Python Mahotas 图像处理库：高性能计算机视觉工具

---

一、前言

在 Python 图像处理领域，开发者常见的选择包括：OpenCV、Pillow、scikit-image 等。然而在科研与算法原型验证领域，还有一个性能与简洁兼具的库------Mahotas 。

它不像 OpenCV 那样庞大，也不像 scikit-image 搭建了大量高层封装，而是更接近"算法与数学工具箱"：提供图像滤波、阈值化、分割、形态学、高级纹理特征提取等功能，并保持了接近 C++ 的性能。

Mahotas 常被用于：

• 生物医学图像处理（细胞计数、组织结构分析）
• 工业瑕疵检测（基于 LBP/Haralick 的纹理分类）
• 图像预处理（阈值化、噪声过滤、连通域等）
• 传统视觉研究
• 高性能批处理程序（不是机器人实时视频流的类型）

很多人没听说 Mahotas，是因为它低调但强大：它并非应用级库，而是提供底层图像算子的"算法工具箱"。

这篇文章将从 Mahotas 的设计思想、模块功能、核心算法、完整示例以及高级应用（如纹理特征与显微图像分割）等方向，深入系统地讲解这个库，帮助你在项目与科研中真正用好它。

---

二、Mahotas 简介：一个低调但强悍的视觉算法库

Mahotas 由计算机视觉研究者 Luis Pedro Coelho 开发，其目标并非"做一个更好用的 OpenCV"，而是：

提供一个轻量、高性能、函数式风格的图像处理库，面向科研与算法工程师。

Mahotas 的核心特点如下：

1. 高性能 C++ 实现

Mahotas 的底层几乎全是 C++ 实现，通过 Python 扩展模块暴露 API。

因此速度接近以下两者：

• 原生 C++ 图像处理代码
• OpenCV 的高性能实现

相比 scikit-image（基于 pure python + numpy），Mahotas 较复杂的算子通常快 5~30 倍。

---

2. 轻量级设计

Mahotas 没有提供：

• 视频流 API
• 图像显示窗口
• DNN 推理接口
• 摄像头支持
• 高层框架

它只做一件事：提供最常用与高性能的图像处理算子。

因此它非常适合：

• 批处理（例如处理 10 万张显微图）
• 算法验证
• 快速原型
• 嵌入式系统（只包含最小数目的功能）

---

3. 与 NumPy 深度融合

Mahotas 所有函数都直接操作 numpy.ndarray，不进行多余拷贝。

数据流非常简单：

import mahotas
import numpy as np

img = mahotas.imread('xxx.png')
filtered = mahotas.gaussian_filter(img, 2.0)

因此 Mahotas 与任何基于 NumPy 的库协作都非常顺畅。

---

4. 提供高级纹理特征

这是 Mahotas 最大的亮点之一：

• Haralick 特征（基于灰度共生矩阵）
• LBP（Local Binary Pattern）

这些特征在：

• 工业表面识别
• 医学图像
• 材料学
• 传统计算机视觉研究

中仍被大量使用。

而 OpenCV 或 scikit-image 要么没有高效实现，要么功能不全。

---

5. 文档不多，但库本身稳定可靠

Mahotas 一直保持更新，但 API 稳定，轻量、高性能，适合深度用户。

---

三、安装与环境准备

Mahotas 在常见 Python 版本下都有对应的 wheel，因此无需编译器，非常容易安装。

1. pip 安装

pip install mahotas

2. conda 安装

conda install -c conda-forge mahotas

3. 依赖

• numpy（必需）
• matplotlib（读取图像可选）

Mahotas 内置的 imread 实际调用的是 matplotlib.image.imread，因此没有引入新依赖。

---

四、Mahotas 模块概览

Mahotas 功能简单，可按以下模块分类：

模块	功能
mahotas.filters	各类滤波器（高斯、均值、edges）
mahotas.thresholding	全套阈值化算法
mahotas.morph	形态学操作
mahotas.segmentation	分水岭、距离变换
mahotas.features	Haralick、LBP 等纹理特征
mahotas.stretch	图像归一化
mahotas.colors	色彩转换（rgb2gray）
mahotas.io / imread	图像读写
mahotas.label	连通域标记
mahotas.distance	欧氏距离变换

Mahotas 的功能范围偏"核心算法"，但都是图像处理领域最基础、最重要的模块。

---

五、图像基础操作：读取、显示、类型转换

1. 读取图像

import mahotas

img = mahotas.imread('example.jpg')

Mahotas 会返回 NumPy ndarray，类型通常是 uint8 或 float32。

---

2. 转灰度

import mahotas.colors
gray = mahotas.colors.rgb2gray(img)

---

3. 保存图像

mahotas.imsave('output.png', gray)

---

4. 图像类型转换

gray = gray.astype(np.uint8)

Mahotas 依赖 NumPy 进行一切基础数据操作。

---

六、图像滤波与增强：Mahotas.filters

Mahotas 提供常用的 2D 滤波器：

1. 高斯模糊

blured = mahotas.gaussian_filter(img, 2)   # sigma = 2

内部是 C++ 实现，效率极高。

---

2. Laplacian 边缘增强

lap = mahotas.laplacian(img)

常用于锐化与边缘检测。

---

3. Sobel / Prewitt / Canny 风格边缘

Mahotas 没有 Canny，但有快速 Sobel：

edges = mahotas.sobel(img)

返回梯度图，可进一步处理。

---

4. Difference of Gaussian（DOG）

dog = mahotas.difference_of_gaussians(img, 1, 4)

可用于 blob 检测、大规模噪声去除。

---

七、阈值化（Thresholding）算法：Mahotas 的优势模块之一

Mahotas 提供非常完整的自动阈值算法：

算法	适用场景
Otsu	双峰图像
Riddler-Calvard	医学图像
Isodata	工业图像、显微图像
Yen	高对比度图像
Mean	简单场景
Adaptive	非均匀亮度

示例：

import mahotas.thresholding as th

T = th.otsu(gray)
binary = gray > T

Otsu 阈值运算非常快。

---

自适应阈值

T = mahotas.thresholding.bernsen(gray, 15)
binary = gray > T

在不均匀光照场景中非常有效。

---

八、形态学（Morphology）：腐蚀、膨胀、开闭、连通域

形态学常用于工业、显微图像中去噪。

1. 腐蚀 / 膨胀

eroded = mahotas.erode(binary)
dilated = mahotas.dilate(binary)

2. 开运算 / 闭运算

opened = mahotas.open(binary)
closed = mahotas.close(binary)

---

3. 连通域标记

labeled, n = mahotas.label(binary)

非常适用于：

• 细胞计数
• 工业瑕疵检测
• 小目标提取

---

九、图像分割（Segmentation）

Mahotas 提供高性能分水岭分割：

1. 距离变换

dist = mahotas.distance(binary)

2. 分水岭

ws = mahotas.cwatershed(dist, markers)

完整流程通常是：

1. 阈值化
2. 距离变换
3. 找峰值作为种子
4. 分水岭分割

适合：

• 细胞分割
• 工业零件分割
• 颗粒物分析

---

十、Mahotas 高光模块：纹理特征（LBP & Haralick）

1. Haralick 特征（灰度共生矩阵）

Mahotas 能提取 13 维 Haralick 特征：

import mahotas.features

h = mahotas.features.haralick(img)

输出 shape 通常是 (4, 13)，代表多个方向的统计学特征。

适用于：

• 工业表面识别
• 材料学（显微结构）
• 遥感地表分类
• 传统图像分类任务

---

2. LBP（Local Binary Pattern）

lbp = mahotas.features.lbp(img, radius=1, points=8)

LBP 特征非常适合：

• 人脸识别
• 图像检索
• 对比增强前的纹理特征提取

Mahotas 的 LBP 实现非常快，是工业界最常用的算法之一。

---

十一、Mahotas 性能分析：为什么比 scikit-image 快这么多？

Mahotas 的性能优势主要来自以下几点：

1. C++ 内核

所有计算密集的操作都在 C++ 中执行。

2. 无 Python for 循环

所有函数只接受 NumPy 指针，进行原地处理，不产生 Python 开销。

3. 不做额外拷贝

大部分函数都是 in-place，避免了数据复制带来的开销。

4. 可批处理上百万张图像

非常适用于：

• 科研项目
• 服务器批处理任务
• GPU 不可用的嵌入式系统

---

十二、Mahotas 与其他库的协作

Mahotas 不负责图像 IO 或 DNN 模型，因此常作为"底层工具库"。

可与以下库组合：

1. + OpenCV

• OpenCV 读图
• Mahotas 阈值化或分割
• OpenCV 显示

例如：

import cv2
import mahotas

img = cv2.imread('x.png', 0)
bin = img > mahotas.thresholding.otsu(img)

---

2. + scikit-image

补充 Mahotas 没有的算法，如：

• 超像素 SLIC
• 图像金字塔

---

3. + PyTorch / TensorFlow

Mahotas 用于输入预处理，如：

• 二值化
• 边缘图构造
• LBP 纹理特征作为特征增强

在医学图像、工业领域非常常见。

---

十三、Mahotas 的局限性

尽管 Mahotas 在很多方面都表现优异，但它仍有一些限制：

1. 没有视频流 / 摄像头功能
2. 没有 GUI 图像显示功能
3. 文档偏少
4. API 风格偏底层
5. 社区规模不如 OpenCV

它更适合：

• 做图像预处理
• 进行算法研究
• 在大规模批处理中体现性能优势

---

十四、深度案例：显微细胞图像分割系统（完整代码 100+ 行）

下面以显微镜细胞图像为例，展示完整的分割流程：

---

📌 目标

• 自动分割细胞
• 计算细胞数量
• 分析细胞大小、形状

---

完整代码

import mahotas
import numpy as np
import matplotlib.pyplot as plt
from scipy import ndimage as ndi

# 1. Load image
img = mahotas.imread('cells.png')
gray = mahotas.colors.rgb2gray(img)

# 2. Gaussian filter to remove noise
blur = mahotas.gaussian_filter(gray, 2)

# 3. Otsu threshold
T = mahotas.thresholding.otsu(blur)
binary = blur > T

# 4. Morph closing to fill small gaps
closed = mahotas.close(binary)
closed = mahotas.erode(closed)

# 5. Distance transform
dist = mahotas.distance(closed)

# 6. Find local maxima as seeds
maxima = mahotas.regmax(dist)
markers, n_markers = mahotas.label(maxima)

# 7. Watershed segmentation
ws = mahotas.cwatershed(dist.max() - dist, markers)

# 8. Remove background
ws[~closed] = 0

# 9. Compute properties
cell_labels, count = mahotas.label(ws > 0)

sizes = ndi.sum(np.ones_like(cell_labels), labels=cell_labels, index=np.arange(1, count+1))

print("Cell count:", count)
print("Average size:", np.mean(sizes))

# 10. Visualization
plt.figure(figsize=(12,6))
plt.subplot(121)
plt.title('Original')
plt.imshow(gray, cmap='gray')

plt.subplot(122)
plt.title('Watershed Segmentation')
plt.imshow(ws, cmap='jet')
plt.show()

输出结果：

• 自动化细胞数量统计
• 细胞分割效果图直观展示
• 分析细胞大小、分布等统计信息

Mahotas 的分水岭、距离变换和阈值化速度比 scikit-image 同类方法快约 3--7 倍，非常适合大规模显微图像分析。

---

十五、Mahotas 源码架构与 C++ 加速原理

Mahotas 内部结构非常清晰：

• /mahotas/：Python 接口
• /mahotas/_filters.cpp：滤波算子
• /mahotas/_morph.cpp：形态学
• /mahotas/_distance.cpp：距离变换
• /mahotas/_features.cpp：Haralick, LBP
• /mahotas/_segmentation.cpp：分水岭

其 C++ 部分主要具备以下特性：

1. 直接通过 PyArrayObject 操作 NumPy 内存

避免不必要的数据拷贝。

2. 使用指针遍历像素而非 Python for 循环

即：

for (int i = 0; i < N; ++i) {
    *ptr++ = ...
}

3. 多方向 Haralick 计算使用 SIMD 加速

可在 CPU 侧获得非常高的吞吐量。

4. 逻辑清晰，容易扩展

Mahotas 是研究人员喜欢的库之一，因为：

• 可以查看源码
• 可以添加自己的 C++ 算法
• 易于二次开发

---

十六、总结与展望

Mahotas 是一个典型的"低调神器"：

它的优势：

• C++ 高性能，比 scikit-image 快得多
• 轻量、纯算法，无复杂依赖
• 提供高级纹理特征（Haralick、LBP）
• 非常适合科研和批处理任务
• API 简洁，学习成本极低

适用场景：

• 显微图像处理（细胞、组织分割）
• 工业瑕疵检测
• 传统机器视觉
• 批量图像预处理
• 算法验证、研究项目

不适用场景：

• 视频实时处理
• 需要深度学习模型推理的应用
• 用户界面开发
• 摄像头交互应用

---

最后

Mahotas 是一个非常值得了解的 Python 图像处理库，它不像 OpenCV 那样臃肿，也不像 scikit-image 那样偏高层，而是以纯粹、极致性能、高可靠性成为科研与工程人员的理想工具。

如果你正在做：

• 医学图像
• 材料图像
• 工业识别
• 图像预处理
• 非深度学习的小数据任务

Mahotas 会给你惊喜。