Python skimage.measure.regionprops用法及代码示例

用法: skimage.measure.regionprops(label_image, intensity_image=None, cache=True, coordinates=None, *, extra_properties=None)

测量标记图像区域的属性。

参数：

label_image：(M, N[, P]) 数组

标记的输入图像。值为 0 的标签将被忽略。

intensity_image：(M, N[, P][, C]) ndarray，可选

与标记图像大小相同的强度(即输入)图像，以及可选的多通道数据的额外维度。目前，这个额外的通道维度(如果存在)必须是最后一个轴。默认为无。

cache：布尔型，可选

确定是否缓存计算的属性。缓存属性的计算速度要快得多，而内存消耗会增加。

coordinates：DEPRECATED

此参数已弃用，并将在 scikit-image 的未来版本中删除。

有关更多详细信息，请参阅坐标约定。

extra_properties：可调用的迭代

添加不包含在 skimage 中的额外属性计算函数。属性的名称是从函数名称派生的，dtype 是通过在小样本上调用函数来推断的。如果额外属性的名称与现有属性的名称冲突，则额外属性将不可见并发出 UserWarning。属性计算函数必须将区域掩码作为其第一个参数。如果属性需要强度图像，它必须接受强度图像作为第二个参数。

properties：RegionProperties列表: 每个项目说明一个带标签的区域，并且可以使用下面列出的属性进行访问。

注意：

以下属性可以作为属性或键访问：

区域int

区域的像素数。

area_bboxint

边界框的像素数。

area_convexint

凸包图像的像素数，它是包围该区域的最小凸多边形。

area_filledint

该区域的像素数将所有的洞都填满。说明image_filled的区域。

axis_major_length浮点数

具有与区域相同的归一化第二中心矩的椭圆长轴的长度。

axis_minor_length浮点数

具有与区域相同的归一化第二中心矩的椭圆短轴的长度。

盒子元组

边界框 (min_row, min_col, max_row, max_col) 。属于边界框的像素位于半开区间 [min_row; max_row) 和 [min_col; max_col) 中。

质心数组

质心坐标元组 (row, col) 。

centroid_local数组

质心坐标元组 (row, col) ，相对于区域边界框。

centroid_weighted数组

用强度图像加权的质心坐标元组(row, col)。

centroid_weighted_local数组

质心坐标元组(row, col)，相对于区域边界框，用强度图像加权。

坐标(N, 2) 数组

该区域的坐标列表(row, col)。

偏心浮点数

与区域具有相同second-moments 的椭圆的偏心率。偏心率是焦距(焦点之间的距离)与长轴长度之比。该值在区间 [0, 1) 中。为 0 时，椭圆变为圆形。

equivalent_diameter_area浮点数

与区域面积相同的圆的直径。

euler_numberint

非零像素集合的欧拉特性。计算为连接组件数减去孔数(input.ndim 连通性)。在 3D 中，连接组件的数量加上孔的数量减去隧道的数量。

程度浮点数

区域中的像素与总边界框中的像素之比。计算为area / (rows * cols)

feret_diameter_max浮点数

最大 Feret 直径计算为区域凸包轮廓周围点之间的最长距离，由 find_contours 确定。 [5]

图片(H, J) ndarray

与边界框大小相同的切片二值区域图像。

image_convex(H, J) ndarray

与边界框大小相同的二进制凸包图像。

image_filled(H, J) ndarray

具有与边界框相同大小的填充孔的二进制区域图像。

image_intensityndarray

区域边界框内的图像。

inertia_tensorndarray

围绕其质量旋转的区域的惯性张量。

inertia_tensor_eigvals元组

惯性张量的特征值按降序排列。

intensity_max浮点数

该地区强度最大的值。

intensity_mean浮点数

该区域的平均强度值。

intensity_min浮点数

该区域中强度最小的值。

标签int

带标签的输入图像中的标签。

时刻(3, 3) 数组

高达三阶的空间矩：

m_ij = sum{ array(row, col) * row^i * col^j }

其中总和在该区域的行、col 坐标上。

moments_central(3, 3) 数组

最高 3 阶的中心矩(平移不变)：

mu_ij = sum{ array(row, col) * (row - row_c)^i * (col - col_c)^j }

其中总和在行上，区域的 col 坐标，row_c 和 col_c 是区域质心的坐标。

moments_hu元组

Hu 矩(平移、缩放和旋转不变)。

moments_normalized(3, 3) 数组

归一化矩(平移和尺度不变)高达 3 阶：

nu_ij = mu_ij / m_00^[(i+j)/2 + 1]

其中 m_00 是第零个空间矩。

moments_weighted(3, 3) 数组

高达 3 阶的强度图像的空间矩：

wm_ij = sum{ array(row, col) * row^i * col^j }

其中总和在该区域的行、col 坐标上。

moments_weighted_central(3, 3) 数组

高达 3 阶的强度图像的中心矩(平移不变)：

wmu_ij = sum{ array(row, col) * (row - row_c)^i * (col - col_c)^j }

其中总和在行上，区域的 col 坐标，row_c 和 col_c 是区域加权质心的坐标。

moments_weighted_hu元组

强度图像的 Hu 矩(平移、缩放和旋转不变)。

moments_weighted_normalized(3, 3) 数组

高达 3 阶的强度图像的归一化矩(平移和尺度不变)：

wnu_ij = wmu_ij / wm_00^[(i+j)/2 + 1]

其中wm_00是第零空间矩(intensity-weighted区域)。

方向浮点数

第 0 轴(行)与具有与该区域相同的秒矩的椭圆长轴之间的角度，逆时针范围从 -pi/2 到 pi/2。

周长浮点数

使用 4 连接将轮廓近似为通过边界像素中心的线的对象周长。

perimeter_crofton浮点数

由 Crofton 公式在 4 个方向上近似的物体周长。

片切片元组

从源图像中提取对象的切片。

坚固性浮点数

区域中的像素与凸包图像的像素之比。

每个区域还支持迭代，这样你就可以做到：

for prop in region:
    print(prop, region[prop])

参考：

1: Wilhelm Burger, Mark Burge. Principles of Digital Image Processing: Core Algorithms. Springer-Verlag, London, 2009.
2: B. Jähne. Digital Image Processing. Springer-Verlag, Berlin-Heidelberg, 6. edition, 2005.
3: T. H. Reiss. Recognizing Planar Objects Using Invariant Image Features, from Lecture notes in computer science, p. 676. Springer, Berlin, 1993.
4: https://en.wikipedia.org/wiki/Image_moment
5: W. Pabst, E. Gregorová. Characterization of particles and particle systems, pp. 27-28. ICT Prague, 2007. https://old.vscht.cz/sil/keramika/Characterization_of_particles/CPPS%20_English%20version_.pdf

例子：

>>> from skimage import data, util
>>> from skimage.measure import label, regionprops
>>> img = util.img_as_ubyte(data.coins()) > 110
>>> label_img = label(img, connectivity=img.ndim)
>>> props = regionprops(label_img)
>>> # centroid of first labeled object
>>> props[0].centroid
(22.72987986048314, 81.91228523446583)
>>> # centroid of first labeled object
>>> props[0]['centroid']
(22.72987986048314, 81.91228523446583)

通过将函数传递为 extra_properties 添加自定义测量

>>> from skimage import data, util
>>> from skimage.measure import label, regionprops
>>> import numpy as np
>>> img = util.img_as_ubyte(data.coins()) > 110
>>> label_img = label(img, connectivity=img.ndim)
>>> def pixelcount(regionmask):
...     return np.sum(regionmask)
>>> props = regionprops(label_img, extra_properties=(pixelcount,))
>>> props[0].pixelcount
7741
>>> props[1]['pixelcount']
42

相关用法

注：本文由纯净天空筛选整理自scikit-image.org大神的英文原创作品 skimage.measure.regionprops。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：

参考：

例子：