Question

当我使用从ndimage.label(img)包导入的scipy标记灰度PNG图像时，其行为如下。
我有两张由Photoshop制作的形状的图像：
第一张图片：
the test_one http://imageshack.us/a/img140/8669/onehx.png
我在上面的图片上执行此代码。

>>> from scipy.misc import imread
>>> from scipy.ndimage import (label,find_objects)

>>> img=imread('first.jpg')
>>> x,y = label(img)
>>> print y                 # Prints exactly "4" shapes ,which is right.
4

>>> f=find_objects(x)
>>> print f                 # Returns exactly the "4" slices of the considered shapes.
[(slice(16L, 61L, None), slice(149L, 189L, None)),  
(slice(30L, 40L, None), slice(60L, 90L, None)),  
(slice(50L, 70L, None), slice(20L, 120L, None)),  
(slice(96L, 149L, None), slice(130L, 186L, None))]

到现在为止，它运作正常但是当我用如此处所示的光滑刷子制作形状时：

第二张图片：
the test_one http://imageshack.us/a/img822/5696/twozg.png
我在第二张图片上执行此代码

>>> from scipy.misc import imread
>>> from scipy.ndimage import (label,find_objects)

>>> img=imread('second.jpg')
>>> x,y = label(img)
>>>print y               # Prints more than "5" shapes ,which is wrong.
6

>>> f=find_objects(x)
>>> print f               # Return more than the "5" slices of the considered shapes.
                          #But still has the "5" slices of the "5" considered shapes 
                          #among the other slices which I'm confused of.  
[(slice(16L, 61L, None), slice(149L, 189L, None)),  
(slice(30L, 40L, None), slice(60L, 90L, None)),  
(slice(50L, 70L, None), slice(20L, 120L, None)),  
(slice(96L, 149L, None), slice(130L, 186L, None)),  
(slice(126L, 170L, None), slice(65L, 109L, None)),  
(slice(127L, 128L, None), slice(79L, 80L, None))]    #This is the extra object.

我只是想知道为什么ndimage.label(img)在使用光滑画笔时标记的形状比考虑的形状更多是的，它可以标记所考虑的形状，但为什么额外的标签，我怎么能摆脱额外的标签形状。

注意：
（1）额外的形状不是均匀的形状，它们是有点薄的黑色区域。!!
（2）如果图像是RGB格式，它的行为方式相同（3）用光滑笔刷绘制的形状中非零值的模式如下：

>>> obj_6            #Not quite right but it's similar to this structure
array([[  0,   0,   1,   1,   1,   1,   0,   0],  
       [  0,   1,   6,  12,  15,   9,   3,   0],  
       [  0,   7,  24,  50,  57,  35,  12,   1],  
       [  2,  14,  52, 105, 119,  74,  24,   3],
       [  2,  16,  60, 122, 139,  86,  29,   4],
       [  1,  10,  37,  77,  88,  54,  18,   3],
       [  0,   3,  12,  25,  29,  18,   5,   1],
       [  0,   0,   1,   4,   5,   3,   1,   0]], dtype=uint8)

（4）全面了解：
之一：
enter image description here 二：

谢谢你的耐心等待。

更新（1）：
为了说清楚，我发布了两张图片和相关结果：

Answer 1

要回答您的问题，它标记其他区域的原因是因为您使用的连接为1的默认结构，并且它不知道要查找对角线连接。

除了Warren所指出的，在需要强大标签的情况下（将对角线像素视为连接），可以改变这种结构。默认结构如下

In [32]: ndimage.morphology.generate_binary_structure(2, 1).astype("uint8")
Out[32]: 
array([[0, 1, 0],
       [1, 1, 1],
       [0, 1, 0]], dtype=uint8)

连接性为1.这扩展到您正在使用的任何尺寸图像。

如果您想使用标签而不必担心默认情况下获得的小额外内容，您可以通过添加“structure”关键字参数来更改对ndimage.label的调用。结构（或内核）是具有与图像（维度）相同等级的二进制对象，并且可以容易地改变。创建一个完整的等级

In [41]: struct=np.ones((3,3), dtype="bool8")

In [42]: struct
Out[42]: 
array([[ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True]], dtype=bool)
In [43]: ndimage.label(img, structure=struct)

理论上，这应解决向结果添加小对象的问题。

Answer 2

使用光滑笔刷绘制的形状中非零值的模式是什么样的？如果其中有很多零，label会找到许多断开连接的功能。

例如，使用这个4x4像素块：

In [16]: img
Out[16]: 
array([[ 0. ,  0.5,  0. ,  1. ],
       [ 0. ,  0.5,  0.5,  0. ],
       [ 0.5,  0. ,  1. ,  0. ],
       [ 0.5,  0. ,  1. ,  0. ]])

label(img)找到三个功能：

In [17]: lbl, n = label(img)

In [18]: lbl
Out[18]: 
array([[0, 1, 0, 2],
       [0, 1, 1, 0],
       [3, 0, 1, 0],
       [3, 0, 1, 0]])

In [19]: n
Out[19]: 3

我怀疑这是用光滑画笔绘制的像素中发生的情况。

为什么ndimage.label（image）会在所考虑的内容中标出额外的形状？

2 个答案: