Mahotas: estadísticas de adyacencia de umbral sin parámetros

En este artículo veremos cómo podemos obtener las estadísticas de adyacencia del umbral libre de parámetros de la imagen en mahotas. TAS fueron presentados por Hamilton et al. en «Clasificación de imagen de fenotipo celular automatizada rápida» 
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.pftas
Sintaxis: mahotas.features.pftas (img)
Argumento: toma el objeto de imagen como argumento
Retorno: devuelve una array 1-D 
 

Nota: la imagen de entrada debe filtrarse o 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 pftas
value = mahotas.features.pftas(img)
  
 
# printing value
print(value)

Producción :

Image 

[8.40466496e-01 3.96107929e-02 3.32482230e-02 4.78710924e-02
 1.99986198e-02 9.29542475e-03 4.81678283e-03 3.41591333e-03
 1.27665448e-03 8.74954977e-01 3.30841335e-02 2.54587942e-02
 3.93565900e-02 1.67089809e-02 5.66629477e-03 2.56520631e-03
 1.63400128e-03 5.71021954e-04 8.94910256e-01 2.94171187e-02
 2.18929382e-02 3.09704979e-02 1.29246004e-02 5.15770440e-03
 2.69414206e-03 1.49270033e-03 5.40041990e-04 7.95067984e-01
 5.76368630e-02 4.24876742e-02 5.77221625e-02 2.45406623e-02
 1.12339424e-02 7.21633656e-03 3.25844038e-03 8.35934968e-04
 9.01310067e-01 2.80622737e-02 1.99915045e-02 3.05637402e-02
 1.27837749e-02 4.03875587e-03 1.90138423e-03 1.03160208e-03
 3.16897372e-04 8.28594029e-01 4.43179717e-02 3.44044708e-02
 5.11290091e-02 2.25801812e-02 1.03552423e-02 4.92079472e-03
 2.92782150e-03 7.70479341e-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 pftas
value = mahotas.features.pftas(img)
  
 
# printing value
print(value)

Producción :
 

Image

[9.09810233e-01 2.60317846e-02 1.97574078e-02 2.77915537e-02
 1.31694722e-02 2.52446879e-03 6.36716463e-04 2.17571455e-04
 6.07920241e-05 9.15640448e-01 2.48822727e-02 1.86702013e-02
 2.63437145e-02 1.18992323e-02 2.02411568e-03 4.07844204e-04
 1.09513721e-04 2.26580113e-05 9.71165298e-01 9.19026798e-03
 6.63816594e-03 8.62583483e-03 3.68366898e-03 5.02318497e-04
 1.13426757e-04 5.40127416e-05 2.70063708e-05 8.33778879e-01
 4.29548185e-02 3.26013800e-02 5.29056931e-02 2.73491801e-02
 7.36566005e-03 1.98765890e-03 8.80608375e-04 1.76121675e-04
 9.00955422e-01 2.52231333e-02 1.89294439e-02 3.21553830e-02
 1.65154923e-02 4.43605931e-03 1.16101879e-03 5.12783301e-04
 1.11264301e-04 9.08750580e-01 2.31333775e-02 1.64857417e-02
 2.92278667e-02 1.50633649e-02 4.92893055e-03 1.33347821e-03
 7.40821225e-04 3.35838955e-04]