使用像素图查找物体的测地线中心

在各种图像分析情况下，将图像或图像区域的像素视为网络或图是有用的，其中每个像素都与其邻居（有或无对角线）连接。一种这样的情况是查找物体的测地线中心，它是距离所有其他点最近的点如果你只允许在物体的像素上移动，而不是直线。这个点是网络中接近中心性[1]最大的点。

在这个例子中，我们创建了骨架的这样一个像素图，并找到了该骨架的中心像素。这证明了它在与质心（也称为质量中心）相比的效用，质心实际上可能位于物体之外。

参考文献

[1]

Linton C. Freeman：网络中的中心性：I. 概念澄清。社会网络 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

我们首先加载数据：人类视网膜的图像。

retina_source = data.retina()

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

我们将图像转换为灰度，然后使用Sato 血管度 滤波器更好地区分图像中的主要血管。

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')

根据观察到的血管度值，我们使用滞后 阈值化来定义主要血管。

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')

最后，我们可以骨架化此标签图像并将其用作查找该骨架中中心 像素的基础。将其与质心的位置进行比较！

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()