Python cucim.skimage.feature.peak_local_max用法及代碼示例

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)

在圖像中查找峰值作為坐標列表或布爾掩碼。

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

如果同時提供threshold_abs和threshold_rel，則選擇兩者中的最大值作為峰值的最小強度閾值。

在 0.18 版中更改：在 0.18 版之前，半徑範圍內相同高度的峰min_distance全部返回，但這可能會導致意外行為。從 0.18 開始，返回該區域內的任意峰值。請參閱問題 gh-2592。

參數：

image：ndarray: 輸入圖像。
min_distance：整數，可選: 分離峰的最小允許距離。要查找最大峰值數，請使用 min_distance=1 。
threshold_abs：浮點數，可選: 峰的最小強度。默認情況下，絕對閾值是圖像的最小強度。
threshold_rel：浮點數，可選: 峰的最小強度，計算為 max(image) * threshold_rel 。
exclude_border：int，int 元組，或 bool，可選: 如果是正整數，exclude_border 會排除圖像邊界的 exclude_border -pixels 內的峰值。如果元組是非負整數，則元組的長度必須與輸入數組的維度匹配。元組的每個元素將排除 exclude_border -沿該維度的圖像邊界的像素內的峰值。如果為 True，則將 min_distance 參數作為值。如果為零或假，無論峰與邊界的距離如何，都可以識別峰。
indices：布爾型，可選: 如果為 True，則輸出將是一個表示峰值坐標的數組。坐標根據峰值排序(較大的優先)。如果為 False，則輸出將是一個布爾數組，其形狀為 image.shape，峰值出現在 True 元素處。 indices 已棄用，將在 0.20 版中刪除。默認行為將始終返回峰值坐標。您可以獲得如下示例所示的掩碼。
num_peaks：整數，可選: 最大峰值數。當峰數超過 num_peaks 時，根據最高峰強度返回 num_peaks 峰。
footprint：布爾數組，可選: 如果提供，footprint == 1 表示要在其中搜索 image 中每個點的峰值的局部區域。
labels：整數的ndarray，可選: 如果提供，每個唯一區域 labels == value 代表一個用於搜索峰的唯一區域。零是為背景保留的。
num_peaks_per_label：整數，可選: 每個標簽的最大峰值數。
p_norm：浮點數: 使用哪個 Minkowski p-norm。應在 [1, inf] 範圍內。如果可能發生溢出，有限的大 p 可能會導致 ValueError。 inf 對應於切比雪夫距離，2 對應於歐幾裏得距離。

output：ndarray 或 ndarray 的布爾值

如果indices = True：(行，列，...)峰坐標。
如果 indices = False ：布爾數組，形狀類似於 image ，峰值由 True 值表示。

注意：

峰值局部最大值函數返回圖像中局部峰值(最大值)的坐標。在內部，最大過濾器用於尋找局部最大值。此操作會擴大原始圖像。在比較擴張圖像和原始圖像之後，此函數返回擴張圖像等於原始圖像的峰的坐標或掩碼。

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]])

相關用法

注：本文由純淨天空篩選整理自rapids.ai大神的英文原創作品 cucim.skimage.feature.peak_local_max。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

注意：

例子：