículo veremos cómo podemos obtener los patrones binarios lineales de imagen en mahotas. Los patrones binarios locales son un tipo de descriptor visual utilizado para la clasificación en la visión artificial. LBP es el caso particular del modelo Texture Spectrum propuesto en 1990. LBP se describió por primera vez en 1994. 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.lbp
Sintaxis: mahotas.features.lbp (imagen, radio, puntos)
Argumento: toma el objeto de imagen y dos enteros como argumento
Retorno: devuelve 1-D numpy ndarray, es decir, función de histograma
Nota: La entrada de este debería 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 import matplotlib.pyplot as plt # 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 labelled image labeled, n = mahotas.label(threshed) # showing image print("Labelled Image") imshow(labelled) show() # Computing Linear Binary Patterns value = mahotas.features.lbp(labelled, 200, 5) # showing histograph plt.hist(value)
Producción :
Ejemplo 2:
Python3
# importing required libraries import numpy as np import mahotas from pylab import imshow, show import matplotlib.pyplot as plt # 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() # Computing Linear Binary Patterns value = mahotas.features.lbp(labelled, 200, 5, ignore_zeros = False) # showing histograph plt.hist(value)
Producción :
Publicación traducida automáticamente
Artículo escrito por rakshitarora y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA