我有一些图像,我想计算Minkowski/box count dimension来确定图像中的分形特征。下面是两个示例图像:
10.jpg
:
24.jpg
:
我使用以下代码计算分形维数:
import numpy as np
import scipy
def rgb2gray(rgb):
r, g, b = rgb[:,:,0], rgb[:,:,1], rgb[:,:,2]
gray = 0.2989 * r + 0.5870 * g + 0.1140 * b
return gray
def fractal_dimension(Z, threshold=0.9):
# Only for 2d image
assert(len(Z.shape) == 2)
# From https://github.com/rougier/numpy-100 (#87)
def boxcount(Z, k):
S = np.add.reduceat(
np.add.reduceat(Z, np.arange(0, Z.shape[0], k), axis=0),
np.arange(0, Z.shape[1], k), axis=1)
# We count non-empty (0) and non-full boxes (k*k)
return len(np.where((S > 0) & (S < k*k))[0])
# Transform Z into a binary array
Z = (Z < threshold)
# Minimal dimension of image
p = min(Z.shape)
# Greatest power of 2 less than or equal to p
n = 2**np.floor(np.log(p)/np.log(2))
# Extract the exponent
n = int(np.log(n)/np.log(2))
# Build successive box sizes (from 2**n down to 2**1)
sizes = 2**np.arange(n, 1, -1)
# Actual box counting with decreasing size
counts = []
for size in sizes:
counts.append(boxcount(Z, size))
# Fit the successive log(sizes) with log (counts)
coeffs = np.polyfit(np.log(sizes), np.log(counts), 1)
return -coeffs[0]
I = rgb2gray(scipy.misc.imread("24.jpg"))
print("Minkowski–Bouligand dimension (computed): ", fractal_dimension(I))
从我读过的文献来看,有人认为自然场景(如24.jpg
)在本质上更具分形性,因此应该具有更大的分形维数值
它给我的结果与文献所暗示的相反:
10.jpg
:1.259
24.jpg
:1.073
我希望自然图像的分形维数大于城市图像的分形维数
我计算代码中的值是否不正确?或者我只是不正确地解释结果?
有了某种物质的分形维数,这个维数可能在不同的阶段收敛到不同的值。例如,一条非常细的线(但宽度有限)最初看起来是一维的,然后随着其宽度变得与所使用的盒子大小相当,最终是二维的。
让我们看看您生成的维度:
你看到什么了?线性拟合不太好。维度的值是2。 要进行诊断,让我们看一下生成的灰度图像,其阈值为0.9:
大自然的图画几乎变成了一个墨水团。如图所示,维度很快就会变成2的值。那是因为我们几乎失去了形象。 现在的门槛是50?
新的线性拟合效果更好,城市和自然的维度分别为1.6和1.8。记住,城市图片实际上有很多结构,特别是在有纹理的墙壁上。
在将来,好的阈值应该是接近灰度图像平均值的阈值,这样你的图像就不会变成一团墨水!
关于这一点的一本很好的教科书是Michael F.Barnsley的《分形无处不在》。
相关问题 更多 >
编程相关推荐