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-imageSciPy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 [3]:
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

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。


skimage提供了下列skimage实用的函数来转化dtype和data range: util.img_as_floatutil.img_as_ubyte等。

看一下用户手册来了解细节。

3.3.2.2 颜色空间

颜色图像是 (N, M, 3) 或 (N, M, 4) 形状 (当alpha渠道编码为透明度)

In [6]:
import scipy
face = scipy.misc.face()
face.shape
Out[6]:
(768, 1024, 3)

skimage.color中包含转换不同颜色空间(RGB、HSV、LAB 等)的程序: color.rgb2hsv、color.lab2rgb等。检查一下文档字符串了解一下输入图像期望的dtype。


3D 图像

skimage的大多数函数可以接受3D图像作为参数。看一些文档字符串确认一下函数是否可以被用于3D图像(例如MRI或CT图像)。


练习

在硬盘上打开一个颜色图像作为Numpy数组。

找一个图像函数计算图像的直方图,并且打印每个颜色通道的直方图。

将图像转换为灰度图,打印直方图。

3.3.3 图像预处理 / 增强

目的: 降噪、特征 (边缘) 抽取 ...

3.3.3.1 本地过滤器

本地过滤器用一个函数替换像素临近像素的值。这个函数可以是线性或非线性的。

临近: 方块 (选择大小)、磁盘、或更复杂的结构化元素。

In [ ]:
 
In [ ]:
 
In [ ]:
 
In [ ]:
 
In [ ]:
 
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 [ ]:
 
In [ ]:
 
In [ ]:
 
In [ ]:
 
In [ ]:
 
In [ ]:
 
In [ ]:
 
In [ ]:
 
In [ ]:
 
In [ ]:
 
In [ ]:
 
In [ ]:
 
In [ ]:
3.3.1. Introduction and concepts

Images are NumPys arrays np.ndarray
In [ ]:
 
In [ ]:
 
In [ ]: