如何检测和绘制asc文件的强度-Java 学习之路

我有火焰照片 - 数据作为包含像素矩阵的asc文件 . 在每个像素中是光强度的值 .

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：
plotted image

如何在3个范围内绘制图像：

从最大强度到36000（红色区域）
从最大强度到27000（黄区）
从最大强度到12000（蓝色区域）

并检测大多数底部和顶部像素？大多数左右像素？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？

结果必须看起来像
wanted result

1 回答

2
您似乎想要一个阈值版本的图像，然后在阈值化的值上进行区域标记，然后再进行一些奇特的测量 .

为方便起见，我会形成一个 3D ndarray of your image sequences ，这样任何操作都可以用numpy一次完成：
```
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，现在我们有了你的图像的3D数组，所以让我们得到 range images
```
boolMaskRedzone = imageArray > 36000 
boolMaskYellowzone = imageArray > 27000 
boolMaskYellowzone = imageArray > 12000
```
现在这些是与你的图像相同大小的面具，但是是布尔 . 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和其他所有东西仍然是3D，所以我们制作了一个2D视图，用于绘图 .

现在简单/有趣的部分： labeling ！我们可以用 scipy.ndimage.measurements.label()
```
from scipy.ndimage import label
labelsRed, nbLabelsRed = label(boolMaskRedzone)
```
labelsRed现在是一个以int作为标签索引的数组 .

理想情况下，我们会有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
```
我们可以使用np.where来计算标签的区域=阈值区域，以便为我们提供像素的位置，然后计算项目数：
```
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/最底部的像素，如果你想让这条线成为对角线，它会变得很棘手，但是如果你只想要顶部/底部（与图像轴对齐），你可以在每个面具变为True时进行numpy检查 . 轴，显然是在数组和偏移版本之间做差异（推导），然后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，你可能想要研究专门的图像测量库，比如scikit-image，它们可能有你想要的

如果你真的想自己做，我会推荐一些基于寻找物体中心的方法，然后计算对角线位置，测量最大长度，但是如果找到45度线会发生什么？它会变成“上下”还是“左右”？或者你想最长的线接近水平？或者你想要双正交测量？（选择最大线作为第一次测量，第二直径线是任何线的长度与第一次相差90度）

假设你的图像中有你的点，那么绘图只是一个带有plt.plot =的线图 .

我不得不承认我没有通过推导部分思考太多，但我认为一旦你有了标签，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遍历数组直接计算，但我只发布了生成单行使用numpy的数组操作效率来做事的方法 . 你可以通过这样做确实做每个操作
```
for x in range(image.shape[0]):
    for y in range(image.shape[1]):
        if(image[x,y] > 36000):
            mask[x,y]=True
```
但是与numpy的编译和硬件加速函数相比，这种循环嵌套是慢的（请参阅http://www.astro.washington.edu/users/vanderplas/Astr599/notebooks/11_EfficientNumpy，了解python / numpy上的速度演示）

编辑2：对于我的另一个项目我是've been researching some more of scipy'的ndimage函数，并且有适合你的东西：ndimage.center_of_mass() .

此函数在（可能标记的）数组中查找质心 . 通过找到标记数组的质心，您可以通过轴的中心找到对角线，其余的只是小菜一碟^^
回复于 2024-04-26T17:53:23+08:00

如何检测和绘制asc文件的强度

1 回答

相关问题