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