过滤区域最大值

在这里，我们使用形态学重建来创建一个背景图像，然后我们可以从原始图像中减去这个背景图像以隔离明亮的特征（区域最大值）。

首先，我们从图像的边缘开始，尝试通过膨胀来进行重建。我们将种子图像初始化为图像的最小强度，并将其边界设置为原始图像中的像素值。这些最大像素将被膨胀以重建背景图像。

import numpy as np
import matplotlib.pyplot as plt

from scipy.ndimage import gaussian_filter
from skimage import data
from skimage import img_as_float
from skimage.morphology import reconstruction

# Convert to float: Important for subtraction later which won't work with uint8
image = img_as_float(data.coins())
image = gaussian_filter(image, 1)

seed = np.copy(image)
seed[1:-1, 1:-1] = image.min()
mask = image

dilated = reconstruction(seed, mask, method='dilation')

减去膨胀后的图像，会得到一张仅包含硬币和扁平黑色背景的图像，如下所示。

fig, (ax0, ax1, ax2) = plt.subplots(
    nrows=1, ncols=3, figsize=(8, 2.5), sharex=True, sharey=True
)

ax0.imshow(image, cmap='gray')
ax0.set_title('original image')
ax0.axis('off')

ax1.imshow(dilated, vmin=image.min(), vmax=image.max(), cmap='gray')
ax1.set_title('dilated')
ax1.axis('off')

ax2.imshow(image - dilated, cmap='gray')
ax2.set_title('image - dilated')
ax2.axis('off')

fig.tight_layout()

尽管特征（即硬币）在图像中明显分离，但原始图像中被亮背景包围的硬币在减去的图像中显得较暗。我们可以尝试使用不同的种子图像来纠正这一点。

与其沿着图像边界创建一个具有最大值的种子图像，我们可以利用图像本身的特征来启动重建过程。这里，种子图像是原始图像减去一个固定值 h。

h = 0.4
seed = image - h
dilated = reconstruction(seed, mask, method='dilation')
hdome = image - dilated

为了感受重建过程，我们在图像的一个切片上绘制掩膜、种子和膨胀图像的强度（由红线指示）。

fig, (ax0, ax1, ax2) = plt.subplots(nrows=1, ncols=3, figsize=(8, 2.5))
yslice = 197

ax0.plot(mask[yslice], '0.5', label='mask')
ax0.plot(seed[yslice], 'k', label='seed')
ax0.plot(dilated[yslice], 'r', label='dilated')
ax0.set_ylim(-0.2, 2)
ax0.set_title('image slice')
ax0.set_xticks([])
ax0.legend()

ax1.imshow(dilated, vmin=image.min(), vmax=image.max(), cmap='gray')
ax1.axhline(yslice, color='r', alpha=0.4)
ax1.set_title('dilated')
ax1.axis('off')

ax2.imshow(hdome, cmap='gray')
ax2.axhline(yslice, color='r', alpha=0.4)
ax2.set_title('image - dilated')
ax2.axis('off')

fig.tight_layout()
plt.show()

如图像切片所示，每个硬币在重建图像中被赋予了不同的基线强度；这是因为我们使用了局部强度（偏移了 h）作为种子值。因此，减去图像中的硬币具有相似的像素强度。最终结果被称为图像的 h-dome，因为这倾向于隔离高度为 h 的区域最大值。当您的图像照明不均匀时，此操作特别有用。