matlab的Regionprops详解



Regionprops：用途是get the properties of region，即用来度量图像区域属性的函数。

语法：STATS = regionprops(L,properties)

描述：测量SEO靠我标注矩阵L中每一个标注区域的一系列属性。L中不同的正整数元素对应不同的区域，例如：L中等于整数1的元素对应区域1；L中等于整数2的元素对应区域2；以此类推。返回值STATS是一个长度为max(L(:)SEO靠我)的结构数组，结构数组的相应域定义了每一个区域相应属性下的度量。properties 可以是由逗号分割的字符串列表、饱含字符串的单元数组、单个字符串 all 或者 basic。如果 propertieSEO靠我s 等于字符串 all，则所有下述字串列表中的度量数据都将被计算，如果 properties 没有指定或者等于 basic，则属性: Area, Centroid, 和 BoundingBox 将被计SEO靠我算。下面的列表就是所有有效的属性字符串，它们大小写敏感并且可以缩写。

属性字符串列表

Area

EquivDiameter

MajorAxisLength

BoundingBox

EulerNumber

MinorSEO靠我AxisLength

Centroid

Extent

Orientation

ConvexArea

Extrema

PixelIdxList

ConvexHull

FilledArea

PixelList

ConvexISEO靠我mage

FilledImage

Solidity

Eccentricity

Image

属性详细定义：本部分将结合一个具体的例子说明各种字串相关属性的意义，矩阵取自在蚁蛉模式识别中做过预处理后的斑纹分割图像，SEO靠我如下图：

这是一幅二值图像，在应用regionprops函数之前必须将其标注，可以调用 bwlabel函数和伪彩色处理，标注后的图像如下图：

下面基于以上的材料来考察属性的含义。

Area：是标量，计算出在SEO靠我图像各个区域中像素总个数。注意：这个数值可能与由函数 bwarea 计算的值有轻微的不同。对于这样一个数值，我们可以使用它除以整个图像区域的像素个数而得到斑纹比例，可以作为模式识别的候选特征，并且这个SEO靠我特征是仿射不变的。

BoundingBox：是1行ndims(L)*2列的向量，即包含相应区域的最小矩形。BoundingBox 形式为 [ul_corner width]，这里 ul_corner 以SEO靠我 [x y z ...] 的坐标形式给出边界盒子的左上角、boxwidth 以 [x_width y_width ...] 形式指出边界盒子沿着每个维数方向的长度。本例的各部分区域最小矩形如下图！注意SEO靠我：请在这熟悉一下函数rectangle的使用方法。

Centroid：是1行ndims(L)列的向量，给出每个区域的质心（重心）。注意：Centroid 的第一个元素是重心水平坐标（x坐标）、第二个元素SEO靠我是重心垂直坐标（y坐标）。Centroid 所有其它元素则按照维顺序排列。下图采用以中心为圆心的小圆来演示质心检测的效果：

MajorAxisLength：是标量，与区域具有相同标准二阶中心矩的椭圆的长SEO靠我轴长度（像素意义下）。本属性只支持二维标注矩阵。

MinorAxisLength：是标量，与区域具有相同标准二阶中心矩的椭圆的短轴长度（像素意义下）。本属性只支持二维标注矩阵。

Eccentricity：SEO靠我是标量，与区域具有相同标准二阶中心矩的椭圆的离心率（可作为特征）。本属性只支持二维标注矩阵。

Orientation：是标量，与区域具有相同标准二阶中心矩的椭圆的长轴与x轴的交角（度）。本属性只支持二维SEO靠我标注矩阵。

我们可以考察离心率的变化趋势，得到对于整个区域中的各区域的似圆性如何的大致感觉，比如下图是12个区域的离心率变化情形：

由上图可以看出区域整体的似圆性并不好，实际上可以考虑使用离心率向量作为一SEO靠我个模式识别的特征！！

Image：二值图像，与某区域具有相同大小的逻辑矩阵。你可以用这个属性直接将每个子区域提取出来，然后再作相应的处理！

FilledImage：与上相同，唯一区别是这是个做了填充的逻辑SEO靠我矩阵！

本例中和上面的没有区别，只有区域有空洞时才有明显差别。

FilledArea：是标量，填充区域图像中的 on 像素个数。

ConvexHull：是p行2列的矩阵，包含某区域的最小凸多边形。此矩阵的每SEO靠我一行存储此多边形一个顶点的xy坐标。此属性只支持2维标注矩阵。例如：本例中的所有子区域的最小凸多边形图形如下图

看看第2个区域的大图:

ConvexImage：二值图像，用来画出上述的区域最小凸多边形。同SEO靠我时此凸包内的像素均打开，图像尺寸和此区域对应边界矩形相同。此属性只支持2维标注矩阵。注意：此处函数roipoly很有用！

ConvexArea：是标量，填充区域凸多边形图像中的 on 像素个数。

EuleSEO靠我rNumber：是标量，几何拓扑中的一个拓扑不变量--欧拉数，等于图像中目标个数减去这些目标中空洞的个数。此属性只支持2维标注矩阵。本例中的欧拉数均为1。

Extrema：8行2列矩阵，八方向区域极值点SEO靠我。矩阵每行存储这些点的xy坐标，向量格式为 [top-left top-right right-top right-bottom bottom-right bottom-left left-bottoSEO靠我m left-top]。此属性只支持2维标注矩阵。

EquivDiameter：是标量，等价直径：与区域具有相同面积的圆的直径。计算公式为：sqrt(4*Area/pi)。. 此属性只支持2维标注矩阵。SEO靠我

Solidity：是标量，同时在区域和其最小凸多边形中的像素比例。计算公式为：Area/ConvexArea，这也是个仿射特征，实际上反映出区域的固靠性程度。此属性只支持2维标注矩阵。

Extent：是SEO靠我标量，同时在区域和其最小边界矩形中的像素比例。计算公式为：Area除以边界矩形面积，这也是个仿射特征，实际上反映出区域的扩展范围程度。此属性只支持2维标注矩阵。不再给出计算结果！！

PixelIdxLiSEO靠我st：p元向量，存储区域像素的索引下标。

PixelList：p行ndims(L)列矩阵，存储上述索引对应的像素坐标。

支持类：输入的标注矩阵L可以有任意的数值类型。

提醒

使用逗号分割列表语法：当你基于reSEO靠我gionprops函数的输出作算法设计时，使用逗号分割列表语法就凸显出其非常的价值。例如：对于一个存储标量的属性，可以利用此语法创建一个包含图像中不同区域内此属性值的向量。例如以下两句是等价的：

staSEO靠我ts(1).Area, stats(2).Area, ..., stats(end).Area stats.Area

因此，可以使用下面的方法创建相应的向量：

regionprops(L,SEO靠我Area); allArea = [stats.Area];

allArea 就是一个与结构数组 stats 具备相同长度的向量。

基于特定原则的区域选择：当你要基于特定准则条件选择某个区域时，将函数 iSEO靠我smember 和 regionprops 联合使用是很有用处的。例如：创建一个只包含面积大于80的二值图像，用以下命令

idx = find([stats.Area] > 80); BW2 = ismSEO靠我ember(L,idx);

计算性能考虑：大多数的属性测量计算时间都非常地少，除了那些非常依赖于图像L中区域个数和像素个数的属性。例如：

ConvexHull ConvexImage ConvexAreaSEO靠我 FilledImage

另外建议一次性计算所有属性值，因为分开计算和一起计算时间相差无几！

使用二值图像工作：在调用regionprops之前必须将二值图像转变为标注矩阵。两个函数可以做到：

L = bwSEO靠我label(BW); L = double(BW);

注意：虽然这两个函数从同一二值图像产生不同的标注矩阵，但是它们是等效的！例如：给出如下的二值矩阵BW，

1 1 0 0 0 0 1 1 0 0 0 0SEO靠我 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 1 1

bwlabel 创建一个包含两个分别由整数1和2标注的连续区域标注矩阵

mylabel = bwlabel(BW) mylabelSEO靠我 = 1 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 0 0 0 0 2 2

double 创建一个包含一个由整数1标注的不连续区域标注矩阵。

mylabeSEO靠我l2 = double(BW) mylabel2 = 1 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 1 1

regionprops 并不SEO靠我负责自动转换二值图像数据类型，而是由你自己决定使用何种数据转换方法来存储自己想要的数据。

regionprops函数的扩展思路：在regionprops函数的基础上，你可以使用它提供的基本数据来扩展它的SEO靠我功能，将区域的曲率数据和骨架数据作为它的另外属性值来开发，从而希望它能用来做更细致的特征提取。

获取图像中的连通区域，可以使用以下代码：

src_img_name = 1.jpg; imgSEO靠我 = imread(src_img_name);% get binary image gray_img = rgb2gray(img); T = graythresh(SEO靠我gray_img); bw_img = im2bw(gray_img, T);% find the largest connected region img_reg =SEO靠我 regionprops(bw_img, area, boundingbox); areas = [img_reg.Area]; rects = cat(1, img_SEO靠我reg.BoundingBox);

显示所有连通区域

% show all the largest connected region figure(1), imshow(bSEO靠我w_img); for i = 1:size(rects, 1)rectangle(position, rects(i, :), EdgeColor, r); end

显SEO靠我示最大连通区域，

[~, max_id] = max(areas); max_rect = rects(max_id, :);% show the largest connected rSEO靠我egion figure(2), imshow(bw_img); rectangle(position, max_rect, EdgeColor, r)SEO靠我;

显示结果：