如何检测和绘制 asc 文件的强度

Question

我有一张火焰照片 - 数据为包含像素矩阵的 asc 文件。每个像素中是光强值。

我的作图代码：

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：

我如何在 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（黄色区域）
从最大强度到 12000（蓝色区域）

并检测最底部和顶部的像素？还有最左和最右像素？然后用线连接顶部和底部像素。左右像素需要相同的东西。如何显示直线上的像素距离？

结果一定是这样的

Answer 1

您似乎想要图像的阈值版本，然后在阈值上标记区域，然后再进行一些奇特的测量。

为了方便起见，我会形成一个 3D ndarray 的图像序列，这样任何操作都可以用 numpy 一次性完成：

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)

现在我们赋值

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，现在我们有了图像的 3D 阵列，让我们获取 范围图像

boolMaskRedzone = imageArray > 36000 
boolMaskYellowzone = imageArray > 27000 
boolMaskYellowzone = imageArray > 12000

这些现在是与您的图像大小相同但布尔值的蒙版。让我们 fiddle :

redParts = image*boolMaskRedZone # images with 0 for thresholded values
plt.imshow(redParts[0,:,:],cmap="hot")

再次注意 redParts 和其他一切仍然是 3D 的，所以我们制作了阵列的 2D 视图以用于绘图目的。

现在是简单/有趣的部分：标记！我们可以使用 scipy.ndimage.measurements.label()

from scipy.ndimage import label
labelsRed, nbLabelsRed = label(boolMaskRedzone)

labelsRed 现在是一个以整数作为标签索引的数组。

理想情况下我们会让 nbLabelsRed == 1，如果不是，"islands" 可以用

关闭

from scipy.ndimage import morphology
closedLabels = morphology.binary_closing(labelsRed)
# fiddle with the optional iterations parameter if needed

我们可以通过使用 np.where 给我们像素的位置，然后计算项目的数量来计算标签的面积 = 阈值面积：

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 top/bottommost 像素，如果您希望这条线是对角线，它可能会变得棘手，但如果您只想要顶部/底部（与图像轴对齐），您可以进行 numpy 检查当每个轴的掩码变为 True 时，这显然是在数组和偏移版本之间进行差异（推导），然后是每个轴上的第一个非零元素

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，您可能需要查看专门的图像测量库，例如 scikit-image，它们可能有您想要的

如果你真的想自己做，我会推荐一些基于找到对象中心的方法，然后计算对角线的位置，并测量最大长度，但是如果你找到一条 45 度角的线会怎样？它会变成 "top-bottom" 还是 "left-right" ？或者你想要最长的线接近水平？或者你想要双正交测量？（选择最大的线作为第一次测量，第二条直径线是与第一条线成 90 度的任何长度）

假设你在图像中有你的点，绘图只是一个线图 plt.plot =)

我不得不承认我并没有想太多推导部分，但我认为一旦你有了标签，你就会成为一个快乐的露营者 =)

EDIT ：当然，所有这些操作都可以通过遍历数组直接计算，但我只发布了产生使用 numpy 数组操作效率的单行代码的方法做东西。您确实可以通过

来完成每个操作

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 的编译函数和硬件加速函数相比，这种循环嵌套非常慢（有关 python/numpy 上的速度演示，请参见 http://www.astro.washington.edu/users/vanderplas/Astr599/notebooks/11_EfficientNumpy )

编辑 2：对于我的另一个项目，我一直在研究更多 scipy 的 ndimage 函数，这里有适合您的东西：ndimage.center_of_mass().

此函数在（可能标记的）数组中找到质心。通过找到标记数组的质心，您可以从轴的中心找到对角线，其余的只是小菜一碟 ^^

如何检测和绘制 asc 文件的强度

How detect and plot intensity of asc file

python

numpy

image-processing

matplotlib

scipy