斑点检测

斑点是图像中暗背景上的亮区域或亮背景上的暗区域。在此示例中，使用 3 种算法检测斑点。在此案例中使用的图像是哈勃极深场。图像中的每个亮点都是一颗恒星或一个星系。

高斯-拉普拉斯算子 (LoG)

这是最准确也是最慢的方法。它计算具有逐渐增加的标准差的高斯-拉普拉斯图像，并将它们堆叠在一个立方体中。斑点是该立方体中的局部最大值。由于卷积过程中较大的内核大小，检测较大的斑点尤其慢。仅检测暗背景上的亮斑点。有关用法，请参见 skimage.feature.blob_log()。

高斯差 (DoG)

这是 LoG 方法的一种更快的近似方法。在这种情况下，图像以增加的标准差进行模糊，并且两个连续模糊图像之间的差异堆叠在一个立方体中。此方法与 LoG 方法在检测较大斑点方面存在相同的缺点。斑点再次被假定为在暗背景上是亮的。有关用法，请参见 skimage.feature.blob_dog()。

Hessian 矩阵行列式 (DoH)

这是最快的方法。它通过在图像的 Hessian 矩阵行列式矩阵中查找最大值来检测斑点。检测速度与斑点的大小无关，因为内部实现使用盒式滤波器而不是卷积。检测暗背景上的亮斑点以及亮背景上的暗斑点。缺点是无法准确检测小斑点（<3px）。有关用法，请参见 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()