Python: scikit-image Blob detection

这个用例主要介绍利用三种算法对含有blob的图像进行检测，blob 或者叫斑点，就是在一幅图像上，暗背景上的亮区域，或者亮背景上的暗区域，都可以称为blob。主要利用blob与背景之间的对比度来进行检测。这个用例介绍了三种算法;

Laplacian of Gaussian (LoG)
这是速度最慢，但是最准确的一种算法，简单来说，就是对一幅图先进行一系列不同尺度的高斯滤波，然后对滤波后的图像做Laplacian运算，将所有的图像进行叠加，局部最大值就是所要检测的blob，这个算法对于大的blob检测会很慢，还有就是该算法适合于检测暗背景下的亮blob。

Difference of Gaussian (DoG)
这是LoG算法的一种快速近似，对图像进行高斯滤波之后，不做Laplacian运算，直接做减法，相减后的图做叠加，找到局部最大值，这个算法的缺陷与LoG类似。

Determinant of Hessian (DoH)
这是最快的一种算法，不需要做多尺度的高斯滤波，运算速度自然提升很多，这个算法对暗背景上的亮blob或者亮背景上的暗blob都能检测。缺点是小尺寸的blob检测不准确。

P.S. LoG 和 DoG 如果想检测亮背景上的暗blob，可以将图像做反相，这样亮背景就变成了暗背景，而暗blob就变成了亮blob，然后就可以用这两个算法了，检测完之后再反回来就好了。

from matplotlib import pyplot as pltfrom skimage import datafrom skimage.feature import blob_dog, blob_log, blob_dohfrom math import sqrtfrom skimage.color import rgb2grayimage = data.hubble_deep_field()[0:500, 0:500]image_gray = rgb2gray(image)plt.imshow(image)blobs_log = blob_log(image_gray, max_sigma=30, num_sigma=10, threshold=.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=.1)blobs_dog[:, 2] = blobs_dog[:, 2] * sqrt(2)blobs_doh = blob_doh(image_gray, max_sigma=30, threshold=.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, sharex=True, sharey=True, subplot_kw={'adjustable':'box-forced'})axes = axes.ravel()for blobs, color, title in sequence:    ax = axes[0]    axes = axes[1:]    ax.set_title(title)    ax.imshow(image, interpolation='nearest')    for blob in blobs:        y, x, r = blob        c = plt.Circle((x, y), r, color=color, linewidth=2, fill=False)        ax.add_patch(c)plt.show()

参考来源： http://scikit-image.org/docs/dev/auto_examples/

原图：

效果图：