matlab中Regionprops函数详解——度量图像区域属性

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全家桶1年46，售后保障稳定

声明：原文链接https://blog.csdn.net/langb2014/article/details/49886787点击打开链接，仅学习使用，写的很不错。

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(:))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 properties 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，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 [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：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’：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。

‘EulerNumber’：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。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-bottom 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。

‘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！！

‘PixelIdxList’：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regionprops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：

 stats(1).Area, stats(2).Area, ..., stats(end).Area

Jetbrains全家桶1年46，售后保障稳定

 stats.Area

因此，可以使用下面的方法创建相应的向量：

 regionprops(L,'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 ismember 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 = ismember(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' 'ConvexArea' '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 = bwlabel(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 0 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) mylabel = 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。

 mylabel2 = 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：

[cpp] view plain copy

1. src_img_name = ‘1.jpg’;  
2. img = imread(src_img_name);  
3.   
4. % get binary image  
5. gray_img = rgb2gray(img);  
6. T = graythresh(gray_img);  
7. bw_img = im2bw(gray_img, T);  
8.   
9. % find the largest connected region  
10. img_reg = regionprops(bw_img,  ‘area’, ‘boundingbox’);  
11. areas = [img_reg.Area];  
12. rects = cat(1,  img_reg.BoundingBox);  

显示所有连通区域

[cpp] view plain copy

1. % show all the largest connected region  
2. figure(1),  
3. imshow(bw_img);  
4. for i = 1:size(rects, 1)  
5.     rectangle(‘position’, rects(i, :), ‘EdgeColor’, ‘r’);  
6. end  

显示最大连通区域，

[cpp] view plain copy

1. [~, max_id] = max(areas);  
2. max_rect = rects(max_id, :);  
3.   
4. % show the largest connected region  
5. figure(2),   
6. imshow(bw_img);  
7. rectangle(‘position’, max_rect, ‘EdgeColor’, ‘r’);  

显示结果：