scikit-image 图像处理

scikit-image 图像处理

一、实验说明

scikit-image 是用于图像处理的 Python 包，使用原生的 NumPy 数组作为图像对象。

本实验译自官方文档 与 这篇笔记

1. 环境登录

无需密码自动登录，系统用户名shiyanlou

2. 环境介绍

本课程实验环境使用Spyder。首先打开terminal，然后输入以下命令：

spyder -w scientific-python-lectures   (-w 参数指定工作目录)

关于Spyder的使用可参考文档：https://pythonhosted.org/spyder/

本实验基本在控制台下进行，可关闭 spyder 中的其余窗口，只保留控制台。如需要调出窗口，可以通过 view->windows and toolbar 调出。比如希望在py文件中编写代码，可以 view->windows and toolbar->Editor 调出编辑器窗口。

二、实验内容

文件输入输出

模块：skimage.io

from skimage import io

读取图像文件（注：读取与保存都是使用外部图形插件，比如 PIL）

filename = os.path.join(skimage.data_dir, 'camera.png')
camera = io.imread(filename)

还可以从 URL 路径读取图片

logo = io.imread('http://labfile.oss.aliyuncs.com/courses/370/ascii_dora.png')

保存文件

io.imsave('local_logo.png', logo)

数据类型

图像数组的数据类型可以是整型或者浮点型的。

要小心处理整型数据溢出的情况

camera = data.camera()
camera.dtype

输出：

dtype('uint8')

输入：

camera_multiply = 3 * camera # 溢出

整型8，16，32位，signed，unsigned都有可能，图片处理前建议先检查数据类型。

浮点型的范围是 [-1, 1]，scikit-image 的一些图像处理的例程处理的是浮点化的图像，所以可能导致输入是整型数组，输出是浮点数组。

from skimage import filter
camera_sobel = filter.sobel(camera)
camera_sobel.max()

输出：

0.8365106670670005

skimage.util 模组帮助进行数据类型的转换，转换函数有 util.img_as_float、util.img_as_ubyte 等。

颜色空间

彩色图形的形状可能是（N,M,3）或者（N,M,4）(4是因为可能多了一个 alpha 透明值)

lena = data.lena()
lena.shape

输出：

(512, 512, 3)

skimage.color模块中 color.rgb2hsv 与 color.lab2rgb 可以完成颜色空间的转换。

图像坐标

因为我们是用 numpy 数组来表现图片，不同于一般笛卡尔坐标的（x，y）,我们使用（row，col）进行定位。彩色图片或者其它多通道图片还会多一个坐标维度 ch。如果是 3d 图片的情况，会多一个平面坐标维度，记作 pln 或者 p。

具体见下表

图像类型	坐标
2D 灰度图	(row, col)
2D 多通道图 （比如RGB）	(row, col, ch)
3D 灰度图	(pln, row, col)
3D 多通道图	(pln, row, col, ch)

几何变换

scikit-image 支持几种基础的几何变换：相似，仿射，投射 与 多项式变换

这里举一个相似变换的例子：

import math
import skimage.transform as tf

text = data.text()

tform = tf.SimilarityTransform(scale=1, rotation=math.pi / 4,
                               translation=(text.shape[0] / 2, -100))

rotated = tf.warp(text, tform)
back_rotated = tf.warp(rotated, tform.inverse)

fig, (ax1, ax2, ax3) = plt.subplots(ncols=3, figsize=(8, 3))
plt.gray()
ax1.imshow(text)
ax1.axis('off')
ax2.imshow(rotated)
ax2.axis('off')
ax3.imshow(back_rotated)
ax3.axis('off')

图像处理

局部过滤

局部过滤对像素操作依据其相邻像素。

提取轮廓的例子：

from skimage import data, filter
import matplotlib.pyplot as plt

text = data.text()
hsobel_text = filter.hsobel(text)

plt.figure(figsize=(12, 3))

plt.subplot(121)
plt.imshow(text, cmap='gray', interpolation='nearest')
plt.axis('off')
plt.subplot(122)
plt.imshow(hsobel_text, cmap='jet', interpolation='nearest')
plt.axis('off')
plt.tight_layout()
plt.show()

非局部过滤

非局部过滤对像素操作依据图像上的大块像素（或是所有像素）

增强对比度的例子：

from skimage import data, exposure
import matplotlib.pyplot as plt

camera = data.camera()
camera_equalized = exposure.equalize(camera) 



plt.figure(figsize=(7, 3))

plt.subplot(121)
plt.imshow(camera, cmap='gray', interpolation='nearest')
plt.axis('off')
plt.subplot(122)
plt.imshow(camera_equalized, cmap='gray', interpolation='nearest')
plt.axis('off')
plt.tight_layout()
plt.show()

图像分割

图像分割（Segmentation）指的是将数字图像细分为多个图像子区域（像素的集合）（也被称作超像素）的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界（线，曲线等）。更精确的，图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。

otsu 阀值法是一个简单的启发式方法可以区分出图像的前景和背景

from skimage import data
from skimage import filter

camera = data.camera()
val = filter.threshold_otsu(camera)
mask = camera < val
io.imshow(mask)

对图像连通的部分加标签

n = 20
l = 256
im = np.zeros((l, l))
points = l*np.random.random((2, n**2))
im[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1
im = ndimage.gaussian_filter(im, sigma=l/(4.*n))
blobs = im > im.mean()

#对连通的部分加标签
all_labels = morphology.label(blobs)
#去掉背景的部分，不为背景加标签
blobs_labels = morphology.label(blobs, background=0)

特征提取

特征提取有以下作用：

• 对图像的部分进行归类（比如归类天空与建筑物）
• 匹配图像中的物品
• 计算机视觉方面的林林总总

使用 Harris 角点检测检测角点的例子。

from skimage import data
from skimage.feature import corner_harris, corner_subpix, corner_peaks
from skimage.transform import warp, AffineTransform


tform = AffineTransform(scale=(1.3, 1.1), rotation=1, shear=0.7,
                        translation=(210, 50))
image = warp(data.checkerboard(), tform.inverse, output_shape=(350, 350))

coords = corner_peaks(corner_harris(image), min_distance=5)
coords_subpix = corner_subpix(image, coords, window_size=13)

plt.gray()
plt.imshow(image, interpolation='nearest')
plt.plot(coords_subpix[:, 1], coords_subpix[:, 0], '+r', markersize=15, mew=5)
plt.plot(coords[:, 1], coords[:, 0], '.b', markersize=7)
plt.axis('off')
plt.show()

延伸阅读

• scikit-image 示例库

License

本作品在 知识共享协议 3.0 下授权发布