用skimage学习数字图像处理（000）：引言-CSDN博客

本文链接：https://blog.csdn.net/ahhjian/article/details/135800819

本文回顾了作者从硕士时期开始的DIP算法开发旅程，介绍了C语言、Matlab和Python在DIP领域的应用，重点阐述了选择skimage而非OpenCV的原因，强调了Python的易用性、扩展性和与科研需求的契合度。

摘要由CSDN通过智能技术生成

（2）OpenCV v.s. scikit-image

0.1 我的DIPer开始之旅

在此，我用DIPer表示从事DIP算法开发的人员，不知道是不是第一次使用。我从1999年读硕士时开始接触图像处理技术的，现在算来，居然有25年了。当时最直接的原因是我硕导的研究方向是图像处理。在研一下学期有一门专业课，名称就是《数字图像处理》，用的是一本薄薄的教材，印刷质量一般，相对于后来经典的 Gonzalez系列DIP教材相比，内容明显单薄，但我们仍然学的很起劲。现在想来，原因主要有两个，一是有用，二是有趣。说“有用”是因为课题组的老师和师兄都是搞DIP的，干课题、写论文都要用到。说“有趣”是相对于当时落后的软硬件条件，记得当时能在屏幕上用C语言程序调用putpixel命令，逐行扫屏显示一幅256灰度级的lena图，那种成就感至今难忘。

写到这儿多说几句。在2000年前后，学术圈里做DIP和CV的人还很少，那是受到数字电视技术的发展需要，大家都热衷于搞图像和视频的编解码，做处理的也主要关注手写体数字/汉字、虹膜、人脸等特定领域，整个DIP/CV领域不像现在这么热，因此学习DIP的门槛也相对较高，相对于周边做其他信号处理和通信的同学相比，心里总有一种莫名的优越感。如果有对上面提到说法有同感的读者，咱们握握手，大家都是同行，且是同龄人。

0.2 DIP开发语言之我所见

（1）C语言

书归正传，下面我结合自己的切身经历，介绍开发DIP算法所用到的编程工具，当然主要集中在学术圈，可能和业界实际情况并不完全相符。据我查到的文献，早期（1980年前后）的DIP开发工具主要是FORTRAN和C，前者在早期科学计算领域赫赫有名，后者我就不说了，地球人都知道。FORTRAN我上大二时专门学过，学了个皮毛，后来也没有使用它真正开发过任何实用的算法。但学习FORTRAN的过程中，让我首次感受到早期高级语言的鲜明特点，语法严谨、格式要求严格，但对初学者不友好，语法繁冗。相对而言，C的优点就太突出了，甚至我是在大四上C语言这门课之前，就将谭老师的经典教材啃了一遍。当时的感觉真的是，学会C就可以走天下了。抱着这样的执念，我上研究生进到实验室分到第一台专属自己使用的计算机后，安装的第一个windows软件就是Visual Studio。那是感觉在计算机旁边在VC6.0的IDE环境下，编写DIP的C/C++代码，简直就是一种享受。

因为有一定的C语言基础，因此在完成研究生专业课《数字图像处理》的课程大作业时，我好不犹豫的选择了VC作为开发工具。记得当时DIP老师并没有限定实现什么算法作为作业，结果周围很多偷懒的同学，不约而同地选择了最简单的反色处理。学过DIP课程的同学，在此会会心地微笑，因为反色处理的代码实现其实就几行，即读取每一个像素点的灰度值 $x$ ，然后用 $255-x$ ，得到其反色值，并扫屏显示。对此，我表示非常不屑，感觉太low了。我记得自己做的是用 $Sobel$ 算子完成的一种图像的边缘检测，编程实现了空域卷积、取绝对值、二值化等过程，最终以二值图像的方式显示处理。现在想来很是简单，但在当时，当将代码和实验结果用古老的针式打印机打出来并提交作业，我内心充满的成就感。

这种对C语言的偏爱，一直持续到我读PhD期间。硕士大论文的代码是用C写的一个车牌识别程序，博士参加的第一个横向课题是在Linux下的视频播放器，具体工作是MPEG-2的转码，也是用C完成的。因此在3年多的时间里，我都将C语言作为开发DIP算法的首选。但在不经意期间，另外一种强大的语言，一步步地渗透到我的DIP学习之旅，它就是大名鼎鼎的Matlab。

（2）Matlab

第一次听说Matlab这个名字，已经是研一了。那时有一门专业必修课《小波变换》，教授一边讲解小波变换的原理，一边用幻灯片（注意，这儿是老式的幻灯机投影的幻灯片，不是现在大家熟知的PPT）在幕布上投影出各种小波基的波形图，以及小波变换的中间变换过程和结果。当时我大屏幕上呈现的波形图感到很好奇，老师是用的什么绘图工具绘制出如此精致的波形图呢？很快就有机会知道答案。

一天，教授安排课后答疑，地点是她的办公室。我们一帮好学的学生都围在老师身旁，目不转睛地盯着她身前的一台电脑。那台小小的14寸Philips CRT显示屏上，正显示出我们上课所见到的那些波形图。我注意到似乎是在某个IDE软件环境下生成的这些波形，就问道：“老师，您用什么绘图软件画出的这些波形呀？”老师笑而不语，默默的关闭了窗口，会到熟悉的Win95桌面，指了指一个对我来说当时从没见过（但在后来相当长的一段时间内又再熟悉不过的）的一个图标，一边单击图标打开软件，一边跟我们解释：“不是绘图软件，是一种科学计算工具，叫Matlab。你们将来都会用到。”这就是我第一次接触Matlab的经历，当时真没想到，这款软件居然会一直伴随我从事教学和科研工作至今，虽然期间经历了几次起伏，但仍无法替代。

Matlab具有强大的科学计算功能，以及强大而便捷的数据图形化显示功能，其全面、庞大而且与时俱进的工具箱（Toolbox），使得它成为诸多工程计算领域首选的开发和仿真工具，DIP领域也不例外。有关Matlab及其配套的图像处理工具箱（Image Processing Toolbox，我简称IPT）的功能介绍和使用说明，相关科技书籍和网络资源无数，不再赘述。一句话，本专栏将来所介绍的各种方法和技术，绝大多是在IPT中找到直接的实现。看到这儿，读者肯定有个疑问，既然Matlab如此彪悍，那你还为何费力的码字来介绍skimage？还有意义吗？答案是肯定的，当然有，而且意义很大。在此就不展开介绍，只简述我认为的原因。

原因有三：一、贵。Matlab是收费的商业软件，虽然我相信绝大多数科研圈里的人员所用的Matlab版本都是经过破解的，但那是个人行为，且使用目的是科研。如果是公司或者科研机构要使用，那就需要购买正版的的。那售价不是一般的贵，且有时人家还不卖，具体原因大家自行百度。二、慢且大。说它慢，主要是相对于C和JAVA开发的DIP算法，Matlab程序执行起来要慢不止一个数量级。与后面介绍的Python相比，也慢不少。说它大，是安装包大，安装后所占用的空间和文件数也十分庞大。从起初一张650M的光盘就能存下整个软件，到现在动辄10G+的安装程序。更不要谈安装完上万个文件，这还是帮助文档变成线上之后的结果。总之在早期，每次安装完Matlab软件，我的C盘容量就告急。三、扩展性差。在此我举两个例子，比如我想为设计好的DIP算法开发一个简单的GUI，或者撰写实时运行笔记。Python有Qt和Jupyter Notebook可以使用，上手方便，功能强大，Matlab有吗？还别说，它真的集成了这些功能，但用过的同仁都知道哪有多不好用。

我对Matlab的态度，经历了好几次转变。经历了从最开始的惊艳、中间的慢慢接受、到完全依赖、再到后期的质疑、嫌弃，最后基本放弃，就像一位青年找女友相类似的历程。在此因牵扯到许多个人隐私问题，不便细说。有关使用Matlab开发DIP算法的讨论，网上的讨论比比皆是，大家有兴趣可自行搜索。

就我而言，我个人建议如果是非电子信息类或者计算机类专业的初学者，编程能力和兴趣不够强，且恰好又用过Matlab，不妨在学习DIP过程中使用Matlab进行辅助学习。反之，如果想起点高一些，或者想将来往更高水平的过度更顺畅一些，那么建议您直接用Python平台吧。相信我，就DIP、CV和AI领域，虽然说Python是第一选择有些绝对，但肯定比Matlab要正确。

（3）Python

终于到了这一部分的主角。有关Python的起源、用途、特点等等，不是我一个外行人所能评价的，在此仅分享一下我从Matlab转到Python的思考。

由于我所从事的教学和科研工作的要求，一方面考虑到给当时的小白们提供一个合适的平台，使其能够迅速了解和验证各种经典的DIP算法，要求门槛不能太高，代码量不能太多，对初学者非常友善；另一方面，从科研角度考虑，希望所使用的平台功能足够强大，有良好的文档支持，更新足够快，扩展性要强，最重要的一点是，最好是与论文作者所发布的代码所用平台一致，拿来就能用。我相信对于上面标红色字体的这一句，在读研究生会深有感触。如果就现在而言，可以说的更直接一些，比如说“原作者在GitHub上发的代码是用什么语言写的，我就学什么”。

其实，对于第一个方面，以及第二个方面的大部分，Matlab都符合，但唯独研究者最看重的可重用性这一点，Python完胜Matlab，原因不过多解释。我就说两点，大家自己体会。一是大家自行查一下Python到目前为止，有多少个扩展包？二是登录GitHub，看一下上面的代码所用语言排第一的是哪一种。搞清楚了上面两件事情，就不难体会我为何推荐Python了，或者说Python是不二选择了。

于是，从大概2016年开始，我就考虑尝试将Python引入到DIP的教学和科研工作中。当时还没有像现在这么多好用的扩展包，甚至OpenCV才刚刚支持Python。但一旦迈出去这一步，就回不了头，因为Python平台多提供的自由发挥的空间实在是太大了，被Matlab约束了十多年，一下子突然重新体验到无比自由的感觉，让我愈陷愈深。相信读者中有超过10年以上DIP教学和科研经历的人，也有和我类似的经历。

看到这儿，有一定DIP学习和开发基础的人会问，为何不介绍OpenCV+Python的组合，而是选择相对冷门的skimage呢？别着急，下一节就回答。

0.3 为什么是skimage？

在DIP的开发工具中，OpenCV的名字赫赫有名，甚至很多人是就是在学习OpenCV过程中，才接触DIP和CV的。那么问题来了，既然OpenCV机会已经是行业内的标杆和首选，为何你还要在此费时费力的介绍另外一个工具包，或者换一种说法，读者自己为什么还要花时间看我写的专栏文章呢？有这个必要吗？

要想完整地回答这个问题，不太容易。如果读者就是一名公司的算法工程师，主要关心如何省时省力的完成老板或者组长交给的DIP算法开发任务，那确实OpenCV是你的首选，而且没有必要再看这个专栏了。

但如果你不满足OpenCV提供的有限的功能，或者你想了解传统DIP领域中的那些经典方法极其实现，更像做一个researcher，而不是一个码农或者Engineer，那么了解一下与OpenCV功能回补的另外一个工具包，岂不是很值得？

当然，如果你是一名在校大学生，或者是研究生在读，那么你更有必要了解并使用更多的Python扩展包，说不定会对你的学术生涯起到意想不到的作用。

（1）PIL和Pillow

好了，闲话说的太多，还是回到对skimage的介绍主题上吧。Python被称为万能胶语言，其最显著的优点之一就是有非常多的第三方扩展库。不要看到第三方的字样，就认为是水货，恰恰相反，很多扩展库在所在领域都是T0般的存在，比如NumPy，再比如SciPy。

在图像处理和计算机视觉领域，研究者开发出的扩展库也不少，比如PIL、Pillow、OpenCV, scikit-image等等。其中，PIL和Pillow出现的最早，但功能也相对有限，只提供最基础的图像处理操作。

PIL（Python Imaging Library），直译为“Python成像库”，它是Python早期御用的图像处理库，但官方只支持到Python 2.7，已经停止更新了。后来有志愿者将其改造升级，支持Python 3.x系列。

以下是对PIL的简要总结，看看就行。

PIL包含基本的图像处理功能，包括像素操作、一套内置空域卷积核、彩色空间转换。
PIL支持图像的基本仿射变换，包括缩放、旋转、任意角度的转换。
PIL支持图像的直方图操作，包括直方图的计算，以及在此基础上实现的对比度增强。

Pillow（PIL fork）是在PIL基础上发展起来的。Pillow 的设计初衷只是想作为 PIL 库的分支和补充，但目前它已经成为了比 PIL 更强大的图像处理库，当然，也仅仅是比PIL强大而已。

Pillow所能实现的功能，与PIL几乎一样，只不过对Python 3.x更佳友好。如果你是在Anaconda平台下使用Python，那么Pillow是自带的。当然，也可以通过命令行代码“pip install pillow”，完成Pillow的安装。详细步骤可参考本专栏的第二篇。

（2）OpenCV v.s. scikit-image

OpenCV在业界赫赫有名，但它实际上是一个C++库，底层函数使用C/C++编写的。它在早期的2.x版本是不支持Python的，后来迫不得已（我主观臆断的）才开始支持Python，但也只是提供了相应的Python接口。因此，严格意义上讲，OpenCV for Python并不是一个真正为Python开发的扩展库。

与之相反，scikit-image不仅是完全用Python语言编写的扩展库，而且它的出身可以用“红二代”来形容。它的父类是大名鼎鼎的SciPy，相信使用过Python做数据处理和科学计算的人，都对这个库名耳熟能详。准确的说，scikit-image是一款建立在SciPy基础之上的专用于图像处理的扩展库，你可以将它视为SciPy的一个子模块，没有任何疑问。

另外，它在处理图像时，将图像数据作为NumPy数组进行处理，得益于NumPy强大的数据处理能力和优化功底，使得scikit-image在一定程度上改善了基于Python语言的DIP算法运行速度慢的不足。

如果将OpenCV和Skimage看作是两个竞争对手，他们相互吹自己的优势的话，可能会有如下场景！