初始提交

shape_spectral_background.py

@@ -0,0 +1,87 @@
+import matplotlib
+import matplotlib.pyplot as plt
+matplotlib.use('TkAgg')
+from plantcv import plantcv as pcv
+import numpy as np
+import cv2
+
+
+
+def process_images_background(full_bil_path, mask, outdir='None', debug="None"):
+    # 初始化参数
+    class options:
+        def __init__(self):
+            self.image = full_bil_path  # 输入的光谱图像路径
+            self.debug = debug  # 设置调试模式：'plot' 或 'print'
+            self.writeimg = False  # 是否保存图片
+            self.result = outdir  # 输出结果文件路径
+            self.outdir = outdir  # 输出文件夹路径
+
+    args = options()
+
+    # 设置 PlantCV 的全局参数
+    pcv.params.debug = args.debug
+    pcv.params.dpi = 100  # 设置 DPI
+    pcv.params.text_size = 1  # 文本大小
+    pcv.params.text_thickness = 1  # 文本粗细
+
+    # 读取光谱图像（ENVI 格式）
+    spectral_array = pcv.readimage(filename=args.image, mode='envi')
+    bath_100 = spectral_array.array_data[:, :, 100]
+    bath_over = pcv.threshold.binary(gray_img=bath_100, threshold=5500, object_type='light')
+
+    # 将PIL 16位掩膜转换为8位二值化格式
+    # 如果mask是非零值则设置为255（塑料区域），否则为0（背景）
+    mask_array = np.array(mask) if not isinstance(mask, np.ndarray) else mask
+    b_thresh_unit8 = ((mask_array > 0).astype(np.uint8)) * 255
+
+    # 填充小的孔洞，并反转掩膜
+    b_fill = pcv.fill(bin_img=b_thresh_unit8, size=250)
+    b_fill_inverted = pcv.invert(b_fill)
+
+    # 创建形态统计和光谱统计掩膜
+    dilate_img = pcv.dilate(gray_img=b_fill_inverted, ksize=3, i=4)
+    bath_erode = pcv.erode(gray_img=bath_over, ksize=3, i=4)
+
+    # 塑料掩膜的反转和非黑色背景的掩膜相乘
+    dilate_img = dilate_img * bath_erode / 255
+    dilate_img = pcv.fill(bin_img=dilate_img, size=10000)
+
+    # 使用cv2.connectedComponents代替pcv.create_labels，避免污染plantcv outputs
+    num1, labeled_spectral_mask = cv2.connectedComponents(dilate_img.astype(np.uint8))
+
+    # plt.figure(figsize=(10, 8))
+    # plt.imshow(dilate_img, cmap='nipy_spectral')
+    # plt.colorbar(label='Object Label')
+    # plt.title(f'Labeled Spectral Mask - {num1} objects detected')
+    # plt.xlabel('X coordinate')
+    # plt.ylabel('Y coordinate')
+    # plt.show()
+    print(f"Number of objects (second mask): {num1 - 1}")  # -1 because first label is background
+
+    # 直接计算每个对象的面积并找到最大面积的对象
+    max_area = 0
+    max_label = 0
+
+    # 遍历所有标签（从1开始，0是背景）
+    for label in range(1, num1):
+        # 创建当前标签的掩膜
+        obj_mask = labeled_spectral_mask == label
+        # 计算面积
+        area = np.sum(obj_mask)
+        if area > max_area:
+            max_area = area
+            max_label = label
+
+    # 提取最大面积对象的光谱
+    if max_label > 0:
+        max_obj_mask = labeled_spectral_mask == max_label
+        # 获取最大对象在所有波段的光谱值
+        spectral_values = spectral_array.array_data[max_obj_mask, :]
+        # 计算平均光谱
+        mean_spectrum = np.mean(spectral_values, axis=0)
+        # 返回最大面积对象的平均光谱
+        return mean_spectrum/10000
+    else:
+        # 如果没有找到有效背景对象，返回全零光谱
+        return np.zeros(spectral_array.array_data.shape[-1]) / 10000