Python cucim.skimage.feature.peak_local_max用法及代码示例

用法: cucim.skimage.feature.peak_local_max(image, min_distance=1, threshold_abs=None, threshold_rel=None, exclude_border=True, indices=True, num_peaks=inf, footprint=None, labels=None, num_peaks_per_label=inf, p_norm=inf)

在图像中查找峰值作为坐标列表或布尔掩码。

峰值是 2 * min_distance + 1 区域中的局部最大值(即，峰值至少相隔 min_distance )。

如果同时提供threshold_abs和threshold_rel，则选择两者中的最大值作为峰值的最小强度阈值。

在 0.18 版中更改：在 0.18 版之前，半径范围内相同高度的峰min_distance全部返回，但这可能会导致意外行为。从 0.18 开始，返回该区域内的任意峰值。请参阅问题 gh-2592。

参数：

image：ndarray: 输入图像。
min_distance：整数，可选: 分离峰的最小允许距离。要查找最大峰值数，请使用 min_distance=1 。
threshold_abs：浮点数，可选: 峰的最小强度。默认情况下，绝对阈值是图像的最小强度。
threshold_rel：浮点数，可选: 峰的最小强度，计算为 max(image) * threshold_rel 。
exclude_border：int，int 元组，或 bool，可选: 如果是正整数，exclude_border 会排除图像边界的 exclude_border -pixels 内的峰值。如果元组是非负整数，则元组的长度必须与输入数组的维度匹配。元组的每个元素将排除 exclude_border -沿该维度的图像边界的像素内的峰值。如果为 True，则将 min_distance 参数作为值。如果为零或假，无论峰与边界的距离如何，都可以识别峰。
indices：布尔型，可选: 如果为 True，则输出将是一个表示峰值坐标的数组。坐标根据峰值排序(较大的优先)。如果为 False，则输出将是一个布尔数组，其形状为 image.shape，峰值出现在 True 元素处。 indices 已弃用，将在 0.20 版中删除。默认行为将始终返回峰值坐标。您可以获得如下示例所示的掩码。
num_peaks：整数，可选: 最大峰值数。当峰数超过 num_peaks 时，根据最高峰强度返回 num_peaks 峰。
footprint：布尔数组，可选: 如果提供，footprint == 1 表示要在其中搜索 image 中每个点的峰值的局部区域。
labels：整数的ndarray，可选: 如果提供，每个唯一区域 labels == value 代表一个用于搜索峰的唯一区域。零是为背景保留的。
num_peaks_per_label：整数，可选: 每个标签的最大峰值数。
p_norm：浮点数: 使用哪个 Minkowski p-norm。应在 [1, inf] 范围内。如果可能发生溢出，有限的大 p 可能会导致 ValueError。 inf 对应于切比雪夫距离，2 对应于欧几里得距离。

output：ndarray 或 ndarray 的布尔值

如果indices = True：(行，列，...)峰坐标。
如果 indices = False ：布尔数组，形状类似于 image ，峰值由 True 值表示。

注意：

峰值局部最大值函数返回图像中局部峰值(最大值)的坐标。在内部，最大过滤器用于寻找局部最大值。此操作会扩大原始图像。在比较扩张图像和原始图像之后，此函数返回扩张图像等于原始图像的峰的坐标或掩码。

例子：

>>> import cupy as cp
>>> img1 = cp.zeros((7, 7))
>>> img1[3, 4] = 1
>>> img1[3, 2] = 1.5
>>> img1
array([[0. , 0. , 0. , 0. , 0. , 0. , 0. ],
       [0. , 0. , 0. , 0. , 0. , 0. , 0. ],
       [0. , 0. , 0. , 0. , 0. , 0. , 0. ],
       [0. , 0. , 1.5, 0. , 1. , 0. , 0. ],
       [0. , 0. , 0. , 0. , 0. , 0. , 0. ],
       [0. , 0. , 0. , 0. , 0. , 0. , 0. ],
       [0. , 0. , 0. , 0. , 0. , 0. , 0. ]])

>>> peak_local_max(img1, min_distance=1)
array([[3, 2],
       [3, 4]])

>>> peak_local_max(img1, min_distance=2)
array([[3, 2]])

>>> img2 = cp.zeros((20, 20, 20))
>>> img2[10, 10, 10] = 1
>>> img2[15, 15, 15] = 1
>>> peak_idx = peak_local_max(img2, exclude_border=0)
>>> peak_idx
array([[10, 10, 10],
       [15, 15, 15]])

>>> peak_mask = cp.zeros_like(img2, dtype=bool)
>>> peak_mask[tuple(peak_idx.T)] = True
>>> np.argwhere(peak_mask)
array([[10, 10, 10],
       [15, 15, 15]])

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cucim.skimage.feature.peak_local_max。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

注意：

例子：