python - 为什么 ndimage.label(image) 在考虑的形状中标记额外的形状？

Question

当我使用从 scipy 包导入的 ndimage.label(img) 来标记灰度 PNG 图像时，它的行为如下。
我有两张图片，其中包含 Photoshop 制作的一些形状:
第一张图:
the test_one http://imageshack.us/a/img140/8669/onehx.png
我在上图中执行此代码。

>>> from scipy.misc import imread
>>> from scipy.ndimage import (label,find_objects)

>>> img=imread('first.jpg')
>>> x,y = label(img)
>>> print y                 # Prints exactly "4" shapes ,which is right.
4

>>> f=find_objects(x)
>>> print f                 # Returns exactly the "4" slices of the considered shapes.
[(slice(16L, 61L, None), slice(149L, 189L, None)),  
(slice(30L, 40L, None), slice(60L, 90L, None)),  
(slice(50L, 70L, None), slice(20L, 120L, None)),  
(slice(96L, 149L, None), slice(130L, 186L, None))]

到目前为止，一切正常。
但是当我像这里显示的那样用光滑的刷子制作一个形状时:

第二张图:
the test_one http://imageshack.us/a/img822/5696/twozg.png
我在第二张图片上执行此代码

>>> from scipy.misc import imread
>>> from scipy.ndimage import (label,find_objects)

>>> img=imread('second.jpg')
>>> x,y = label(img)
>>>print y               # Prints more than "5" shapes ,which is wrong.
6

>>> f=find_objects(x)
>>> print f               # Return more than the "5" slices of the considered shapes.
                          #But still has the "5" slices of the "5" considered shapes 
                          #among the other slices which I'm confused of.  
[(slice(16L, 61L, None), slice(149L, 189L, None)),  
(slice(30L, 40L, None), slice(60L, 90L, None)),  
(slice(50L, 70L, None), slice(20L, 120L, None)),  
(slice(96L, 149L, None), slice(130L, 186L, None)),  
(slice(126L, 170L, None), slice(65L, 109L, None)),  
(slice(127L, 128L, None), slice(79L, 80L, None))]    #This is the extra object.

我只是想知道为什么当我使用光滑的画笔时 ndimage.label(img) 标记的形状比考虑的形状多。
是的，它可以标记考虑的形状，但为什么要标记额外的标记以及如何摆脱标记的额外形状。

注意:
(1)多余的形状甚至不是形状，它们是有点细的黑色区域。!!
(2)如果图像是 RGB 格式，它的行为方式相同。
(3)用平滑画笔绘制的形状中非零值的图案如下:

>>> obj_6            #Not quite right but it's similar to this structure
array([[  0,   0,   1,   1,   1,   1,   0,   0],  
       [  0,   1,   6,  12,  15,   9,   3,   0],  
       [  0,   7,  24,  50,  57,  35,  12,   1],  
       [  2,  14,  52, 105, 119,  74,  24,   3],
       [  2,  16,  60, 122, 139,  86,  29,   4],
       [  1,  10,  37,  77,  88,  54,  18,   3],
       [  0,   3,  12,  25,  29,  18,   5,   1],
       [  0,   0,   1,   4,   5,   3,   1,   0]], dtype=uint8)

(4) 全面了解:
一:
二:

感谢您的耐心等待。

更新(1):
为了清楚起见，我发布了两张图片和相关结果:

Answer 1

要回答您的问题，它标记额外区域的原因是因为您使用的是连接性为 1 的默认结构，并且它不知道寻找对角线连接。

除了 Warren 指出的之外，在需要稳健标记(将对角线像素视为连接)的情况下，还可以更改此结构。默认结构如下

In [32]: ndimage.morphology.generate_binary_structure(2, 1).astype("uint8")
Out[32]: 
array([[0, 1, 0],
       [1, 1, 1],
       [0, 1, 0]], dtype=uint8)

它的连通性为 1。这会扩展到您正在使用的任何维度图像。

如果您想使用标签而不用担心默认情况下获得的小额外功能，您可以通过添加“structure”关键字参数来更改对 ndimage.label 的调用。结构(或内核)是与图像(维度)具有相同等级的二进制对象，并且可以轻松更改。打造全职

In [41]: struct=np.ones((3,3), dtype="bool8")

In [42]: struct
Out[42]: 
array([[ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True]], dtype=bool)
In [43]: ndimage.label(img, structure=struct)

理论上，这应该可以解决向结果中添加小对象的问题。