基于python的图片处理包还是很多的,比如PIL,Pillow, opencv, scikit-image等。其中,PIL和Pillow只提供最基础的数字图像处理,功能有限;opencv本质上是一个c++库,只是提供了python的接口,官方更新速度非常慢,而且安装很不容易。综合来看,scikit-image是基于scipy的一款图像处理包,它功能非常齐全,同时将图片作为numpy数组进行处理,几乎集合了matlab的所有图像处理功能,在数据的处理方式,函数名字等方面对matlab的模仿姿势非常到位。
更为重要的是,作为python的一个图像处理包,这个包是完全开源免费的,而且可以依托于python强大的功能,与tensorflow等软件配合使用于主流的深度学习等领域。因此,用scikit-image进行图像处理是一个非常好的选择,matlab能干的事情它都能干,matlab不能干的事情他也可以,个人认为在数字图像处理领域,它是完全可以代替matlab的。价格昂贵且界面并不怎么美观的matlab简直要哭晕在厕所。
当然,如果有一定的编程基础,学习这个包最好的方法是去看官方文档,scikit-image官方文档,对于初学者来说,可以先看以下通俗版的介绍入门。
这个包使用pip安装会报错,推荐使用离线安装,具体安装方法参见:windows下python3安装cv2,skimage(scikit-image)模块的方法
这个包有非常多的子模块,分别负责不同的功能,所以在导入的时候,对于不同的功能可以分别导入不同的模块,各模块的功能如下:
子模块名称 | 主要实现功能 |
---|---|
io | 读取、保存和显示图片或视频 |
data | 提供一些测试图片和样本数据 |
color | 颜色空间变换 |
filters | 图像增强、边缘检测、排序滤波器、自动阈值等 |
draw | 操作于numpy数组上的基本图形绘制,包括线条、矩形、圆和文本等 |
transform | 几何变换或其它变换,如旋转、拉伸和拉东变换等 |
morphology | 形态学操作,如开闭运算、骨架提取等 |
exposure | 图片强度调整,如亮度调整、直方图均衡等 |
feature | 特征检测与提取等 |
measure | 图像属性的测量,如相似性或等高线等 |
segmentation | 图像分割 |
restoration | 图像恢复 |
util | 通用函数 |
下边分别叙述
from skimage import 函数名
from skimage import io
img=io.imread('图片路径',as_grey = bool值)
io.imshow(img)
其中,as_grey属性如果是True,则读入彩图之后自动转换成灰度图像,否则读入彩图,默认为False。
读入图片之后,可以获取图片的各种属性
print(type(img)) #显示类型
print(img.shape) #显示尺寸
print(img.shape[0]) #图片宽度
print(img.shape[1]) #图片高度
print(img.shape[2]) #图片通道数
print(img.size) #显示总像素个数
print(img.max()) #最大像素值
print(img.min()) #最小像素值
print(img.mean()) #像素平均值
读取时matlab的语法几乎相同,写入图片文件时,将matlab中的imwrite()
函数改成imsave()
函数即可。
from skimage import io,data
img=io.imread('图片路径',as_grey = bool值)#以上的读取图片函数
io.imshow(img)
io.imsave('保存路径',img)
保存图片的时候也可以随便保存为不同的格式(jpg,png等)。
对于二值图像来说,用io.imsave()
函数直接保存会得到一张黑色的图像,个人觉得是因为保存的时候程序依旧以为图片的数值范围是0~255,需要转换一下数据类型,有知道的更方便的解决办法的可以在评论区交流
同样,提供了skimage.transform.resize(image, output_shape)
函数,和matlab里重新调整图像大小的语法没有丝毫区别。
image: 需要改变尺寸的图片
output_shape: 新的图片尺寸
from skimage import transform,io
import matplotlib.pyplot as plt#用于显示图像
img=io.imread('图片路径',as_grey = bool值)
dst=transform.resize(img, (长, 宽))
plt.figure('resize')
plt.subplot(121)
plt.title('before resize')
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title('before resize')
plt.imshow(dst,plt.cm.gray)
plt.show()
可以将图片变成80*60大小。
获取图像连通域是图像处理中比较高级的功能,matlab可以通过函数直接获取图像的连通域,在skimage包中,我们同样可以采用measure子模块下的label()函数来实现相同的效果。
函数格式:
from skimage import measure
labels = measure.label(二值图像,connectivity=None)
返回一个与图像同样大小的数组,背景都是0,对于前景的连通域从1开始往上标记。
当然,此时做到的只是对连通域进行标记给人看,如果想分别对每一个连通区域进行操作,比如计算面积、外接矩形、凸包面积等,则需要调用measure子模块的regionprops()函数。在同上导入measure包之后,该函数格式为:
label_att = measure.regionprops(label_image)
这样,我们就可以从“label_att”这个数组里获取图像里任意一个连通域的属性,属性列表如下:
属性名称 | 类型 | 描述 |
---|---|---|
area | int | 区域内像素点总数 |
bbox | tuple | 边界外接框(min_row, min_col, max_row, max_col) |
centroid | array | 质心坐标 |
convex_area | int | 凸包内像素点总数 |
convex_image | ndarray | 和边界外接框同大小的凸包 |
coords | ndarray | 区域内像素点坐标 |
Eccentricity | float | 离心率 |
equivalent_diameter | float | 和区域面积相同的圆的直径 |
euler_number | int | 区域欧拉数 |
extent | float | 区域面积和边界外接框面积的比率 |
filled_area | int | 区域和外接框之间填充的像素点总数 |
perimeter | float | 区域周长 |
label | int | 区域标记 |
这里需要注意的是:measure.label函数获取的连通域背景是0,前景的连通域其实是从1开始计算,而measure.regionprops函数获取的连通域不包含背景,前景的连通域属性就是从0开始的。
下面举一个例子:
随便找一张图片如下:
运行代码如下:
from skimage import io,filters,measure
img = io.imread('test.jpg',as_grey=True) #读取图片
thresh = filters.threshold_otsu(img) #用otsu算法确定最佳分割阈值
bwimg =(img>=(thresh)) #用阈值进行分割,生成二值图像
labels = measure.label(bwimg) #标记连通域
label_att = measure.regionprops(labels) #获取各个连通域的属性。
可以看到labels找出了5个连通域,而label_att却只有四个连通域的属性,这是因为不包括背景的连通域的属性。
图片难免会有噪声,在以上获取连通域处理的时候,噪点也会算作是一个很小的连通域,morphology子模块的remove_small_objects()函数提供了方便的噪点去除功能。函数格式(一般与上一个函数连用):
from skimage import morphology
img1 = morphology.remove_small_objects(ar, min_size=要删除的连通域大小阈值, connectivity=1,in_place=False)
img1是删除了小于连通域面积阈值的二值图像。
其中,各参数含义如下:
scikit-image这个包对matlab的模仿甚至还体现在很多细节上,比如说,matlab会自带一些图片让用户进行测试,如果我们不想从外部读取图片,就可以直接使用这些示例图片对函数进行测试,scikit-image包同样也有如下功能:
而且使用方法也很简单:
from skimage import io,data
img=data.lena()
io.imshow(img)
astronaut | 宇航员图片 |
---|---|
coffee | 一杯咖啡图片 |
lena | lena美女图片 |
camera | 拿相机的人图片 |
coins | 硬币图片 |
moon | 月亮图片 |
checkerboard | 棋盘图片 |
horse | 马图片 |
page | 书页图片 |
chelsea | 小猫图片 |
hubble_deep_field | 星空图片 |
text | 文字图片 |
clock | 时钟图片 |
immunohistochemistry | 结肠图片 |
图片名对应的就是函数名,这些示例图片存放在skimage的安装目录下面,路径名称为data_dir,也可以将这个路径打印出来:
from skimage import data_dir
print(data_dir)
1 . python数字图像处理(18):高级形态学处理
2. python skimage图像处理(一)有一些图片裁剪相关的内容