SciPy 库中maximum_filter配合generate_binary_structure获取局部极大值

介绍
- maximum_filter用法
- [generate_binary_structure 用法](#generate_binary_structure 用法)
- 示例代码

介绍

maximum_filter用法

maximum_filter 是 SciPy 库中的一个函数，它用于计算图像的最大值滤波。这个函数在图像处理中经常被用到，特别是在特征提取和边缘检测等任务中。

使用方法如下：

python 复制代码

import scipy.ndimage
filtered_image = scipy.ndimage.maximum_filter(input, size, footprint, output, mode, cval, origin)

参数:

input: 输入的 ndarray 。将应用滤波器的输入图像或数据。
size: 标量或元组，可选。定义滤波器窗口的大小。如果是一个标量，那么这将是每个维度的大小。如果是一个元组，那么这将指定每个维度的大小。
footprint: 布尔数组，可选。定义滤波器的形状，如果提供了 footprint ， size 参数将被忽略。
output: ndarray ，可选。用于放置输出的数组。必须与输入具有相同的形状和缓冲区。
mode: {'reflect','constant','nearest','mirror', 'wrap'}，可选。定义如何处理边界。默认值为 'reflect'。
cval: 标量，可选。如果 mode 是 'constant' ，这个值将用于填充。默认值为 0.0 。
origin: 标量或元组，可选。定义滤波器的原点。

返回值:

result: ndarray 。滤波后的输出。

generate_binary_structure 用法

generate_binary_structure 是 SciPy 库中的一个函数，用于生成具有给定结构元素的二进制结构。这个函数主要用于图像处理和形态学操作。

使用方法如下：

python 复制代码

import scipy.ndimage
struct = scipy.ndimage.generate_binary_structure(rank, connectivity)

参数:

rank: 整数，定义生成的结构元素的维数。例如，对于二维图像，排名将是2。
connectivity: 整数，定义像素之间的最大连接性。例如，对于二维图像，连接性为1意味着一个像素仅与其上下左右的像素连接，而连接性为2则意味着一个像素与其周围8个像素（包括对角线）都连接。

返回值:

output: 一个布尔数组，形状为 (2*connectivity+1,)*rank ，其中 True 表示结构元素的中心，False 表示它的背景。

例如，生成一个二维的结构元素，其连接性为1：

python 复制代码

import scipy.ndimage
struct = scipy.ndimage.generate_binary_structure(2, 1)
print(struct)

输出将是：

[[False  True False]
 [ True  True  True]
 [False  True False]]

在这个例子中，中心像素与其上下左右的像素连接，但不与对角线像素连接。

示例代码

此代码片段摘自OpenPose项目：

python 复制代码

def find_peaks(param, img):
    """
    Given a (grayscale) image, find local maxima whose value is above a given
    threshold (param['thre1'])
    :param img: Input image (2d array) where we want to find peaks
    :return: 2d np.array containing the [x,y] coordinates of each peak found
    in the image
    """

    peaks_binary = (maximum_filter(img, footprint=generate_binary_structure(
        						   2, 1)) == img) * (img > param)
    # Note reverse ([::-1]): we return [[x y], [x y]...] instead of [[y x], [y
    # x]...]
    return np.array(np.nonzero(peaks_binary)[::-1]).T