使用像素圖尋找物件的測地中心

在各種影像分析情況下，將影像的像素或影像的區域視為網路或圖表會很有用，其中每個像素都與其鄰居（有或沒有對角線）相連。其中一種情況是尋找物件的測地中心，它是最接近所有其他點的點，如果您只允許在物件的像素上移動，而不是直線移動。這個點是在網路中具有最大接近中心性 [1] 的點。

在此範例中，我們建立骨架的這種像素圖，並找到該骨架的中心像素。這展示了它與質心（也稱為質量中心）的實用性，質心實際上可能落在物件之外。

參考文獻

[1]

Linton C. Freeman：網路中的中心性：I. 概念澄清。Social Networks 1:215-239, 1979. DOI:10.1016/0378-8733(78)90021-7

import matplotlib.pyplot as plt
import numpy as np
from scipy import ndimage as ndi
from skimage import color, data, filters, graph, measure, morphology

我們首先載入資料：人類視網膜的影像。

retina_source = data.retina()

_, ax = plt.subplots()
ax.imshow(retina_source)
ax.set_axis_off()
_ = ax.set_title('Human retina')

我們將影像轉換為灰階，然後使用 Sato 血管性 濾波器 以更好地辨識影像中的主要血管。

retina = color.rgb2gray(retina_source)
t0, t1 = filters.threshold_multiotsu(retina, classes=3)
mask = retina > t0
vessels = filters.sato(retina, sigmas=range(1, 10)) * mask

_, axes = plt.subplots(nrows=1, ncols=2)
axes[0].imshow(retina, cmap='gray')
axes[0].set_axis_off()
axes[0].set_title('grayscale')
axes[1].imshow(vessels, cmap='magma')
axes[1].set_axis_off()
_ = axes[1].set_title('Sato vesselness')

根據觀察到的血管性值，我們使用 遲滯 閾值處理 來定義主要血管。

thresholded = filters.apply_hysteresis_threshold(vessels, 0.01, 0.03)
labeled = ndi.label(thresholded)[0]

_, ax = plt.subplots()
ax.imshow(color.label2rgb(labeled, retina))
ax.set_axis_off()
_ = ax.set_title('Thresholded vesselness')

最後，我們可以 骨架化 此標籤影像，並使用它作為基礎來尋找該骨架中的 中心 像素。將其與質心的位置進行比較！

largest_nonzero_label = np.argmax(np.bincount(labeled[labeled > 0]))
binary = labeled == largest_nonzero_label
skeleton = morphology.skeletonize(binary)
g, nodes = graph.pixel_graph(skeleton, connectivity=2)
px, distances = graph.central_pixel(
    g, nodes=nodes, shape=skeleton.shape, partition_size=100
)

centroid = measure.centroid(labeled > 0)

_, ax = plt.subplots()
ax.imshow(color.label2rgb(skeleton, retina))
ax.scatter(px[1], px[0], label='graph center')
ax.scatter(centroid[1], centroid[0], label='centroid')
ax.legend()
ax.set_axis_off()
ax.set_title('Vessel graph center vs centroid')

plt.show()