阅读后this post ,并使用 SciKit-image 进行测试,我发现 Python 与 MATLAB 的函数 imregionalmax
之间存在差异。
我有这些代码行:
from skimage.feature import peak_local_max
manos = np.ones([5,5])
manos[2,2] = 0.
manos[2,4] = 2.
giannis = peak_local_max(manos,min_distance=1, indices=False, exclude_border=False)
giorgos = ndimage.filters.maximum_filter(manos, footprint=np.ones([3,3]))
giorgos = (giorgos == manos)
我希望变量 giannis
或 giorgos
的二维数组只有一个 True
值 ([2,4]),因为我得到在 MATLAB 中。相反,我采用了多个最大值。
知道为什么会这样工作以及如何让它像在 MATLAB 中一样工作吗?
最佳答案
giannis
和 giorgos
的相似之处在于它们都找到等于或大于 3x3 邻域中其他像素的像素。我相信 giannis 会有一些额外的阈值。
这些方法都不能保证找到的像素实际上是局部最大值。请注意我上面所说的“大于或等于”。图像中任何足够大的平台(所有像素都具有相同值的区域)都将被算法标记,无论它们是局部最大值、局部最小值还是介于两者之间。
例如:
import numpy as np
import matplotlib.pyplot as pp
import scipy.ndimage as ndimage
manos = np.sin(np.arange(100)/10)
manos = np.round(30*manos)/30 # Rounding to create plateaus
giorgos = ndimage.filters.maximum_filter(manos, footprint=np.ones([3]))
giorgos = (giorgos == manos)
pp.plot(manos);
pp.plot(giorgos);
pp.show()
请注意滤波器如何识别正弦曲线局部最小值附近的三个点。其中中间一个是实际的局部最小值,另外两个是既不是局部最大值也不是最小值的平台。
相比之下,MATLAB 函数 imregionalmax
会识别由具有较低值的像素包围的所有高原。执行此操作所需的算法与上面的算法非常不同。它可以使用并查算法有效地完成,或者使用泛洪填充型算法效率较低。主要思想是找到一个不低于任何邻居的像素,然后从它扩展到其等值邻居,直到探索整个高原或直到找到高原中具有更高值邻居的像素之一.
Python 提供的一个实现位于 DIPlib (注:我是作者):
import diplib as dip
nikos = dip.Maxima(manos)
pp.plot(manos);
pp.plot(nikos);
pp.show()
另一个实现是in SciKit-Image (感谢Juan为pointing this out):
nikos = skimage.morphology.local_maxima(manos)
关于python - 如何使 ndimage.filters.maximum_filter 像 MATLAB 的 imregionalmax 函数一样工作?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56134035/