可以用來(lái)做圖像做處理的模塊有很多，不過(guò)對(duì)于使用python不熟悉，或者剛使用python做圖像處理的時(shí)候，經(jīng)常不知道應(yīng)該選擇使用哪些模塊。比如，scipy中misc和ndimage中都有相應(yīng)的圖像處理函數(shù)，現(xiàn)在就介紹一下scikit-image模塊吧：

1)例圖：?

from skimage import datadata里面會(huì)有樣圖，如data.camera()是一張（512， 512）的圖；

2）濾波：

from skimage import filters比如高斯濾波，filters.gaussian(camera, 1)

比如邊緣檢測(cè)：filters.sobel(camera)

3）文件讀取：

from skimage import io

io.imread(filename)，其中，filename也可以是URL地址；

io.imsave(path, img).

4)數(shù)據(jù)類(lèi)型轉(zhuǎn)換：

from skimage import img_as_float

camera_f = img_as_float(camera)將原圖uint8類(lèi)型轉(zhuǎn)變成[-1, 1]之間的范圍；

5）顏色空間轉(zhuǎn)換：

from skimage import color

color.rgb2hsvcolor.lab2rgb, etc.

關(guān)于圖像預(yù)處理和增強(qiáng)

6）局部濾波，如filters.sobel_h(img)

7）非局部濾波，如

rom skimage import exposure

中exposure.equalize_hist(img)做直方圖均衡；

8）數(shù)學(xué)形態(tài)變換

from skimage import morphology 具體圖形生成：比如morphology.diamond(1)生成菱形；

腐蝕操作：morphology.binary_erosion(img, selem=None)

selem表示結(jié)構(gòu)元素，用于設(shè)定局部區(qū)域的形狀和大小。將0值擴(kuò)充到鄰近像素。擴(kuò)大黑色部分，減小白色部分。可用來(lái)提取骨干信息，去掉毛刺，去掉孤立的像素。

膨脹操作：morphology.binary)dilation(img, selem = None)

一般對(duì)二值圖像進(jìn)行操作。找到像素值為1的點(diǎn)，將它的鄰近像素點(diǎn)都設(shè)置成這個(gè)值。1值表示白，0值表示黑，因此膨脹操作可以擴(kuò)大白色值范圍，壓縮黑色值范圍。一般用來(lái)擴(kuò)充邊緣或填充小的孔洞。

Opening: erosion + dilation在

注：該操作也適用于非二值圖，即灰度圖，對(duì)應(yīng)的是最小濾波

（scipy.ndimage.morphology同樣也有該操作）

9）圖像分割

基于直方圖分析的二值分割：（Otsu閾值法）如：val = filters.threshold(img)找到閾值，然后通過(guò)mask = img < val得到二值圖

圖像打標(biāo)簽：對(duì)于分割后的圖像，可以給每一個(gè)區(qū)域打標(biāo)簽，如

from skimage import measure all_labels = measure.label(blobs)

另外，scipy中也有相應(yīng)操作；

水域分割算法（也叫分水嶺算法）：?

from skimage.morphology import watershed from skimage.feature import peak_local_max from scipy import ndimage >>> distance = ndimage . distance_transform_edt ( image ) >>> local_maxi = peak_local_max ( distance , indices = False , footprint = np . ones (( 3 , 3 )), labels = image ) >>> markers = morphology . label ( local_maxi ) >>> labels_ws = watershed ( - distance , markers , mask = image )另一個(gè) 隨機(jī)walker分割： from skimage import segmentation >>> #?Transform markers image so that 0-valued pixels are to >>> #?be labelled, and -1-valued pixels represent background >>> markers [ ~ image ] = - 1 >>> labels_rw = segmentation . random_walker ( image , markers )

10）測(cè)量區(qū)域?qū)傩?#xff0c;如面積和周長(zhǎng)

properties = measure.regionprops(labels_rw) >>> [ prop . area for prop in properties ] [770, 1168] >>> [ prop . perimeter for prop in properties ] [100.91..., 126.81...]

11）數(shù)據(jù)可視化和交互

matplotlib中提供了plt.imshow等函數(shù)，結(jié)合以上濾波、分割(segmentation.clear_border(mask))等使用

另外，skimage也提供顯示圖像的函數(shù)，不過(guò)也是基于matplotlib，貌似功能更強(qiáng)大：

from skimage import viewer >>> new_viewer = viewer . ImageViewer ( coins ) >>> new_viewer . show ()

For more interaction, plugins can be added to the viewer:

>>>>>> new_viewer = viewer.ImageViewer(coins) >>> from skimage.viewer.plugins import lineprofile>>> new_viewer += lineprofile.LineProfile() >>> new_viewer.show()

12）CV中的特征提取

from skimage import feature

不同角點(diǎn)特征：

from skimage.feature import corner_harris, corner_subpix, corner_peaks

//補(bǔ)充角點(diǎn)特征知識(shí)點(diǎn)

另外skimage.transform提供扭曲和仿射變換操作wrap和AffineTransform

總結(jié)

以上是生活随笔為你收集整理的【Python】skimage模块的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。