ImagePy——UI界面支持开放插件的Python开源图像处理框架

文末有福利领取哦~

👉一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉二、Python必备开发工具

👉三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉 四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）

👉五、Python练习题

检查学习结果。

👉六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

ImagePy 是一款基于 imagej 等插件的图像处理框架，它可以与 scipy.ndimage、scikit-image、opencv、simpleitk、mayavi 以及任何基于 numpy 的库进行组合使用，其地址为 http://imagepy.org。

简介

ImagePy 是用 python 编写的开源图像处理框架。它的 UI 接口、图像数据结构和表数据结构分别是基于 wxpython、numpy 和 pandas 的。此外，它支持任何基于 numpy 和 pandas 的插件，这些插件可以轻松地在 scipy.ndimage、scikit-image、simpleitk、opencv 和其他图像处理库之间进行通信。

概览，鼠标测量，几何变换，过滤，分割，计数等

如果你更喜欢 IJ 样式，请尝试使用「 Windows -> Windows Style 」来切换

更多Python视频、源码、资料加群683380553免费获取

ImagePy：

• 具有用户友好的界面；
• 可以读取/保存各种格式的图像数据；
• 支持 ROI 设置、绘图、测量和其他鼠标操作；
• 可以执行图像滤波、形态学操作和其他常规操作；
• 可以进行图像分割、区域计数、几何测量和密度分析；
• 能够对从图像中提取的参数进行相关的数据分析、滤波、统计分析等。

这个项目的长期目标是成为 ImageJ 和 SPSS 的联合体。

地址：

https://academic.oup.com/bioinformatics/article-abstract/34/18/3238/4989871?redirectedFrom=fulltext

安装：

支持的系统：带有 python2.7 和 python3 及以上版本的 windows、linux、mac 系统。

1. ImagePy 是一个基于 wxpython 的 ui 框架，它不能在 linux 上用 pip 进行安装。你需要下载和你的 linux 系统相匹配的 whl文件。
2. 因为 ImagePy 会编写一些配置信息，因此，在 linux 和 mac 系统上，可能会存在权限问题，所以请从 sudo 命令开始。如果使用 pip 安装，请按照下面的方法来添加用户参数：pipsinstall–user imagepy。
3. 如果在 anaconda 虚拟环境中安装 ImagePy，那么你可能会遇到这样的错误：这个程序需要屏幕访问权限。请使用 python 构建的框架来运行，并且只有在你已经登录到主显示器上时才这样做，如果遇到这个问题，请从 pythonw-m 镜像开始。

基本操作：

ImagePy 有一组非常丰富的特性，在这里，我们使用一个具体的示例向你展示 ImagePy 的这些特性。我们选择官方使用 scikit-image 来分割硬币的例子，因为这个例子简单而全面。

打开图像

菜单打开：file -> local samples -> coins，来打开 ImagePy 中的示例图像。ps：ImagePy 支持 bmp、jpg、png、gif、tif 和其他常用的文件格式。通过安装 ITK 插件，还可以读取/保存 dicom、nii 和其他格式的医学图像。如果安装了 opencv，还可以读/写 wmv、avi 和其他格式的视频。

硬币

过滤与分割

选择一个复合滤波器对图像进行 sobel 梯度提取，然后使用上下阈值作为标记，最后在梯度图上进行 watersheds 分割。滤波和分割是图像处理工具包中的关键技术，也是最终测量成败的关键。还支持诸如自适应阈值、watersheds 等分割方法。

Up And Down Watershed 分割

掩模

二值化

菜单打开：process -> binary -> binary fill holes

分割后得到的掩模图像比较干净，但仍存在一些空洞和杂质，干扰了计数和测量。ImagePy 支持二进制操作，如腐蚀、膨胀、开环和闭环，以及轮廓提取、中心轴提取和距离转换。

填洞

几何滤波

菜单打开：analysis -> region analysis -> geometry filter

ImagePy 可以根据面积、周长、拓扑、稳定性和离心率等参数进行几何滤波。还可以使用多个条件进行筛选。每个数字可以是正的（或者负的），这表示所保存的对象的相应参数分别大于（或者小于）相对值。保存的对象将被设置为前色，拒绝的对象将被设置为背景色。在这个演示中，背景颜色设置为 100，以便查看有哪些对象被过滤掉了。一旦对结果满意，就将背景色设置为 0。此外，ImagePy 还支持灰度密度滤波、颜色滤波、颜色聚类等功能。

几何滤波

几何分析

菜单打开：process -> region analysis -> geometry analysis count，计算面积并分析参数。通过选择 cov 选项，ImagePy 使用通过协方差计算的椭圆拟合每个区域。这里计算前面步骤中所示的参数，如面积、周长、离心率和稳定性。事实上，前一步的滤波正是对这一步的准备。

几何分析

生成结果表（背景是黑色，以强调椭圆）

按区域对表进行排序

菜单打开：table -> statistic -> table sort by key

选择主键作为区域，并选择 descend，表将按面积的降序排序。表是除了图像之外的另一项重要数据。从某种意义上来说，很多时候我们需要获得图像的相关信息，然后以表的形式对数据进行后续处理。ImagePy 支持表 I/O（xls、xlsx、csv）、过滤、切片、统计分析、排序等等（右键单击列标题来设置文本颜色、小数精度、行样式等）。

表

图表

菜单打开：table -> chart -> hist chart

我们经常需要利用表格数据来绘制一个图表。这里，我们绘制了某个区域和其周边列的直方图。ImagePy 的表可以用于绘制常见的图表，如柱状图、饼图、直方图和散点图（基于 matplotlib）。该图表带有缩放、移动和其他功能，并可以保存为图像。

直方图

3D 表格

菜单打开：kit3d -> viewer 3d -> 2d surface

图像的表面重建。这幅图像显示了三种方式的重建结果，包括：sobel 梯度图、高阈值和低阈值。它显示了 Up And Down Watershed 是如何工作的：

• 计算梯度；
• 通过高低阈值标记硬币和背景；
• 在 dem 图表上模拟上升 water 来形成分割线。

ImagePy 可以完成图像的 3d 滤波、3d 轮廓构建、3d 拓扑分析、2d 表面重建和 3d 表面可视化。3d 视图可以被自由拖动、旋转，其结果可以保存为.stl 文件。

3d 可视化

宏记录和执行

菜单打开：window -> develop tool suite

宏记录器显示在开发工具面板中。我们已经手动完成了一个图像的分割。然而，用这种方式一下子处理超过 10 幅图像是非常乏味的。因此，假设在处理这些问题的时候，这些步骤具有高度的可重复性和健壮性，我们可以记录一个宏，以便将几个处理过程组合成一个单击程序。宏记录器与无线电记录器相似。打开后，它将记录操作的每个步骤。我们可以点击暂停按钮停止录制，也可以点击播放按钮开始录制。当宏运行时，所记录的命令将按照顺序执行，因此它具有简单性和可再现性。

宏被保存到 .mc 文件中。将文件拖放到 ImagePy 底部的状态栏中，宏将自动执行。我们还可以将 .mc 文件复制到 ImagePy 文件目录下的菜单的子菜单中。当启动 ImagePy 时，宏文件将被解析为相应位置的菜单项。通过单击菜单，宏将被执行。

宏记录

Workflow

宏是一系列预定义的命令。通过将一系列固定操作记录到宏中，可以提高工作效率。然而，宏缺乏灵活性。例如，有时主要步骤是固定的，但是参数调优需要人工参与。在这种情况下，workflow 就可以解决这个问题。ImagePy 中的 workflow 是可视化的流程图，分为两个层次：章节和部分。本章对应于 workflow 中的矩形区域，并且该部分是矩形区域中的按钮，也是命令，并附有图形说明。右边的消息窗口将显示相应的功能描述，同时鼠标悬停在上面。单击右上角的“详细文档”，查看整个过程的说明文档。

workflow 实际上是用 MarkDown（一种标记语言）编写的，但是在编写时你需要遵守以下规范：

Title=====

## Chapter1

1. Section1some coment for section1 …

2. …

## Chapter 2

…

workflow

滤波器插件

在最后一节中，我们介绍了宏和 workflow，使用宏和 workflow 连接现有功能很方便。但有时我们需要创建新的特性。在本节中，我们将尝试向 ImagePy 添加一个新特性。ImagePy 可以轻松访问任何基于 numpy 的函数。让我们以 scikit-image 的 canny 操作符为例。

示例代码如下：

from skimage import feature

from imagepy.core.engine import Filter

class Plugin( Filter ):

title = ‘Canny’

note = [ ‘all’ , ‘auto_msk’ , ‘auto_snap’ , ‘preview’ ]

para = { ‘sigma’ : 1.0 , ‘low_threshold’ : 10 , ‘high_threshold’ : 20 }

view = [ ( float , ‘sigma’ , ( 0 , 10 ) , 1 , ‘sigma’ , ‘pix’ ) ,

( ‘slide’ , ‘low_threshold’ , ( 0, 50 ) , 4 , ‘low_threshold’ ) ,

(‘slide’ , ‘high_threshold’ , ( 0 , 50 ) , 4 , ‘high_threshold’ ) ]

def run ( self , ips , snap , img , para = None ) :

return feature.canny (snap , para[ ‘sigma’ ] , para[ ‘low_threshold’ ] ,

para[ ‘high_threshold’ ] , mask = ips.get_msk ) * 255

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

para[ ‘low_threshold’ ] ,

para[ ‘high_threshold’ ] , mask = ips.get_msk ) * 255

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！