Skimage: групповые этикетки с условием расстояния по контуру

Question

Я использовал skimage.measure.label, чтобы получить ярлыки моего изображения, но мне было интересно, была ли функция или лучший способ сгруппировать ярлыки с условием расстояния на их наброски.

В настоящее время я использую skimage.measure.regionprops анализировать каждую метку затем skimage.segmentation.find_boundaries получить контур каждой метки, то я получить координаты, я проверить расстояние между каждыми точками, я обновить если расстояние соответствует условию, а затем я повторно использую regionprops, чтобы получить правильные ярлыки после группировки (скоро опубликую мой код).

В настоящее время работает с этим кодом:

import math 
import matplotlib.pyplot as plt 
import numpy as np 

from skimage.draw import ellipse 
from skimage.measure import label, regionprops 
from skimage.transform import rotate 


image = np.zeros((600, 600)) 

rr, cc = ellipse(300, 350, 100, 220) 
rr2, cc2 = ellipse(100, 100, 20, 50) 
image[rr, cc] = 1 
image[rr2, cc2] = 1 

image = rotate(image, angle=15, order=0) 

label_img = label(image) 
regions = regionprops(label_img) 

fig, ax = plt.subplots() 
ax.imshow(image, cmap=plt.cm.gray) 

for props in regions: 
    y0, x0 = props.centroid 
    orientation = props.orientation 
    x1 = x0 + math.cos(orientation) * 0.5 * props.major_axis_length 
    y1 = y0 - math.sin(orientation) * 0.5 * props.major_axis_length 
    x2 = x0 - math.sin(orientation) * 0.5 * props.minor_axis_length 
    y2 = y0 - math.cos(orientation) * 0.5 * props.minor_axis_length 

    ax.plot((x0, x1), (y0, y1), '-r', linewidth=2.5) 
    ax.plot((x0, x2), (y0, y2), '-r', linewidth=2.5) 
    ax.plot(x0, y0, '.g', markersize=15) 

    minr, minc, maxr, maxc = props.bbox 
    bx = (minc, maxc, maxc, minc, minc) 
    by = (minr, minr, maxr, maxr, minr) 
    ax.plot(bx, by, '-b', linewidth=2.5) 

ax.axis((0, 600, 600, 0)) 
plt.show() 

Answer 1

Этот код работает для группировки и отображения результата (синий перед тем, циан после):

import math 
import matplotlib.pyplot as plt 
import numpy as np 

from skimage.draw import ellipse 
from skimage.measure import label, regionprops 
from skimage.transform import rotate 
from skimage.segmentation import find_boundaries 

image = np.zeros((600, 600)) 

rr, cc = ellipse(300, 350, 100, 220) 
rr2, cc2 = ellipse(100, 100, 20, 50) 
rr3, cc3 = ellipse(200, 50, 20, 50) 
image[rr, cc] = 1 
image[rr2, cc2] = 1 
image[rr3, cc3] = 1 

image = rotate(image, angle=15, order=0) 

pixel_distance = 100 

# Labeling image 
label_img = label(image) 

# Applying regionprops 
regions = regionprops(label_img) 

# First draw before regroup with blue rectangles 
fig, ax = plt.subplots() 
ax.imshow(image, interpolation="none") 

for props in regions: 
    y0, x0 = props.centroid 
    orientation = props.orientation 
    x1 = x0 + math.cos(orientation) * 0.5 * props.major_axis_length 
    y1 = y0 - math.sin(orientation) * 0.5 * props.major_axis_length 
    x2 = x0 - math.sin(orientation) * 0.5 * props.minor_axis_length 
    y2 = y0 - math.cos(orientation) * 0.5 * props.minor_axis_length 

    ax.plot((x0, x1), (y0, y1), '-r', linewidth=2.5) 
    ax.plot((x0, x2), (y0, y2), '-r', linewidth=2.5) 
    ax.plot(x0, y0, '.g', markersize=15) 

    minr, minc, maxr, maxc = props.bbox 
    bx = (minc, maxc, maxc, minc, minc) 
    by = (minr, minr, maxr, maxr, minr) 
    ax.plot(bx, by, '-b', linewidth=2.5) 

# Check distances for each label 
for props in regions: 

    # Get boundaries coordinates for that label 
    label_boundaries = find_boundaries(label_img == props.label) 
    bound_cord = np.column_stack(np.where(label_boundaries)) 

    # DEBUG: Draw boundaries 
    # for cord in bound_cord: 
    #  ax.plot(cord[1], cord[0], '.b', markersize=5) 

    # We will compare each boundaries coordinates with the coordinates of all other label boundaries 
    for j_props in regions: 
     if j_props.label > props.label: 
      regrouped = False 
      print "LABEL :", props.label, "VS :", j_props.label 
      # Get boundaries coordinates for that label 
      j_label_boundaries = find_boundaries(label_img == j_props.label) 
      j_bound_cord = np.column_stack(np.where(j_label_boundaries)) 

      # Coordinates comparisons 
      i = 0 
      while not regrouped and i < len(bound_cord): 
       j = 0 
       while not regrouped and j < len(j_bound_cord): 
        # Apply distance condition 
        if math.hypot(j_bound_cord[j][1] - bound_cord[i][1], j_bound_cord[j][0] - bound_cord[i][0]) <= pixel_distance: 
         # Assign the less label value 
         label_img[label_img == j_props.label] = min(props.label, j_props.label) 
         j_props.label = min(props.label, j_props.label) 
         regrouped = True 
        j += 1 
       i += 1 

# Second time we use regionprobs to get new labels informations 
regions_2 = regionprops(label_img) 

# Redraw after grouping with cyan rectangles 
for props in regions_2: 
    y0, x0 = props.centroid 
    orientation = props.orientation 
    x1 = x0 + math.cos(orientation) * 0.5 * props.major_axis_length 
    y1 = y0 - math.sin(orientation) * 0.5 * props.major_axis_length 
    x2 = x0 - math.sin(orientation) * 0.5 * props.minor_axis_length 
    y2 = y0 - math.cos(orientation) * 0.5 * props.minor_axis_length 

    ax.plot((x0, x1), (y0, y1), '-y', linewidth=2.5) 
    ax.plot((x0, x2), (y0, y2), '-y', linewidth=2.5) 
    ax.plot(x0, y0, '.c', markersize=15) 

    minr, minc, maxr, maxc = props.bbox 
    bx = (minc, maxc, maxc, minc, minc) 
    by = (minr, minr, maxr, maxr, minr) 
    ax.plot(bx, by, '-c', linewidth=2.5) 

ax.axis((0, 600, 600, 0)) 
plt.show()