Mise en œuvre de Python de la laplacienne de détection de bord gaussien

Question

Je cherche la mise en œuvre équivalente de la laplacienne de détection de bord gaussien.

dans MATLAB, nous utilisons la fonction suivante

   [BW,threshold] = edge(I,'log',...)

Dans Python, il existe une fonction pour calculer le laplacien de Gaussien.Il ne donne pas définitivement aux bords.

  scipy.ndimage.filters.gaussian_laplace

Tout pointeur sur la mise en œuvre en ligne ou le code

merci

Answer 1

Quel Matlab Edge () devrait être

1. Compute CAMN
2. Compute Zero Dossiers sur le journal
3. calculer un seuil pour la différence de journalisation locale
4. Edge Pixels= Zero Crossing && Différence locale> Seuil

Le filtre de journal d'Egny ne fait que l'étape 1 ci-dessus. J'ai mis en œuvre l'extrait suivant à Mimic Step 2 ~ 4 ci-dessus:

import scipy as sp
import numpy as np
import scipy.ndimage as nd
import matplotlib.pyplot as plt
from skimage import data    

# lena = sp.misc.lena() this function was deprecated in version 0.17
img = data.camera()  # use a standard image from skimage instead
LoG = nd.gaussian_laplace(img , 2)
thres = np.absolute(LoG).mean() * 0.75
output = sp.zeros(LoG.shape)
w = output.shape[1]
h = output.shape[0]

for y in range(1, h - 1):
    for x in range(1, w - 1):
        patch = LoG[y-1:y+2, x-1:x+2]
        p = LoG[y, x]
        maxP = patch.max()
        minP = patch.min()
        if (p > 0):
            zeroCross = True if minP < 0 else False
        else:
            zeroCross = True if maxP > 0 else False
        if ((maxP - minP) > thres) and zeroCross:
            output[y, x] = 1

plt.imshow(output)
plt.show()

Ceci est bien sûr lent et probablement pas idiomatique, car je suis aussi nouveau à Python, mais devrait montrer l'idée.Toute suggestion sur la manière de l'améliorer est également accueillie.

Answer 2

J'ai joué un peu avec le code de ycyeh (merci de l'avoir fourni).Dans mes applications, j'ai obtenu de meilleurs résultats avec l'utilisation de valeurs de sortie proportionnelles à la gamme min-max que les 0s binaires et 1s.(Je n'ai plus besoin de ne plus avoir besoin de orthèse, mais on peut facilement appliquer un seuillage sur le résultat.) J'ai également changé les boucles vers des opérations de réseau numpy pour une exécution plus rapide.

import numpy as np
import scipy.misc
import cv2  # using opencv as I am not too familiar w/ scipy yet, sorry 


def laplace_of_gaussian(gray_img, sigma=1., kappa=0.75, pad=False):
    """
    Applies Laplacian of Gaussians to grayscale image.

    :param gray_img: image to apply LoG to
    :param sigma:    Gauss sigma of Gaussian applied to image, <= 0. for none
    :param kappa:    difference threshold as factor to mean of image values, <= 0 for none
    :param pad:      flag to pad output w/ zero border, keeping input image size
    """
    assert len(gray_img.shape) == 2
    img = cv2.GaussianBlur(gray_img, (0, 0), sigma) if 0. < sigma else gray_img
    img = cv2.Laplacian(img, cv2.CV_64F)
    rows, cols = img.shape[:2]
    # min/max of 3x3-neighbourhoods
    min_map = np.minimum.reduce(list(img[r:rows-2+r, c:cols-2+c]
                                     for r in range(3) for c in range(3)))
    max_map = np.maximum.reduce(list(img[r:rows-2+r, c:cols-2+c]
                                     for r in range(3) for c in range(3)))
    # bool matrix for image value positiv (w/out border pixels)
    pos_img = 0 < img[1:rows-1, 1:cols-1]
    # bool matrix for min < 0 and 0 < image pixel
    neg_min = min_map < 0
    neg_min[1 - pos_img] = 0
    # bool matrix for 0 < max and image pixel < 0
    pos_max = 0 < max_map
    pos_max[pos_img] = 0
    # sign change at pixel?
    zero_cross = neg_min + pos_max
    # values: max - min, scaled to 0--255; set to 0 for no sign change
    value_scale = 255. / max(1., img.max() - img.min())
    values = value_scale * (max_map - min_map)
    values[1 - zero_cross] = 0.
    # optional thresholding
    if 0. <= kappa:
        thresh = float(np.absolute(img).mean()) * kappa
        values[values < thresh] = 0.
    log_img = values.astype(np.uint8)
    if pad:
        log_img = np.pad(log_img, pad_width=1, mode='constant', constant_values=0)
    return log_img


def _main():
    """Test routine"""
    # load grayscale image
    img = scipy.misc.face()  # lena removed from newer scipy versions
    img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # apply LoG
    log = laplace_of_gaussian(img)
    # display
    cv2.imshow('LoG', log)
    cv2.waitKey(0)


if __name__ == '__main__':
    _main()