Python 基于大结构元的图像特征检测

我试图从图像中提取一些特征，但每个提取的特征都非常小。提取较大特征的最简单方法似乎是使用较大的结构元素，但以下代码在

ITER>1

时失败

from scipy import ndimage,misc
lena=misc.lena().astype(float64)
lena/=ndimage.maximum(lena)
lena=lena>0.54# convert to binary image
       #   =====================  
ITER=1 # || FAILS WHEN ITER > 1 ||
       #   =====================
struct=ndimage.generate_binary_structure(2,1)
struct=ndimage.iterate_structure(struct,ITER)
lena_label,n =ndimage.label(lena,struct)
slices=ndimage.find_objects(lena_label)
images=[lena[sl] for sl in slices]
imshow(images[0])

---

ndimage.label

函数的参数

structure

用于确定输入的连接性。当您将输入表示为矩形矩阵时，此连接性通常考虑点周围的4个或8个邻居

p

。Scipy遵循此约定，并将接受的结构限制在此类情况下，因此，当任何大于

3x3

的内容传递给函数时，它会引发错误

---

如果你真的想做这样的事情，首先你需要非常清楚地定义你想要描述的连通性。然后你需要实现它。一种更简单的方法是首先放大输入，然后标记它。这将有效地提供更大的功能，这些功能将被标记为更大的

结构

参数。

我想使用类似于

ndimage.iterate_结构（struct，2）

生成的结构的连接。这样，如果两个特征由一个像素分隔，则认为它们是相同的特征。放大是否具有与使用更大结构完全相同的效果？如果使用基本正方形进行放大，这两个由一个像素分隔的特征将合并。因此，它们将被标记为单个特征。

RuntimeError: structure dimensions must be equal to 3