3.3 Scikit-image:图像处理
作者: Emmanuelle Gouillart
scikit-image是专注于图像处理的Python包,并且使用原生的Numpy数组作为图像对象。本章描述如何在不同图像处理任务上使用scikit-image
,并且保留了其他科学Python模块比如Numpy和Scipy的链接。
也可以看一下:对于基本图像处理,比如图像剪切或者简单过滤,大量简单操作可以用Numpy和SciPy来实现。看一下使用Numpy和Scipy图像操作和处理部分。
注意,在阅读本章之前你应该熟悉前面章节的内容,比如基础操作,比如面具和标签作为先决条件。
章节内容
- 介绍和观点
scikit-image
和SciPy
生态系统scikit-image
能发现什么
- 输入/输出, 数据类型和 颜色空间
- 数据类型
- 颜色空间
- 图像预处理/增强
- 本地过滤器
- 非-本地过滤器
- 数学形态学
- 图像细分
- 二元细分: 前景 + 背景
- 基于标记的方法
- 测量区域的属性
- 数据可视化和交互
3.3.1 介绍和观点
图像是NumPy的数组np.ndarray
图像: | np.ndarray |
---|---|
像素: | array values: a[2, 3] |
渠道: | array dimensions |
图像编码: | dtype (np.uint8, np.uint16, np.float) |
过滤器: | functions (numpy, skimage, scipy) |
In [1]:
%matplotlib inline
import numpy as np
check = np.zeros((9, 9))
check[::2, 1::2] = 1
check[1::2, ::2] = 1
import matplotlib.pyplot as plt
plt.imshow(check, cmap='gray', interpolation='nearest')
Out[1]:
<matplotlib.image.AxesImage at 0x105717610>
3.3.1.1 scikit-image 和 SciPy 生态系统
最新版的scikit-image
包含在大多数的科学Python发行版中,比如,Anaconda或Enthought Canopy。它也包含在 Ubuntu/Debian。
In [6]:
import skimage
from skimage import data # 大多数函数在子包中
大多数scikit-image
函数用NumPy ndarrays作为参数
In [6]:
camera = data.camera()
camera.dtype
Out[6]:
dtype('uint8')
In [7]:
camera.shape
Out[7]:
(512, 512)
In [8]:
from skimage import restoration
filtered_camera = restoration.denoise_bilateral(camera)
type(filtered_camera)
Out[8]:
numpy.ndarray
其他Python包也可以用于图像处理,并且使用Numpy数组:
- scipy.ndimage : 对于 nd-arrays。基础过滤、数学形态学和区域属性
- Mahotas 同时,强大的图形处理库有Python封装:
- OpenCV (计算机视觉)
- ITK (3D图像和注册)
- 其他 (但是,他们没有那么Pythonic也没有Numpy友好,在一定范围)。
3.3.1.2 scikit-image能发现什么
- 网站: http://scikit-image.org/
例子库 (就像在 matplotlib 或 scikit-learn): http://scikit-image.org/docs/stable/auto_examples/ 不同类的函数,从基本的使用函数到高级最新算法。
过滤器: 函数将图像转化为其他图像。
- NumPy组件
- 通用过滤器算法
- 数据简化函数: 计算图像直方图、局部极值位置、角。
- 其他动作: I/O, 可视化,等。
3.3.2 输入/输出, 数据类型和颜色空间
I/O: skimage.io
In [4]:
from skimage import io
读取文件: skimage.io.imread()
In [7]:
import os
filename = os.path.join(skimage.data_dir, 'camera.png')
camera = io.imread(filename)
支持所有被Python Imaging Library(或者imread
plugin
关键词提供的任何I/O插件)的数据格式。 也支持URL图片路径:
In [3]:
logo = io.imread('http://scikit-image.org/_static/img/logo.png')
存储文件:
In [4]:
io.imsave('local_logo.png', logo)
(imsave
也用外部插件比如PIL)
3.3.2.1 数据类型
图像ndarrays可以用整数(有符号或无符号)或浮点来代表。
小心整数类型的溢出
In [8]:
camera = data.camera()
camera.dtype
Out[8]:
dtype('uint8')
In [8]:
camera_multiply = 3 * camera
可用不同的整型大小: 8-, 16- 或 32-字节, 有符号或无符号。
一个重要的 (如果有疑问的话) skimage
惯例: 图像浮点支持在[-1, 1] (与所以浮点图像相对)
In [9]:
from skimage import img_as_float
camera_float = img_as_float(camera)
camera.max(), camera_float.max()
Out[9]:
(255, 1.0)
一些图像处理程序需要应用在浮点数组上,因此,输出的数组可能类型和数据范围都与输入数组不同
In [9]:
try:
from skimage import filters
except ImportError:
from skimage import filter as filters
camera_sobel = filters.sobel(camera)
camera_sobel.max()
Out[9]:
0.5915023652179584
在上面的例子中,我们使用scikit-image
的子模块filters
,在0.11到0.10版本间,filter
被重命名为filters
,为了避免与Python内置的filter
冲突。
在skimage提供了下列skimage实用的函数来转化dtype和data range: util.img_as_float
、 util.img_as_ubyte
等。
看一下用户手册来了解细节。
In [ ]:
An important (if questionable) skimage convention: float images are supposed to lie in [-1, 1] (in order to have comparable contrast for all float images)
In [ ]:
3.3.1. Introduction and concepts
Images are NumPy’s arrays np.ndarray