future.graph

Module: future.graph

cut_normalized

skimage.future.graph.cut_normalized(labels, rag, thresh=0.001, num_cuts=10, in_place=True, max_edge=1.0)[source]

在区域邻接图上执行归一化图切割。

给定图像的标签及其相似性RAG，递归地执行双向归一化剪切。属于无法进一步剪切的子图的所有节点都会在输出中分配一个唯一的标签。

参考

例子

>>> from skimage import data, segmentation
>>> from skimage.future import graph
>>> img = data.astronaut()
>>> labels = segmentation.slic(img, compactness=30, n_segments=400)
>>> rag = graph.rag_mean_color(img, labels, mode='similarity')
>>> new_labels = graph.cut_normalized(labels, rag)

cut_threshold

skimage.future.graph.cut_threshold(labels, rag, thresh, in_place=True)[source]

合并重量小于阈值的区域。

给定图像的标签和RAG，通过合并区域来输出新的标签，这些区域的节点之间的权重将小于给定的阈值。

参考

例子

>>> from skimage import data, segmentation
>>> from skimage.future import graph
>>> img = data.astronaut()
>>> labels = segmentation.slic(img)
>>> rag = graph.rag_mean_color(img, labels)
>>> new_labels = graph.cut_threshold(labels, rag, 10)

merge_hierarchical

skimage.future.graph.merge_hierarchical(labels, rag, thresh, rag_copy, in_place_merge, merge_func, weight_func)[source]

执行RAG的分层合并。

贪婪地合并最相似的一对节点，直到没有边缘低于thresh保持。

ncut

skimage.future.graph.ncut(labels, rag, thresh=0.001, num_cuts=10, in_place=True, max_edge=1.0)[source]

在区域邻接图上执行归一化图切割。

给定图像的标签及其相似性RAG，递归地执行双向归一化剪切。属于无法进一步剪切的子图的所有节点都会在输出中分配一个唯一的标签。

参考

例子

>>> from skimage import data, segmentation
>>> from skimage.future import graph
>>> img = data.astronaut()
>>> labels = segmentation.slic(img, compactness=30, n_segments=400)
>>> rag = graph.rag_mean_color(img, labels, mode='similarity')
>>> new_labels = graph.cut_normalized(labels, rag)

rag_boundary

skimage.future.graph.rag_boundary(labels, edge_map, connectivity=2)[source]

基于区域边界的路由器RAG

给定图像的初始分割及其边缘图，该方法构造相应的区域邻接图（RAG）。RAG中的每个节点都代表图像中的一组像素，其中包含相同的标签labels。两个相邻区域之间的重量是edge_map沿其边界的平均值。

labels : ndarray标记的图像。edge_map : ndarray这应该具有相同的形状labels。对于沿着2个相邻区域之间的边界的所有像素，相应像素的平均值edge_map是它们之间的边缘权重。connectivity : int, optional平方距离小于connectivity彼此的像素被认为是相邻的。它可以从1到labels.ndim。它的行为与connectivity参数中的相同scipy.ndimage.filters.generate_binary_structure。

例子

>>> from skimage import data, segmentation, filters, color
>>> from skimage.future import graph
>>> img = data.chelsea()
>>> labels = segmentation.slic(img)
>>> edge_map = filters.sobel(color.rgb2gray(img))
>>> rag = graph.rag_boundary(labels, edge_map)

rag_mean_color

skimage.future.graph.rag_mean_color(image, labels, connectivity=2, mode='distance', sigma=255.0)[source]

使用平均颜色计算区域邻接图。

给定图像及其初始分割，该方法构造相应的区域邻接图（RAG）。RAG中的每个节点代表一组内image具有相同标签的像素labels。两个相邻区域之间的权重表示两个区域的相似程度或不相似程度取决于mode参数。

参考

例子

>>> from skimage import data, segmentation
>>> from skimage.future import graph
>>> img = data.astronaut()
>>> labels = segmentation.slic(img)
>>> rag = graph.rag_mean_color(img, labels)

show_rag

skimage.future.graph.show_rag(labels, rag, img, border_color='black', edge_width=1.5, edge_cmap='magma', img_cmap='bone', in_place=True, ax=None)[source]

在图像上显示区域邻接图。

给定一个带标记的图像及其相应的RAG，用指定的颜色显示图像上RAG的节点和边缘。边缘显示在图像中两个相邻区域的质心之间。

例子

>>> from skimage import data, segmentation
>>> from skimage.future import graph
>>> img = data.coffee()
>>> labels = segmentation.slic(img)
>>> g =  graph.rag_mean_color(img, labels)
>>> lc = graph.show_rag(labels, g, img)
>>> cbar = plt.colorbar(lc)

RAG

class skimage.future.graph.RAG(label_image=None, connectivity=1, data=None, **attr)[source]

Bases: networkx.classes.graph.Graph

图像的区域邻接图（RAG），子类networx.Graph

__init__(label_image=None, connectivity=1, data=None, **attr)[source]add_edge(u, v, attr_dict=None, **attr)[source]

在更新最大节点ID时u和之间添加边v。

另请参阅

networkx.Graph.add_edge().

add_node(n, attr_dict=None, **attr)[source]

n在更新最大节点ID时添加节点。

另请参阅

networkx.Graph.add_node().

copy()[source]

使用其最大节点ID复制图形。

另请参阅

networkx.Graph.copy().

fresh_copy()[source]

返回具有相同数据结构的新副本图。

新副本没有节点，边或图属性。它与当前图形的数据结构相同。此方法通常用于创建图形的空白版本。

当使用networkx v2对Graph进行子类化并且不会为v1导致问题时，这是必需的。以下是从1.x文件迁移到2.x文件的更多细节：

With the new GraphViews (SubGraph, ReversedGraph, etc)
you can't assume that ``G.__class__()`` will create a new
instance of the same graph type as ``G``. In fact, the
call signature for ``__class__`` differs depending on
whether ``G`` is a view or a base class. For v2.x you
should use ``G.fresh_copy()`` to create a null graph of
the correct type---ready to fill with nodes and edges.

merge_nodes(src, dst, weight_func=<function min_weight>, in_place=True, extra_arguments=[], extra_keywords={})[source]

合并节点src和dst。

合并后的新节点是邻近的所有邻居src和dst。weight_func被调用来决定入侵新节点的边的权重。

注意

如果in_place是False结果节点有一个新的ID，而不是dst。

next_id()[source]

返回id要插入的新节点。

当前的实现返回比最大值多一个id。