用python实现基于概率分布的超声图像与自然图像性质差异分析,超声图像的文件路径是D:\zzz\na5,自然图像的文件路径是D:\zzz\us5,两种图像都有778张,请注意每张图像的长和宽不都一样可能需要调整,对比的特征包含纹理和形态,需要可视化使结果尽量明显

时间: 2024-01-24 22:17:08 浏览: 29
首先,我们需要导入必要的库:numpy、opencv、skimage、matplotlib等。 ```python import numpy as np import cv2 from skimage import feature, color import matplotlib.pyplot as plt ``` 然后,我们可以编写一个函数来计算每张图像的纹理和形态特征,并将结果可视化。 ```python def analyze_image(img_path): # 读取图像 img = cv2.imread(img_path) # 调整图像大小 img = cv2.resize(img, (256, 256)) # 转换为灰度图像 img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 计算纹理特征 glcm = feature.greycomatrix(img_gray, [1], [0, np.pi/4, np.pi/2, 3*np.pi/4], levels=256, symmetric=True, normed=True) contrast = feature.greycoprops(glcm, 'contrast').mean() correlation = feature.greycoprops(glcm, 'correlation').mean() energy = feature.greycoprops(glcm, 'energy').mean() homogeneity = feature.greycoprops(glcm, 'homogeneity').mean() # 计算形态特征 img_canny = feature.canny(img_gray) img_hough = cv2.HoughLinesP(img_canny, rho=1, theta=np.pi/180, threshold=50, minLineLength=30, maxLineGap=10) num_lines = len(img_hough) line_lengths = np.sqrt(np.sum((img_hough[:,0,:2] - img_hough[:,0,2:]) ** 2, axis=1)) line_angles = np.arctan2(img_hough[:,0,3] - img_hough[:,0,1], img_hough[:,0,2] - img_hough[:,0,0]) line_angles_deg = np.rad2deg(line_angles) line_angles_deg[line_angles_deg < 0] += 180 # 将角度转换到0-180度范围内 avg_line_length = np.mean(line_lengths) max_line_length = np.max(line_lengths) min_line_length = np.min(line_lengths) avg_line_angle = np.mean(line_angles_deg) max_line_angle = np.max(line_angles_deg) min_line_angle = np.min(line_angles_deg) # 可视化结果 fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(10, 5)) ax = axes.ravel() ax[0].imshow(img) ax[0].set_title('Original Image') ax[0].axis('off') ax[1].imshow(img_canny, cmap=plt.cm.gray) ax[1].set_title('Canny Edge Detection') ax[1].axis('off') plt.show() print('Contrast: {:.2f}'.format(contrast)) print('Correlation: {:.2f}'.format(correlation)) print('Energy: {:.2f}'.format(energy)) print('Homogeneity: {:.2f}'.format(homogeneity)) print('Number of lines: {}'.format(num_lines)) print('Average line length: {:.2f}'.format(avg_line_length)) print('Max line length: {:.2f}'.format(max_line_length)) print('Min line length: {:.2f}'.format(min_line_length)) print('Average line angle: {:.2f}'.format(avg_line_angle)) print('Max line angle: {:.2f}'.format(max_line_angle)) print('Min line angle: {:.2f}'.format(min_line_angle)) ``` 接下来,我们可以遍历每张图像,调用上述函数进行特征分析。 ```python # 遍历超声图像并分析特征 for i in range(1, 779): img_path = 'D:/zzz/na5/{}.jpg'.format(i) print('Analyzing image {}'.format(img_path)) analyze_image(img_path) # 遍历自然图像并分析特征 for i in range(1, 779): img_path = 'D:/zzz/us5/{}.jpg'.format(i) print('Analyzing image {}'.format(img_path)) analyze_image(img_path) ``` 最后,我们可以将结果进行比较,以便更好地了解超声图像和自然图像之间的性质差异。 ```python # 比较结果 fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 10)) ax = axes.ravel() ax[0].bar(['Contrast', 'Correlation', 'Energy', 'Homogeneity'], [na_contrast.mean(), na_correlation.mean(), na_energy.mean(), na_homogeneity.mean()], width=0.4, color='b') ax[0].bar(['Contrast', 'Correlation', 'Energy', 'Homogeneity'], [us_contrast.mean(), us_correlation.mean(), us_energy.mean(), us_homogeneity.mean()], width=0.4, color='r') ax[0].set_title('Texture Features') ax[0].legend(['Natural Images', 'Ultrasound Images']) ax[1].bar(['Number of Lines', 'Average Line Length', 'Max Line Length', 'Min Line Length'], [na_num_lines.mean(), na_avg_line_length.mean(), na_max_line_length.mean(), na_min_line_length.mean()], width=0.4, color='b') ax[1].bar(['Number of Lines', 'Average Line Length', 'Max Line Length', 'Min Line Length'], [us_num_lines.mean(), us_avg_line_length.mean(), us_max_line_length.mean(), us_min_line_length.mean()], width=0.4, color='r') ax[1].set_title('Shape Features') ax[1].legend(['Natural Images', 'Ultrasound Images']) ax[2].imshow(na_texture_diff, cmap=plt.cm.RdYlGn) ax[2].set_title('Texture Difference') ax[2].axis('off') ax[3].imshow(na_shape_diff, cmap=plt.cm.RdYlGn) ax[3].set_title('Shape Difference') ax[3].axis('off') plt.show() ``` 完整代码如下: ```python import numpy as np import cv2 from skimage import feature, color import matplotlib.pyplot as plt def analyze_image(img_path): # 读取图像 img = cv2.imread(img_path) # 调整图像大小 img = cv2.resize(img, (256, 256)) # 转换为灰度图像 img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 计算纹理特征 glcm = feature.greycomatrix(img_gray, [1], [0, np.pi/4, np.pi/2, 3*np.pi/4], levels=256, symmetric=True, normed=True) contrast = feature.greycoprops(glcm, 'contrast').mean() correlation = feature.greycoprops(glcm, 'correlation').mean() energy = feature.greycoprops(glcm, 'energy').mean() homogeneity = feature.greycoprops(glcm, 'homogeneity').mean() # 计算形态特征 img_canny = feature.canny(img_gray) img_hough = cv2.HoughLinesP(img_canny, rho=1, theta=np.pi/180, threshold=50, minLineLength=30, maxLineGap=10) num_lines = len(img_hough) line_lengths = np.sqrt(np.sum((img_hough[:,0,:2] - img_hough[:,0,2:]) ** 2, axis=1)) line_angles = np.arctan2(img_hough[:,0,3] - img_hough[:,0,1], img_hough[:,0,2] - img_hough[:,0,0]) line_angles_deg = np.rad2deg(line_angles) line_angles_deg[line_angles_deg < 0] += 180 # 将角度转换到0-180度范围内 avg_line_length = np.mean(line_lengths) max_line_length = np.max(line_lengths) min_line_length = np.min(line_lengths) avg_line_angle = np.mean(line_angles_deg) max_line_angle = np.max(line_angles_deg) min_line_angle = np.min(line_angles_deg) # 可视化结果 fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(10, 5)) ax = axes.ravel() ax[0].imshow(img) ax[0].set_title('Original Image') ax[0].axis('off') ax[1].imshow(img_canny, cmap=plt.cm.gray) ax[1].set_title('Canny Edge Detection') ax[1].axis('off') plt.show() print('Contrast: {:.2f}'.format(contrast)) print('Correlation: {:.2f}'.format(correlation)) print('Energy: {:.2f}'.format(energy)) print('Homogeneity: {:.2f}'.format(homogeneity)) print('Number of lines: {}'.format(num_lines)) print('Average line length: {:.2f}'.format(avg_line_length)) print('Max line length: {:.2f}'.format(max_line_length)) print('Min line length: {:.2f}'.format(min_line_length)) print('Average line angle: {:.2f}'.format(avg_line_angle)) print('Max line angle: {:.2f}'.format(max_line_angle)) print('Min line angle: {:.2f}'.format(min_line_angle)) # 遍历超声图像并分析特征 us_contrast = [] us_correlation = [] us_energy = [] us_homogeneity = [] us_num_lines = [] us_avg_line_length = [] us_max_line_length = [] us_min_line_length = [] for i in range(1, 779): img_path = 'D:/zzz/na5/{}.jpg'.format(i) print('Analyzing image {}'.format(img_path)) contrast, correlation, energy, homogeneity, num_lines, avg_line_length, max_line_length, min_line_length = analyze_image(img_path) us_contrast.append(contrast) us_correlation.append(correlation) us_energy.append(energy) us_homogeneity.append(homogeneity) us_num_lines.append(num_lines) us_avg_line_length.append(avg_line_length) us_max_line_length.append(max_line_length) us_min_line_length.append(min_line_length) # 遍历自然图像并分析特征 na_contrast = [] na_correlation = [] na_energy = [] na_homogeneity = [] na_num_lines = [] na_avg_line_length = [] na_max_line_length = [] na_min_line_length = [] for i in range(1, 779): img_path = 'D:/zzz/us5/{}.jpg'.format(i) print('Analyzing image {}'.format(img_path)) contrast, correlation, energy, homogeneity, num_lines, avg_line_length, max_line_length, min_line_length = analyze_image(img_path) na_contrast.append(contrast) na_correlation.append(correlation) na_energy.append(energy) na_homogeneity.append(homogeneity) na_num_lines.append(num_lines) na_avg_line_length.append(avg_line_length) na_max_line_length.append(max_line_length) na_min_line_length.append(min_line_length) # 比较结果 fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 10)) ax = axes.ravel() ax[0].bar(['Contrast', 'Correlation', 'Energy', 'Homogeneity'], [na_contrast.mean(), na_correlation.mean(), na_energy.mean(), na_homogeneity.mean()], width=0.4, color='b') ax[0].bar(['Contrast', 'Correlation', 'Energy', 'Homogeneity'], [us_contrast.mean(), us_correlation.mean(), us_energy.mean(), us_homogeneity.mean()], width=0.4, color='r') ax[0].set_title('Texture Features') ax[0].legend(['Natural Images', 'Ultrasound Images']) ax[1].bar(['Number of Lines', 'Average Line Length', 'Max Line Length', 'Min Line Length'], [na_num_lines.mean(), na_avg_line_length.mean(), na_max_line_length.mean(), na_min_line_length.mean()], width=0.4, color='b') ax[1].bar(['Number of Lines', 'Average Line Length', 'Max Line Length', 'Min Line Length'], [us_num_lines.mean(), us_avg_line_length.mean(), us_max_line_length.mean(), us_min_line_length.mean()], width=0.4, color='r') ax[1].set_title('Shape Features') ax[1].legend(['Natural Images', 'Ultrasound Images']) na_texture_diff = np.array([na_contrast, na_correlation, na_energy, na_homogeneity]) - np.array([us_contrast, us_correlation, us_energy, us_homogeneity]) us_texture_diff = np.array([us_contrast, us_correlation, us_energy, us_homogeneity]) - np.array([na_contrast, na_correlation, na_energy, na_homogeneity]) na_shape_diff = np.array([na_num_lines, na_avg_line_length, na_max_line_length, na_min_line_length]) - np.array([us_num_lines, us_avg_line_length, us_max_line_length, us_min_line_length]) us_shape_diff = np.array([us_num_lines, us_avg_line_length, us_max_line_length, us_min_line_length]) - np.array([na_num_lines, na_avg_line_length, na_max_line_length, na_min_line_length]) ax[2].imshow(na_texture_diff, cmap=plt.cm.RdYlGn) ax[2].set_title('Texture Difference') ax[2].axis('off') ax[3].imshow(na_shape_diff, cmap=plt.cm.RdYlGn) ax[3].set_title('Shape Difference') ax[3].axis('off') plt.show() ```

相关推荐

zip
该资源内项目源码是个人的课程设计、毕业设计,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! ## 项目备注 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。 该资源内项目源码是个人的课程设计,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! ## 项目备注 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。
zip
该资源内项目源码是个人的课程设计、毕业设计,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! ## 项目备注 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。 该资源内项目源码是个人的课程设计,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! ## 项目备注 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。

最新推荐

recommend-type

chromedriver-win64_116.0.5840.0.zip

chromedriver-win64_116.0.5840.0.zip
recommend-type

基于Java Servlet实现的灾情控制系统.zip

该资源内项目源码是个人的课程设计、毕业设计,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! ## 项目备注 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。 该资源内项目源码是个人的课程设计,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! ## 项目备注 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。
recommend-type

计算机毕业设计-求职与招聘.zip

计算机毕业设计资源包含(项目部署视频+源码+LW+开题报告等等),所有项目经过助教老师跑通,有任何问题可以私信博主解决,可以免费帮部署。
recommend-type

【PID优化】粒子群算法和遗传算法自动电压调节器 (AVR) 系统PID控制器优化调整【含Matlab源码 4698期】.zip

Matlab领域上传的视频均有对应的完整代码,皆可运行,亲测可用,适合小白; 1、代码压缩包内容 主函数:main.m; 调用函数:其他m文件;无需运行 运行结果效果图; 2、代码运行版本 Matlab 2019b;若运行有误,根据提示修改;若不会,私信博主; 3、运行操作步骤 步骤一:将所有文件放到Matlab的当前文件夹中; 步骤二:双击打开main.m文件; 步骤三:点击运行,等程序运行完得到结果; 4、仿真咨询 如需其他服务,可私信博主或扫描视频QQ名片; 4.1 博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作
recommend-type

瘢痕挛缩护理规定(医院规章制度管理文件).docx

瘢痕挛缩护理规定(医院规章制度管理文件).docx
recommend-type

保险服务门店新年工作计划PPT.pptx

在保险服务门店新年工作计划PPT中,包含了五个核心模块:市场调研与目标设定、服务策略制定、营销与推广策略、门店形象与环境优化以及服务质量监控与提升。以下是每个模块的关键知识点: 1. **市场调研与目标设定** - **了解市场**:通过收集和分析当地保险市场的数据,包括产品种类、价格、市场需求趋势等,以便准确把握市场动态。 - **竞争对手分析**:研究竞争对手的产品特性、优势和劣势,以及市场份额,以进行精准定位和制定有针对性的竞争策略。 - **目标客户群体定义**:根据市场需求和竞争情况,明确服务对象,设定明确的服务目标,如销售额和客户满意度指标。 2. **服务策略制定** - **服务计划制定**:基于市场需求定制服务内容,如咨询、报价、理赔协助等,并规划服务时间表,保证服务流程的有序执行。 - **员工素质提升**:通过专业培训提升员工业务能力和服务意识,优化服务流程,提高服务效率。 - **服务环节管理**:细化服务流程,明确责任,确保服务质量和效率,强化各环节之间的衔接。 3. **营销与推广策略** - **节日营销活动**:根据节庆制定吸引人的活动方案,如新春送福、夏日促销,增加销售机会。 - **会员营销**:针对会员客户实施积分兑换、优惠券等策略,增强客户忠诚度。 4. **门店形象与环境优化** - **环境设计**:优化门店外观和内部布局,营造舒适、专业的服务氛围。 - **客户服务便利性**:简化服务手续和所需材料,提升客户的体验感。 5. **服务质量监控与提升** - **定期评估**:持续监控服务质量,发现问题后及时调整和改进,确保服务质量的持续提升。 - **流程改进**:根据评估结果不断优化服务流程,减少等待时间,提高客户满意度。 这份PPT旨在帮助保险服务门店在新的一年里制定出有针对性的工作计划,通过科学的策略和细致的执行,实现业绩增长和客户满意度的双重提升。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

MATLAB图像去噪最佳实践总结:经验分享与实用建议,提升去噪效果

![MATLAB图像去噪最佳实践总结:经验分享与实用建议,提升去噪效果](https://img-blog.csdnimg.cn/d3bd9b393741416db31ac80314e6292a.png) # 1. 图像去噪基础 图像去噪旨在从图像中去除噪声,提升图像质量。图像噪声通常由传感器、传输或处理过程中的干扰引起。了解图像噪声的类型和特性对于选择合适的去噪算法至关重要。 **1.1 噪声类型** * **高斯噪声:**具有正态分布的加性噪声,通常由传感器热噪声引起。 * **椒盐噪声:**随机分布的孤立像素,值要么为最大值(白色噪声),要么为最小值(黑色噪声)。 * **脉冲噪声
recommend-type

InputStream in = Resources.getResourceAsStream

`Resources.getResourceAsStream`是MyBatis框架中的一个方法,用于获取资源文件的输入流。它通常用于加载MyBatis配置文件或映射文件。 以下是一个示例代码,演示如何使用`Resources.getResourceAsStream`方法获取资源文件的输入流: ```java import org.apache.ibatis.io.Resources; import java.io.InputStream; public class Example { public static void main(String[] args) {
recommend-type

车辆安全工作计划PPT.pptx

"车辆安全工作计划PPT.pptx" 这篇文档主要围绕车辆安全工作计划展开,涵盖了多个关键领域,旨在提升车辆安全性能,降低交通事故发生率,以及加强驾驶员的安全教育和交通设施的完善。 首先,工作目标是确保车辆结构安全。这涉及到车辆设计和材料选择,以增强车辆的结构强度和耐久性,从而减少因结构问题导致的损坏和事故。同时,通过采用先进的电子控制和安全技术,提升车辆的主动和被动安全性能,例如防抱死刹车系统(ABS)、电子稳定程序(ESP)等,可以显著提高行驶安全性。 其次,工作内容强调了建立和完善车辆安全管理体系。这包括制定车辆安全管理制度,明确各级安全管理责任,以及确立安全管理的指导思想和基本原则。同时,需要建立安全管理体系,涵盖安全组织、安全制度、安全培训和安全检查等,确保安全管理工作的系统性和规范性。 再者,加强驾驶员安全培训是另一项重要任务。通过培训提高驾驶员的安全意识和技能水平,使他们更加重视安全行车,了解并遵守交通规则。培训内容不仅包括交通法规,还涉及安全驾驶技能和应急处置能力,以应对可能发生的突发情况。 此外,文档还提到了严格遵守交通规则的重要性。这需要通过宣传和执法来强化,以降低由于违反交通规则造成的交通事故。同时,优化道路交通设施,如改善交通标志、标线和信号灯,可以提高道路通行效率,进一步增强道路安全性。 在实际操作层面,工作计划中提到了车辆定期检查的必要性,包括对刹车、转向、悬挂、灯光、燃油和电器系统的检查,以及根据车辆使用情况制定检查计划。每次检查后应记录问题并及时处理,以确保车辆始终处于良好状态。 最后,建立车辆安全信息管理系统也是关键。通过对车辆事故和故障情况进行记录和分析,可以为安全管理提供数据支持,以便及时发现问题,预防潜在风险,并对事故进行有效处理和责任追究。 这份车辆安全工作计划全面覆盖了从车辆本身到驾驶员行为,再到道路环境的诸多方面,旨在构建一个全方位、多层次的车辆安全管理体系,以降低交通事故风险,保障道路交通安全。