如何检测和绘制 asc 文件的强度

Question

我有火焰的照片 - 数据作为包含像素矩阵的 asc 文件。每个像素中都有光强度值。

我的绘图代码：

import os
import numpy as np
import matplotlib.pyplot as plt
# Open a file
path = "input/"
dirs = os.listdir( path )
number_of_files = 0

# This would print all the files and directories
for file in dirs:
    if file.endswith(".asc"):
        img = np.genfromtxt (path+file)

        file = os.path.splitext(file)[0]
        #pasukamas vaizdas
        img = img.transpose ()
        # Just a figure and one subplot
        fig, ax = plt.subplots(1,figsize=(20,20))

        ax.set_title(file, fontsize=60, y=1.03)
        plt.imshow (img, interpolation='nearest', origin='lower')

        plt.colorbar ()
        plt.savefig ('output/' + file + '.png', bbox_inches = 'tight')

        number_of_files = number_of_files + 1
        plt.close(fig)
print (number_of_files)

结果：

如何在 3 个范围内绘制图像：

1. 从最大强度到 36000（红色区域）
2. 从最大强度到 27000（黄色区域）
3. 从最大强度到 12000（蓝色区域）

并检测大多数底部和顶部像素？ 也是最左右像素？ 然后用线连接顶部和底部像素。 左右像素需要相同的东西。 如何在一条线上显示像素距离？

结果必须是这样的

Answer 1

您似乎想要图像的阈值版本，然后在阈值上标记区域，然后进行一些奇特的测量。

---

为方便起见，我会为您的图像序列形成一个 3D ndarray，这样任何操作都可以使用 numpy 一次性完成：

fileList = filter(lambda s: s.endswith(".asc"), os.listdir(path))

# open first image so we have its dimensions to initialize the array
firstImage = np.genfromtxt (path+fileList[0])

imageArray = np.zeros((len(filelist),) + firstImage.shape)

现在我们分配值

imageArray[0,:,:] = firstImage
for i,file in enumerate(filelist[1:]):
    # skip the first item because we already have it
    imageArray[i+1,:,:] = np.genfromtxt (path+file)

---

好的，现在我们有了您的图像的 3D 数组，让我们获取 范围图像

boolMaskRedzone = imageArray > 36000 
boolMaskYellowzone = imageArray > 27000 
boolMaskYellowzone = imageArray > 12000 

这些现在是与您的图像大小相同但布尔值的掩码。让我们摆弄它：

redParts = image*boolMaskRedZone # images with 0 for thresholded values
plt.imshow(redParts[0,:,:],cmap="hot")

再次注意 redParts 和其他所有内容仍处于 3D 状态，因此我们制作了数组的 2D 视图以用于绘图。

---

现在是简单/有趣的部分：标签！ 我们可以使用scipy.ndimage.measurements.label()

from scipy.ndimage import label
labelsRed, nbLabelsRed = label(boolMaskRedzone)

labelsRed 现在是一个以整数作为标签索引的数组。

理想情况下，我们应该有 nbLabelsRed == 1，如果没有，“岛屿”可以关闭

from scipy.ndimage import morphology
closedLabels = morphology.binary_closing(labelsRed)
# fiddle with the optional iterations parameter if needed

我们可以通过使用 np.where 给我们像素的位置，然后计算项目的数量来计算标签的面积 = 阈值区域：

x,y,z = np.where(labelsRed == 1) # x, y ,z are arrays
area = len(x) # the number of pixels that are brighter than red

至于计算顶部/底部像素，如果您希望线条是对角线，这可能会变得很棘手，但如果您只想要顶部/底部（与图像轴对齐），您可以在掩码变为时进行 numpy 检查每个轴都为真，这显然是在数组和偏移版本之间进行差异（推导），然后是沿每个轴的第一个非零元素

differenceArray = boolMaskRedZone - np.roll(boolMaskRedZone,1,axis=1)
# now check along each column when the array first becomes True
uselessImageIndex,xTopMostPixel,yTopMostPixel= numpy.where(differenceArray == True)
# found all the crossings and put them in 2 arrays

---

对于精确的对角线测量，您可能需要查看专门的图像测量库，例如scikit-image，它们可能有您想要的

如果你真的想自己做，我会推荐一些基于找到对象中心，然后计算对角线位置和测量最大长度的方法，但是如果你找到 45 度线会发生什么？它会变成“上下”还是“左右”？或者你想要最长的线接近水平？或者你想要双正交测量？ （选择最大的线作为第一次测量，第二条直径线是与第一条线成 90 度的线的长度）

假设你在图像中有你的点，绘图只是一个带有 plt.plot =) 的线图

我不得不承认我没有仔细考虑推导部分，但我认为一旦你有了这个标签，你就会成为一个快乐的露营者 =)

编辑：当然，所有这些操作都可以通过迭代数组来直接计算，但我只发布了产生使用 numpy 的数组操作效率来做事情的单行代码的方法。 您确实可以通过

来完成每个操作

for x in range(image.shape[0]):
    for y in range(image.shape[1]):
        if(image[x,y] > 36000):
            mask[x,y]=True

但与 numpy 的已编译和硬件加速函数相比，这种循环嵌套非常慢（请参阅 http://www.astro.washington.edu/users/vanderplas/Astr599/notebooks/11_EfficientNumpy 以获取有关 python/numpy 的速度演示）

编辑 2： 对于我的另一个项目，我一直在研究更多 scipy 的 ndimage 函数，并且有一些适合你的东西：ndimage.center_of_mass()。

此函数在（可能标记的）数组中找到质心。 通过找到标记数组的质心，您将可以从中找到对角线的轴中心，其余的只是小菜一碟^^