Python 在图像中查找具有相同强度的项目_Python_Matlab_Image Processing_Matrix_Computer Vision

Python 在图像中查找具有相同强度的项目

python matlab image-processing matrix computer-vision

Python 在图像中查找具有相同强度的项目,python,matlab,image-processing,matrix,computer-vision,Python,Matlab,Image Processing,Matrix,Computer Vision,如何在三维图像中找到所有点（或区域），其中前两个维度显示分辨率，第三个维度显示密度？我可以使用Matlab或Python。我想知道是否有一个本机函数用于查找计算成本最低的点。更新：假设我有以下几点： A= [1,2,3; 4,6,6; 7,6,6] A = 1 2 3 4 6 6 7 6 6 >> B=[7,8,9; 10,11,11; 1, 11,11] B = 7 8

如何在三维图像中找到所有点（或区域），其中前两个维度显示分辨率，第三个维度显示密度？我可以使用Matlab或Python。我想知道是否有一个本机函数用于查找计算成本最低的点。更新：假设我有以下几点：

A= [1,2,3; 4,6,6; 7,6,6]
A =

     1     2     3
     4     6     6
     7     6     6

>> B=[7,8,9; 10,11,11; 1, 11,11]

B =

     7     8     9
    10    11    11
     1    11    11

>> C=[0,1,2; 3, 7, 7; 5,7,7]

C =

     0     1     2
     3     7     7
     5     7     7

我怎么才能找到A的所有值都等于B的所有值和C的所有值的下平方？如果这太多，我怎么才能找到A中所有值相等的较低平方？ *显示的值是图像的强度

更新：尝试提供的答案，但出现以下错误：

>> c=conv2(M,T, 'full');
Warning: CONV2 on values of class UINT8 is obsolete.
         Use CONV2(DOUBLE(A),DOUBLE(B)) or CONV2(SINGLE(A),SINGLE(B)) instead. 
> In uint8/conv2 (line 10) 
Undefined function 'conv2' for input arguments of type 'double' and attributes 'full 3d real'.

Error in uint8/conv2 (line 17)
y = conv2(varargin{:});

*还尝试了

convn

，但花了很长时间，所以我就停止了！基本上如何对如上所述的2D阵列执行此操作？

请查看

二维相关基本上是将两幅图像相互“滑动”，并将重叠的点积相加

更多阅读：

退房

二维相关基本上是将两幅图像相互“滑动”，并将重叠的点积相加

更多阅读：

您可以使用一对水平和垂直1D过滤器，这样水平过滤器的内核为

[1-1]

，而垂直过滤器的内核为

[1；-1]

。这样做的效果是，对于每个维度中的每个元素，它分别采用水平和垂直成对距离。然后可以使用这两个内核执行图像过滤或卷积，以确保复制边界。为了能够找到一致的区域，通过检查两个结果中的哪些区域在它们之间映射为0，这将为您提供区域，这些区域在所有通道上独立一致

为此，首先将两个过滤结果的取相反的，这样将变为0的均匀区域现在为1，反之亦然。同时对这两个像素执行
逻辑
和操作，然后确保每个像素的所有值都是
真
。这意味着，对于该图像中的空间位置，所有值都与您期望的一致
在MATLAB中，假设您有图像处理工具箱，使用该工具箱对图像进行过滤，然后在MATLAB中暂时查看两个过滤结果，然后使用该工具箱查找所搜索区域的坐标。因此，请这样做：

%# Reproducing your data A = [1,2,3; 4,6,6; 7,6,6]; B = [7,8,9; 10,11,11; 1, 11,11]; C = [0,1,2; 3, 7, 7; 5,7,7]; %# Create a 3D matrix to allow for efficient filtering D = cat(3, A, B, C); %# Filter using the kernels ker = [1 -1]; ker2 = ker.'; %# out = imfilter(D, ker, 'replicate'); out2 = imfilter(D, ker2, 'replicate'); %# Find uniform regions regions = all(~out & ~out2, 3); %# Determine the locations of the uniform areas R = regionprops(regions, 'BoundingBox'); %# Round to ensure pixel accuracy and reshape into a matrix coords = round(reshape([R.BoundingBox], 4, [])).';

coords
将是一个
nx4
矩阵，每一行都告诉边界框原点的左上角坐标以及边界框的宽度和高度。行中的第一个和第二个元素是列和行坐标，而第三个和第四个元素是边界框的宽度和高度
我们检测到的区域可以在
regions
变量中找到。这两种情况都表明：

>> regions regions = 3×3 logical array 0 0 0 0 1 1 0 1 1 >> coords coords = 2 2 2 2

这告诉我们，我们已将“一致性”区域定位为右下角，而边界框左上角的坐标为第2行第2列，宽度和高度分别为2和2。
您可以使用一对水平和垂直1D过滤器，使水平过滤器的内核为
[1-1]
而垂直过滤器的内核为
[1；-1]
。这样做的效果是，它分别对每个维度中的每个元素采用水平和垂直成对距离。然后，您可以使用这两个内核执行图像过滤或卷积，以确保复制边界。为了能够找到统一的区域，请检查两个结果中的哪些区域映射到0两者之间，这将为您提供在所有通道上独立统一的区域
为此，您首先将两个过滤结果的取相反的，这样将变为0的均匀区域现在是1，反之亦然。您将对这两个结果一起执行
逻辑
和操作，然后确保每个像素的所有值在时间上都是
真
对于此图像中的空间位置，所有值的一致性与您期望的一致性相同
在MATLAB中，假设您有图像处理工具箱，使用来过滤图像，然后在MATLAB中暂时查看两个过滤结果，然后使用来查找所搜索区域的坐标。因此，请执行以下操作：

%# Reproducing your data A = [1,2,3; 4,6,6; 7,6,6]; B = [7,8,9; 10,11,11; 1, 11,11]; C = [0,1,2; 3, 7, 7; 5,7,7]; %# Create a 3D matrix to allow for efficient filtering D = cat(3, A, B, C); %# Filter using the kernels ker = [1 -1]; ker2 = ker.'; %# out = imfilter(D, ker, 'replicate'); out2 = imfilter(D, ker2, 'replicate'); %# Find uniform regions regions = all(~out & ~out2, 3); %# Determine the locations of the uniform areas R = regionprops(regions, 'BoundingBox'); %# Round to ensure pixel accuracy and reshape into a matrix coords = round(reshape([R.BoundingBox], 4, [])).';

coords
将是一个
nx4
矩阵，每一行告诉边界框原点的左上角坐标以及边界框的宽度和高度。行中的第一和第二个元素是列和行坐标，而第三和第四个元素是边界框的宽度和高度
我们检测到的区域可以在
regions
变量中找到。这两个变量都显示：

>> regions regions = 3×3 logical array 0 0 0 0 1 1 0 1 1 >> coords coords = 2 2 2 2
这说明我们已将“一致性”区域定位为右下角，而边界框左上角的坐标为第2行第2列，宽度和高度分别为2和2。
可能的解决方案：

A = [1,2,3; 4,6,6; 7,6,6]; B = [7,8,9; 10,11,11; 1, 11,11]; C = [0,1,2; 3, 7, 7; 5,7,7]; %create a 3D array D = cat(3,A,B,C) %reshape the 3D array to 2D %its columns represent the third dimension %and its rows represent resolution E = reshape(D,[],size(D,3)); %third output of the unique function applied row-wise to the data %represents the label of each pixel a [m*n, 1] vector created [~,~,F] = unique(E,'rows'); %reshape the vector to a [m, n] matrix of labels result = reshape(F, size(D,1), size(D,2));
可以将三维矩阵重塑为二维矩阵（
E
），其列表示第三维，其行表示分辨率
然后使用
unique
功能可以标记图像
我们有一个3D矩阵：

A = 1 2 3 4 6 6 7 6 6 B = 7 8 9 10 11 11 1 11 11 C = 0 1 2 3 7 7 5 7 7
当我们将3D矩阵重塑为2D矩阵时，我们得到：

E = 1 7 0 4 10 3 7 1 5 2 8 1 6 11 7 6 11 7 3 9 2 6 11 7 6 11 7
因此，我们需要根据行的值对行进行分类
Unique函数能够提取唯一的行，并将相同的标签分配给彼此相等的行
这里variable
F
捕获作为每行标签的唯一函数的第三个输出

F = 1 4 6 2 5 5 3 5 5
应该将其重塑为2D
结果=

1 2 3 4 5 5 6 5 5
<