第二十九章:Python-mahotas库：图像处理的高效工具

本文链接：https://blog.youkuaiyun.com/2302_80961196/article/details/147013300

一、mahotas库简介

mahotas是一个功能强大的Python图像处理库，提供了丰富的图像处理算法和工具，包括图像分割、特征提取、滤波、形态学操作等。它以简洁的API和高效的性能著称，特别适合处理大型图像。资源绑定附上完整资料供读者参考学习！

二、常见操作示例

1. 图像读取与保存

Python示例代码

import mahotas as mh

# 读取图像
image = mh.imread('演示图片4.jpg')

# 保存图像
mh.imsave('output.jpg', image)

运行效果

2. 图像转换为灰度图

Python示例代码

import mahotas as mh
import matplotlib.pyplot as plt

# 读取图像
image = mh.imread('演示图片4.jpg')

# 转换为灰度图像
gray_image = image.mean(2)  # 对于RGB图像，计算每个像素的平均值

# 显示灰度图像
plt.imshow(gray_image, cmap='gray')
plt.title('Gray Image')
plt.axis('off')  # 关闭坐标轴
plt.show()

运行效果

3. 高斯滤波

Python示例代码

import mahotas as mh
import matplotlib.pyplot as plt
import numpy as np

# 读取图像
image = mh.imread('演示图片3.jpg')

# 如果图像是彩色的，将其转换为灰度图像
if len(image.shape) == 3:  # 检查是否为RGB图像
    gray_image = image.mean(2)  # 计算每个像素的平均值
else:
    gray_image = image.copy()

# 应用高斯滤波
sigma = 20  # 高斯滤波的标准差
smoothed_image = mh.gaussian_filter(gray_image, sigma)

# 显示原始图像和滤波后的图像
plt.figure(figsize=(12, 10))

# 显示原始图像
plt.subplot(1, 2, 1)
plt.imshow(gray_image, cmap='gray')
plt.title('原始图像',font='SimHei',fontsize=30)
plt.axis('off')

# 显示滤波后的图像
plt.subplot(1, 2, 2)
plt.imshow(smoothed_image, cmap='gray')
plt.title('高斯滤波图像 (σ={})'.format(sigma),font='SimHei',fontsize=30)
plt.axis('off')

plt.tight_layout()
plt.show()

运行效果

三、高级示例

1. 分水岭算法进行图像分割

Python示例代码

import mahotas as mh
import matplotlib.pyplot as plt
import numpy as np
from skimage.filters import sobel, threshold_otsu  # 修改这里
from skimage import measure

# 读取图像
image = mh.imread('演示图片4.jpg')

# 确保图像是彩色的
if len(image.shape) != 3:
    raise ValueError("图像必须是彩色的")

# 转换为LAB颜色空间并提取亮度通道
lab_image = mh.colors.rgb2lab(image)
L = lab_image[:, :, 0]

# 修改部分：使用skimage的Otsu阈值方法
T = threshold_otsu(L)  # 这里替换为skimage的版本
binary = L > T

# 生成标记（使用连通组件）
labeled_markers, num_regions = measure.label(binary, return_num=True)

# 计算梯度并应用分水岭
gradient = sobel(L)
segmented = mh.cwatershed(gradient, labeled_markers)

# 可视化
plt.figure(figsize=(12, 10))

plt.subplot(1, 2, 1)
plt.imshow(image)
plt.title('原始图片',font='SimHei',fontsize=30)
plt.axis('off')

plt.subplot(1, 2, 2)
plt.imshow(segmented, cmap='nipy_spectral')
plt.title('图像分割',font='SimHei',fontsize=30)
plt.axis('off')

plt.tight_layout()
plt.show()

运行效果

2. HOG特征提取

Python示例代码

# 正确的 HOG 特征提取方法（使用 scikit-image）
from skimage.feature import hog
from skimage import io, color
import matplotlib.pyplot as plt

# 读取图像并转换为灰度
image = io.imread('演示图片5.jpg')
gray_image = color.rgb2gray(image)  # 转换为灰度（0-1 float）

# 计算 HOG 特征
hog_features, hog_image = hog(
    gray_image,
    orientations=9,                # 方向bin数量
    pixels_per_cell=(8, 8),        # 每个cell的像素数
    cells_per_block=(2, 2),        # 每个block的cell数
    visualize=True,                # 返回可视化图像
    channel_axis=None              # 明确指定单通道
)

print("HOG特征维度:", hog_features.shape)

# 可视化结果
plt.figure(figsize=(12, 6))

plt.subplot(1, 2, 1)
plt.imshow(image)
plt.title('原始图像',font='SimHei',fontsize=30)

plt.subplot(1, 2, 2)
plt.imshow(hog_image, cmap='gray')
plt.title('HOG特征提取',font='SimHei',fontsize=30)

plt.show()

运行效果

HOG 参数详解表：

参数	类型	默认值	作用
`orientations`	int	9	方向直方图的bin数量
`pixels_per_cell`	tuple	(8,8)	每个cell的像素尺寸
`cells_per_block`	tuple	(2,2)	每个block包含的cell数
`block_norm`	str	'L2-Hys'	标准化方法（可选L1/L2）
`visualize`	bool	False	是否返回可视化图像
`channel_axis`	int/None	None	多通道图像指定颜色轴

四、函数参数总结

函数名	参数说明
`imread`	读取图像文件，参数为文件路径。
`imsave`	保存图像文件，参数为文件路径和图像数据。
`rgb2gray`	将RGB图像转换为灰度图。
`gaussian_filter`	应用高斯滤波器，参数为图像和标准差。
`cwatershed`	分水岭算法，参数为图像和标记矩阵。
`hog`	提取HOG特征，参数为图像。