python中的非局部最大值抑制

Question

目标： 输入一个图像（2d numpy 数组）和一个窗口大小，并输出相同的数组，保留局部最大值，但在其他地方为 0。

我正在努力解决的问题：我认为我在代码中犯了一个愚蠢的错误，可能在我的循环中有一些拼写错误，但我不确定（局部最大值仅在左侧图像，这是不正确的）。正如我在下面提到的，我也欢迎任何使用 OpenCV 或 numpy 的简单技巧来缩短这个解决方案。

类似问题：Finding Local Maxima in an Image

和Find local maxima in grayscale image using OpenCV

我的不同，因为：我希望压制除局部最大值之外的所有值。我不必在下面使用我的代码，我无法找到 opencv 或 numpy 的内置函数来做我需要做的事情（cv 中的哈里斯角将隐含地将此作为步骤之一，但我需要一些东西来执行我需要的唯一操作）。我读了一些关于扩张的文章，但不确定这在这里是否也有用。

到目前为止我已经尝试过。

def nonMaximalSupress(image,NHoodSize):
    #For
    for x in range(0,image.shape[0]-1):

        if x+NHoodSize[0]<image.shape[0]:
            #while we can still take a square
            #print "AHH ", image.shape
            startWindow=0
            for y in range(startWindow,image.shape[1]-NHoodSize[1]):
                #try:
                if np.sum(image[x:x+NHoodSize[0]][y:y+NHoodSize[1]])==0:
                    localMax=0
                else:
                    localMax = np.amax(image[x:x+NHoodSize[0]][y:y+NHoodSize[1]])
                #except ValueError:
                    #localMax=0
                #print "local max is ", localMax

                maxCoord=np.unravel_index(np.argmax((image[x:x+NHoodSize[0],y:y+NHoodSize[1]])),
                                          image.shape)+np.array((x,y))

                #print "X is %r, Y is %r, max coord is %r \n y+nhood is %r" %(x,y,maxCoord,y+NHoodSize[1])
                #suppress everything
                image[x:x+NHoodSize[0]][y:y+NHoodSize[1]]=0

                #reset only the max
                #print maxCoord
                if localMax > 0:
                    print localMax
                    print "max coord is ", maxCoord[0], maxCoord[1]
                image[maxCoord[0]][maxCoord[1]]=localMax
                #increment y



        x+=NHoodSize[0]

    return image

Answer 1

这样的事情怎么样：

# Use the max filter to make a mask
roi = 3
size = 2 * roi + 1
image_max = ndimage.maximum_filter(image, size=size, mode='constant')
mask = (image == image_max)
image *= mask

# Remove the image borders
image[:roi] = 0
image[-roi:] = 0
image[:, :roi] = 0
image[:, -roi:] = 0

# Optionally find peaks above some threshold
image_t = (image > peak_threshold) * 1

# get coordinates of peaks
f = np.transpose(image_t.nonzero())

Answer 2

这可能不完全正确，但在小型测试用例上效果更好

def nonMaximalSupress1(image,NHoodSize):
    #
    dX, dY = NHoodSize
    M, N = image.shape
    for x in range(0,M-dX+1):
        for y in range(0,N-dY+1):
            window = image[x:x+dX, y:y+dY]
            if np.sum(window)==0:
                localMax=0
            else:
                localMax = np.amax(window)
            maxCoord=np.unravel_index(np.argmax(window), window.shape) + np.array((x,y))
            #suppress everything
            image[x:x+dX, y:y+dY]=0
            #reset only the max
            if localMax > 0:
                print localMax
                print "max coord is ", maxCoord
            image[tuple(maxCoord)] = localMax
    return image

我使用局部变量使事情更易于阅读，并调整了循环范围。但最大的变化在于我索引image 的方式。特别是在使用切片进行索引时，必须使用一组括号。

image[x:x+dX, y:y+dY] 是选择窗口的正确方法，而不是image[x:x+dX][y:y+dY]。

可以通过修改window来稍微清理一下。由于它是view，因此更改它会更改image。

def nonMaximalSupress2(image,NHoodSize):
    #
    dX, dY = NHoodSize
    M, N = image.shape
    for x in range(0,M-dX+1):
        for y in range(0,N-dY+1):
            window = image[x:x+dX, y:y+dY]
            if np.sum(window)==0:
                localMax=0
            else:
                localMax = np.amax(window)
            maxCoord = np.argmax(window)
            # zero all but the localMax in the window
            window[:] = 0
            window.flat[maxCoord] = localMax
    return image

Answer 3

如果一个峰可能由具有相同像素强度的多个像素组成，则使用skimage.feature.peak 中的skimage.feature.peak 和scipy.ndimage.measurements 中的center_of_mass 来定位峰中心的不同方法：

from skimage.feature.peak import peak_local_max
from scipy.ndimage.measurements import center_of_mass
from scipy.ndimage import label
from scipy.ndimage.morphology import generate_binary_structure

footprint = generate_binary_structure(3, 3)
peaks = peak_local_max(img, indices=False, footprint=footprint)
lbl, num_features = label(maxima)
centers = center_of_mass(maxima, lbl, range(1, num_features + 1))
values = img[tuple(np.int0(np.transpose(centers)))]