這個用例主要介紹利用三種算法對含有blob的圖像進行檢測。blob 或者叫斑點，就是在一幅圖像上，暗背景上的亮區域。或者亮背景上的暗區域，都能夠稱為blob。

主要利用blob與背景之間的對照度來進行檢測。

這個用例介紹了三種算法;

Laplacian of Gaussian (LoG)
這是速度最慢，可是最準確的一種算法。簡單來說，就是對一幅圖先進行一系列不同尺度的高斯濾波，然後對濾波後的圖像做Laplacian運算。將全部的圖像進行疊加。局部最大值就是所要檢測的blob，這個算法對於大的blob檢測會非常慢，還有就是該算法適合於檢測暗背景下的亮blob。

Difference of Gaussian (DoG)
這是LoG算法的一種高速近似，對圖像進行高斯濾波之後，不做Laplacian運算，直接做減法。相減後的圖做疊加。找到局部最大值，這個算法的缺陷與LoG相似。

Determinant of Hessian (DoH)
這是最快的一種算法，不須要做多尺度的高斯濾波，運算速度自然提升非常多，這個算法對暗背景上的亮blob或者亮背景上的暗blob都能檢測。

缺點是小尺寸的blob檢測不準確。

P.S. LoG 和 DoG 假設想檢測亮背景上的暗blob，能夠將圖像做反相，這樣亮背景就變成了暗背景，而暗blob就變成了亮blob，然後就能夠用這兩個算法了，檢測完之後再反回來就好了。

from matplotlib import pyplot as plt
from skimage import data
from skimage.feature import
 
 blob_dog, blob_log, blob_doh
from math import sqrt
from skimage.color import rgb2gray

image = data.hubble_deep_field()[0:500, 0:500]
image_gray = rgb2gray(image)

plt.imshow(image)

blobs_log = blob_log(image_gray, max_sigma=30, num_sigma=10, threshold=.1)
# Compute radii in the 3rd column.
blobs_log[:, 2
 
] = blobs_log[:, 2] * sqrt(2)

blobs_dog = blob_dog(image_gray, max_sigma=30, threshold=.1)
blobs_dog[:, 2] = blobs_dog[:, 2] * sqrt(2)

blobs_doh = blob_doh(image_gray, max_sigma=30, threshold=.01)

blobs_list = [blobs_log, blobs_dog, blobs_doh]
colors = [‘yellow‘, ‘lime‘, ‘red‘]
titles = [‘Laplacian of Gaussian‘, ‘Difference of Gaussian‘,
          ‘Determinant of Hessian‘]
sequence = zip(blobs_list, colors, titles)


fig,axes = plt.subplots(1, 3, sharex=True, sharey=True, subplot_kw={‘adjustable‘:‘box-forced‘})
axes = axes.ravel()
for blobs, color, title in sequence:
    ax = axes[0]
    axes = axes[1:]
    ax.set_title(title)
    ax.imshow(image, interpolation=‘nearest‘)
    for blob in blobs:
        y, x, r = blob
        c = plt.Circle((x, y), r, color=color, linewidth=2, fill=False)
        ax.add_patch(c)

plt.show()

參考來源： http://scikit-image.org/docs/dev/auto_examples/

原圖：

效果圖：

Python: scikit-image Blob detection