斑點偵測

斑點是影像中明亮背景上的暗區域或暗背景上的明亮區域。在此範例中，使用 3 種演算法偵測斑點。此處使用的影像為哈伯極深空場。影像中的每個亮點都是一顆恆星或星系。

高斯拉普拉斯 (LoG)

這是最準確且最慢的方法。它計算具有連續增加標準差的高斯影像的拉普拉斯算子，並將它們堆疊在一個立方體中。斑點是此立方體中的局部最大值。由於卷積期間較大的核心大小，偵測較大的斑點速度會特別慢。僅偵測暗背景上的明亮斑點。有關使用方法，請參閱 skimage.feature.blob_log()。

高斯差分 (DoG)

這是 LoG 方法的更快近似值。在此情況下，影像會以增加的標準差模糊化，並且兩個連續模糊影像之間的差異會堆疊在一個立方體中。此方法與 LoG 方法在偵測較大斑點方面面臨相同的缺點。斑點再次被假設為暗背景上的明亮斑點。有關使用方法，請參閱 skimage.feature.blob_dog()。

黑塞行列式 (DoH)

這是最快的方法。它透過在影像黑塞行列式矩陣中尋找最大值來偵測斑點。由於內部實作使用盒狀濾波器而非卷積，因此偵測速度與斑點的大小無關。偵測暗背景上的明亮斑點以及明亮背景上的暗斑點。缺點是無法準確偵測小斑點（<3px）。有關使用方法，請參閱 skimage.feature.blob_doh()。

from math import sqrt
from skimage import data
from skimage.feature import blob_dog, blob_log, blob_doh
from skimage.color import rgb2gray

import matplotlib.pyplot as plt


image = data.hubble_deep_field()[0:500, 0:500]
image_gray = rgb2gray(image)

blobs_log = blob_log(image_gray, max_sigma=30, num_sigma=10, threshold=0.1)

# Compute radii in the 3rd column.
blobs_log[:, 2] = blobs_log[:, 2] * sqrt(2)

blobs_dog = blob_dog(image_gray, max_sigma=30, threshold=0.1)
blobs_dog[:, 2] = blobs_dog[:, 2] * sqrt(2)

blobs_doh = blob_doh(image_gray, max_sigma=30, threshold=0.01)

blobs_list = [blobs_log, blobs_dog, blobs_doh]
colors = ['yellow', 'lime', 'red']
titles = ['Laplacian of Gaussian', 'Difference of Gaussian', 'Determinant of Hessian']
sequence = zip(blobs_list, colors, titles)

fig, axes = plt.subplots(1, 3, figsize=(9, 3), sharex=True, sharey=True)
ax = axes.ravel()

for idx, (blobs, color, title) in enumerate(sequence):
    ax[idx].set_title(title)
    ax[idx].imshow(image)
    for blob in blobs:
        y, x, r = blob
        c = plt.Circle((x, y), r, color=color, linewidth=2, fill=False)
        ax[idx].add_patch(c)
    ax[idx].set_axis_off()

plt.tight_layout()
plt.show()