Mahotas – Estadísticas de adyacencia de umbral

En este artículo, veremos cómo podemos obtener la función de estadísticas de adyacencia de umbral de la imagen en mahotas. TAS fue presentado por Hamilton et al. en “Clasificación automatizada rápida de imágenes de fenotipos celulares”. TAS brinda parámetros originales, a diferencia de PFTAS, que brinda una variación sin ningún parámetro codificado.
Para este tutorial, usaremos la imagen ‘Lena’, a continuación se muestra el comando para cargar la imagen de Lena 
 

mahotas.demos.load('lena')

A continuación se muestra la imagen de Lena 
 

Para hacer esto, usaremos el método mahotas.features.tas
Sintaxis: mahotas.features.tas (img)
Argumento: toma el objeto de imagen como argumento
Retorno: devuelve una array 1-D 
 

Nota: la imagen de entrada debe filtrarse o debe cargarse 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]

A continuación se muestra la implementación. 
 

# importing required libraries
import mahotas
import mahotas.demos
from pylab import gray, imshow, show
import numpy as np
import matplotlib.pyplot as plt
   
# loading image
img = mahotas.demos.load('lena')
   
# filtering image
img = img.max(2)
 
print("Image")
   
# showing image
imshow(img)
show()
 
# computing tas
value = mahotas.features.tas(img)
  
 
# printing value
print(value)

Producción :
 

Image

[8.18235887e-01 4.96278071e-02 3.85778412e-02 5.42293510e-02
 2.31141496e-02 8.96518478e-03 4.17582280e-03 2.30390223e-03
 7.70054279e-04 8.11830699e-01 5.42434618e-02 3.79106870e-02
 5.78859183e-02 2.54097764e-02 7.40147155e-03 2.98681431e-03
 1.76294893e-03 5.68223210e-04 8.69779571e-01 3.56911714e-02
 2.61354551e-02 4.12780295e-02 1.73316328e-02 5.09194046e-03
 2.56976434e-03 1.52282331e-03 5.99611680e-04 7.43348142e-01
 5.80286091e-02 4.97388078e-02 7.46472685e-02 3.83537568e-02
 1.81614021e-02 1.17267978e-02 4.57940731e-03 1.41580823e-03
 9.37920200e-01 1.55393289e-02 1.20666222e-02 1.87743206e-02
 9.61712375e-03 3.05412151e-03 1.93789436e-03 8.37170364e-04
 2.53218197e-04 9.13099391e-01 2.42303089e-02 1.70045074e-02
 2.72925208e-02 1.13702921e-02 3.81980697e-03 1.62341796e-03
 1.19050651e-03 3.69248007e-04]

Otro ejemplo 
 

# importing required libraries
import mahotas
import numpy as np
from pylab import gray, imshow, show
import os
import matplotlib.pyplot as plt
  
# loading image
img = mahotas.imread('dog_image.png')
 
 
# filtering image
img = img[:, :, 0]
   
print("Image")
   
# showing image
imshow(img)
show()
 
# computing tas
value = mahotas.features.tas(img)
  
 
# printing value
print(value)

Producción :
 

Image

[8.92356868e-01 2.75272814e-02 2.05523535e-02 3.43358813e-02
 1.80176597e-02 5.01153448e-03 1.33785553e-03 6.79775240e-04
 1.80791287e-04 8.81674218e-01 3.13932157e-02 2.34006832e-02
 3.69160363e-02 1.95048908e-02 5.11444295e-03 1.23809709e-03
 6.09325269e-04 1.49090226e-04 9.06137850e-01 2.75823883e-02
 2.03761048e-02 2.88661485e-02 1.36743022e-02 2.68646310e-03
 4.75770564e-04 1.39449993e-04 6.15220557e-05 8.35720148e-01
 4.69532212e-02 3.62894953e-02 5.08719737e-02 2.36920394e-02
 4.84714813e-03 1.21050472e-03 2.87238408e-04 1.28231432e-04
 9.38717680e-01 1.80549908e-02 1.33994005e-02 1.87263793e-02
 8.80054720e-03 1.75569656e-03 3.62486722e-04 1.35538513e-04
 4.72808768e-05 9.05435494e-01 2.48433294e-02 1.91342383e-02
 2.97531477e-02 1.52476648e-02 4.03149662e-03 1.02763639e-03
 4.30377634e-04 9.66153873e-05]