图像处理：斑点检测和连接的组件
蝴蝶与检测到的斑点
结合并补充图像中发现的每个单独的成分，可以绘制所需的部分内容。但是，如果只想独立检查每个单独的组件怎么办？从整个图片中分离出来，并创建一个不同的部分，这时就可以使用斑点检测技术和连接的分量算法分别分析图像分量。
斑点检测
它是为模型建立准备图像数据的最后步骤之一，通常在颜色检测和降噪之后执行操作，以最终从图像中找到所需的对象以进行进一步分析。以下汇总了斑点检测在图像处理中必不可少的原因：
- 寻找特征
- 描述要素周围的区域
- 比较功能以查找匹配项
- 兼容后使用这些匹配项
进行斑点检测的方法有三种：高斯的拉普拉斯算子（LoG），高斯的差分算子（DoG）和黑森州的行列式（DoH）。我们将不深入研究这些算法背后的数学原理，而是将讨论这些概念的python实现。为了说明起见，我们将使用此图像查看实际的斑点检测。
但是如果不导入必要的python库来完成所有这些工作，我们该如何编码？
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import blob_dog, blob_log, blob_doh
from math import sqrt
import matplotlib.pyplot as plt
import numpy as np三种Blob检测方法的代码实现：
blobs_log = blob_log(im_bw, max_sigma=30, num_sigma=10, threshold=.1)
# Compute radii in the 3rd column.
blobs_log[:, 2] = blobs_log[:, 2] * sqrt(2) #normalizing and scaling parameter so that it matches the
blobs_dog = blob_dog(im_bw, max_sigma=30, threshold=.1)
blobs_dog[:, 2] = blobs_dog[:, 2] * sqrt(2)
blobs_doh = blob_doh(im_bw, max_sigma=30, threshold=.01)
blobs_list = [blobs_log, blobs_dog, blobs_doh]
colors = ['yellow', 'lime', 'red']
titles = ['Laplacian of Gaussian', 'Difference of Gaussian',
'Determinant of Hessian']
sequence = zip(blobs_list, colors, titles)
fig, axes = plt.subplots(1, 3, figsize=(9, 3), sharex=True, sharey=True)
ax = axes.ravel()
for idx, (blobs, color, title) in enumerate(sequence):
ax[idx].set_title(title)
ax[idx].imshow(im_bw, interpolation='nearest')
for blob in blobs:
y, x, r = blob
c = plt.Circle((x, y), r, color=color, linewidth=2, fill=False)
ax[idx].add_patch(c)
ax[idx].set_axis_off()
plt.tight_layout()
plt.show()
从左到右，可以观察到物体的检测变得更加灵敏。至于LoG，在某些情况下会将不同的对象聚集成一个检测对象。对于DoG和DoH，情况恰恰相反，对于DoH而言，检测更加精细。假定只检测一次的对象，被多次检测到。尽管我们成功地对特定图像实现了斑点检测，但在大多数情况下，在现实生活中，我们不仅关注本质上是圆形的斑点。
连接的组件
相反，我们将连接的组件视为分析中关注的焦点。这种方法的明显缺点是，它严重依赖于数据的干净程度。因此，通过调整颜色空间和进行形态学运算就可以解决问题，让我们回到我们的图像。
在使用所连接组件的skimage的label和region_properties函数之前，必须首先执行彻底的图像清理。下面是用户定义的功能，以执行此操作：
def multi_dil(im,num):
for i in range(num):
im = dilation(im)
return im
def multi_ero(im,num):
for i in range(num):
im = erosion(im)
return im我们使用此链式操作来清洁图像：
im_cleaned = multi_ero(multi_dil(im_bw,5),5)
imshow(im_cleaned)
现在这是相对干净的，让我们获取该图像的标签和属性！
label_im = label(im_cleaned)
imshow(label_im)
注意：有连接的糖果（意味着它们将被视为单个对象）。因此，它们将具有相同的标签。必须执行形态学操作以分离图像。但是，请注意，这将影响其他对象，这意味着你们将删除或添加信息。
现在，让我们使用regionprops并查看以下属性：
- 区域
- 周长
- bbox —边界框尺寸
- bbox_area —边界框的面积
- 质心—质心的坐标
- 凸面图像— Blob的凸面外壳
- 凸面区域—凸面船体的面积
- 偏心率—测量其如何适合圆的椭圆（0）（对象的伸长程度）
- major_axis_length —拟合的椭圆的主要矩的长度
- minor_axis_length —拟合的椭圆的次要矩的长度
让我们尝试一下第一个糖果的区域：
props=regionprops(label_im)
props[0].area #area (zero) 0th object in the image输出：4453
第五糖果的边框坐标如何？
props[5].bbox #bounding box of 5th image输出：（118、473、209、521）
使用label和region_props函数可以完成更多工作。对这个主题有深入的了解，因为它将在图像处理的更高级的主题中派上用场。
