第二十九章:Python-mahotas库：图像处理的高效工具

一、mahotas库简介

   mahotas是一个功能强大的Python图像处理库，提供了丰富的图像处理算法和工具，包罗图像分割、特征提取、滤波、形态学操作等。它以简便的API和高效的性能著称，特别得当处理大型图像。资源绑定附上完整资料供读者参考学习！
二、常见操作示例

1. 图像读取与保存

Python示例代码

1. import mahotas as mh
3. # 读取图像
4. image = mh.imread('演示图片4.jpg')
6. # 保存图像
7. mh.imsave('output.jpg', image)

复制代码

运行效果

2. 图像转换为灰度图

Python示例代码

1. import mahotas as mh
2. import matplotlib.pyplot as plt
4. # 读取图像
5. image = mh.imread('演示图片4.jpg')
7. # 转换为灰度图像
8. gray_image = image.mean(2)  # 对于RGB图像，计算每个像素的平均值
10. # 显示灰度图像
11. plt.imshow(gray_image, cmap='gray')
12. plt.title('Gray Image')
13. plt.axis('off')  # 关闭坐标轴
14. plt.show()

复制代码

运行效果

3. 高斯滤波

Python示例代码

1. import mahotas as mh
2. import matplotlib.pyplot as plt
3. import numpy as np
5. # 读取图像
6. image = mh.imread('演示图片3.jpg')
8. # 如果图像是彩色的，将其转换为灰度图像
9. if len(image.shape) == 3:  # 检查是否为RGB图像
10.     gray_image = image.mean(2)  # 计算每个像素的平均值
11. else:
12.     gray_image = image.copy()
14. # 应用高斯滤波
15. sigma = 20  # 高斯滤波的标准差
16. smoothed_image = mh.gaussian_filter(gray_image, sigma)
18. # 显示原始图像和滤波后的图像
19. plt.figure(figsize=(12, 10))
21. # 显示原始图像
22. plt.subplot(1, 2, 1)
23. plt.imshow(gray_image, cmap='gray')
24. plt.title('原始图像',font='SimHei',fontsize=30)
25. plt.axis('off')
27. # 显示滤波后的图像
28. plt.subplot(1, 2, 2)
29. plt.imshow(smoothed_image, cmap='gray')
30. plt.title('高斯滤波图像 (σ={})'.format(sigma),font='SimHei',fontsize=30)
31. plt.axis('off')
33. plt.tight_layout()
34. plt.show()

复制代码

运行效果

三、高级示例

1. 分水岭算法进行图像分割

Python示例代码

1. import mahotas as mh
2. import matplotlib.pyplot as plt
3. import numpy as np
4. from skimage.filters import sobel, threshold_otsu  # 修改这里
5. from skimage import measure
7. # 读取图像
8. image = mh.imread('演示图片4.jpg')
10. # 确保图像是彩色的
11. if len(image.shape) != 3:
12.     raise ValueError("图像必须是彩色的")
14. # 转换为LAB颜色空间并提取亮度通道
15. lab_image = mh.colors.rgb2lab(image)
16. L = lab_image[:, :, 0]
18. # 修改部分：使用skimage的Otsu阈值方法
19. T = threshold_otsu(L)  # 这里替换为skimage的版本
20. binary = L > T
22. # 生成标记（使用连通组件）
23. labeled_markers, num_regions = measure.label(binary, return_num=True)
25. # 计算梯度并应用分水岭
26. gradient = sobel(L)
27. segmented = mh.cwatershed(gradient, labeled_markers)
29. # 可视化
30. plt.figure(figsize=(12, 10))
32. plt.subplot(1, 2, 1)
33. plt.imshow(image)
34. plt.title('原始图片',font='SimHei',fontsize=30)
35. plt.axis('off')
37. plt.subplot(1, 2, 2)
38. plt.imshow(segmented, cmap='nipy_spectral')
39. plt.title('图像分割',font='SimHei',fontsize=30)
40. plt.axis('off')
42. plt.tight_layout()
43. plt.show()

复制代码

运行效果

2. HOG特征提取

Python示例代码

1. # 正确的 HOG 特征提取方法（使用 scikit-image）
2. from skimage.feature import hog
3. from skimage import io, color
4. import matplotlib.pyplot as plt
6. # 读取图像并转换为灰度
7. image = io.imread('演示图片5.jpg')
8. gray_image = color.rgb2gray(image)  # 转换为灰度（0-1 float）
10. # 计算 HOG 特征
11. hog_features, hog_image = hog(
12.     gray_image,
13.     orientations=9,                # 方向bin数量
14.     pixels_per_cell=(8, 8),        # 每个cell的像素数
15.     cells_per_block=(2, 2),        # 每个block的cell数
16.     visualize=True,                # 返回可视化图像
17.     channel_axis=None              # 明确指定单通道
18. )
20. print("HOG特征维度:", hog_features.shape)
22. # 可视化结果
23. plt.figure(figsize=(12, 6))
25. plt.subplot(1, 2, 1)
26. plt.imshow(image)
27. plt.title('原始图像',font='SimHei',fontsize=30)
29. plt.subplot(1, 2, 2)
30. plt.imshow(hog_image, cmap='gray')
31. plt.title('HOG特征提取',font='SimHei',fontsize=30)
33. plt.show()

复制代码

运行效果

HOG 参数详解表：

参数类型默认值作用orientationsint9方向直方图的bin数目pixels_per_celltuple(8,8)每个cell的像素尺寸cells_per_blocktuple(2,2)每个block包含的cell数block_normstr'L2-Hys'标准化方法（可选L1/L2）visualizeboolFalse是否返回可视化图像channel_axisint/NoneNone多通道图像指定颜色轴 四、函数参数总结

函数名参数阐明imread读取图像文件，参数为文件路径。imsave保存图像文件，参数为文件路径和图像数据。rgb2gray将RGB图像转换为灰度图。gaussian_filter应用高斯滤波器，参数为图像和标准差。cwatershed分水岭算法，参数为图像和标记矩阵。hog提取HOG特征，参数为图像。 五、总结

   mahotas库以其高效的性能和简便的API，为图像处理提供了强大的支持。无论是底子的图像操作还是高级的特征提取，mahotas都能满足你的需求。盼望本文的示例能引发你的动手欲望，快来尝试吧！资源绑定附上完整资料供读者参考学习！

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。