本节将简要介绍skimage扩展库，重点介绍各个模块的功能，大家可以将其作为一个手册来查询。这是中篇，主要介绍几个算法类的子库，包括：metrics（评价指标）、transform（几何变换）、exposure（点变换）、filter（滤波）、restoration（复原）、morphology（形态学）等模块，这些内容对应图像处理领域中的底层技术。本篇文档约8000字。
目录
2.3 算法类模块
这类模块是scikit-image的主要组成部分，功能丰富，基本上涵盖了主流的经典DIP算法。
不是很准确的统计，Skimage大约提供有独立函数名的算法超过500+。Skimage更专注于基础的DIP领域，所实现的DIP算法较OpenCV更全面，但在OpenCV擅长的视频处理和3D视觉领域的函数较少。
由于后面的教程基本上都是围绕着各个模块展开的。在此只简要说明各个模块的主要功能，并列举其中最有代表性的若干算法。
2.3.1 metrics模块
在图像处理领域，为了比较同类算法的性能差异，常使用一些性能指标（Matrics）用于衡量处理结果的优劣程度。Skimage库使用metrics模块计算出各种常见的指标值，通过调用这些函数，可以方便地计算各种指标值。
最新版0.24版的metric模块实现了10种量化指标的计算，它们在图像处理领域的各个方面都有广泛的应用。每一种指标的准确定义，及所适用的领域，将在后续的章节中逐一介绍。其中，表中前4个指标值在DIP领域应用十分广泛。
| 序号 | 函数名 | 功能说明 |
|---|---|---|
| 1 | mean_squared_error | 计算两幅图像的均方误差(MSE) |
| 2 | normalized_root_mse | 计算两幅图像的归一化均方根误差(NRMSE) |
| 3 | peak_signal_noise_ratio | 计算一幅图像的峰值信噪比(PSNR) |
| 4 | structural_similarity | 计算两幅图像的结构相似性 (SSIM) |
| 5 | hausdorff_distance | 计算图像内非零点之间的Hausdorff距离 |
| 6 | hausdorff_pair | 返回用于计算Hausdorff距离的图像点对，与上面的5配套使用 |
| 7 | normalized_mutual_information | 计算归一化互信息(NMI)。 |
| 8 | adapted_rand_error | 计算 SNEMI3D 竞赛定义的自适应Rand误差 |
| 9 | contingency_table | 计算列联表 |
| 10 | variation_of_information | 计算对称条件熵 |
2.3.2 util模块
Skimage库中的utility模块提供一些通用处理函数。这些处理方法在图像处理各个领域都可能用到，如图像数据类型的转换等。
与其他模块相比，该模块里面的函数功能关系不密切，最新版本0.24版中该模块含有23个函数，根据功能的相似性，可大致分为以下四类：
- 图像数据类型转换类：常用与图像数据表示的数据类型有：整型（又细分为8位和16位，以及有符号和无符号）、实型（又细分为16位、32位和64位），以及布尔型（即二值），在此模块对应着7个函数：img_as_uint、img_as_ubyte、img_as_int、img_as_float、img_as_float32、img_as_float64、img_as_bool。
- 图像数据操作类：这一类函数是将图像视为一个高维数组数据，然后进行相应的数据操作，总共9个。包括：将图像中的每个维度裁剪指定宽度的数组（crop）、删除图像中数据重复的行（unique_rows）、沿着轴方向切分图像（slice_along_axes）、在数组中并行映射函数（apply_parallel）、返回图像数据类型的最大值和最小值（dtype_limits）、根据标签图像进行数据映射（map_array）、沿着指定间隔搜索点（regular_grid）、返回具有规则间隔的非零像素的图像（egular_seeds）、对scikit图像文档字符串进行关键字搜索并打印结果（lookfor）。
- 图像的特效显示类：为单通道或多通道图像创建蒙太奇（montage）、构建图像的块非重叠视图（view_as_blocks）、构建图像的滚动窗口视图（view_as_windows），总共3个。
- 简单图像操作类：图像反色处理（invert），计算两幅图像的差值图（compare_images），在图像上添加随机噪声（random_noise）、根据模板给图像各像素点指定标签（label_points），总共4个。
上面只是将各个函数的名称进行了翻译，没有给出详细的使用说明和实例。各位可点击上面给出的链接，去官网查看详细的官方文档。后面章节中用到时，会单独介绍各函数的功能。
2.3.3 transform模块
Skimage库中的transform模块主要完成一些与图像变换相关的操作，包括了38个函数（0.24版）。
谈到变换，做信息处理的人一般会想到两层含义。一层是在同一个特征空间中的变换，比如图像的几何变换等；另一层含义是在不同特征空间之间的变换，即从一个特征空间转换到另一个特征空间，如大家熟悉的傅里叶变换、小波变换等。transform模块模块主要完成的第一层含义的变换，即在图像的空间变换。
先看一下官网上对该模块功能的介绍，以下内容是将官网文档直接翻译的结果：
- 几何变换: 完成针对像素点的空间位置变换，包括仿射变换、透视变换等，常用于图像对齐、配准和几何矫正等用途。典型实例：AffineTransform, ProjectiveTransform, EuclideanTransform.
- 调整图像尺寸大小：通过这类变换，可以改变图像的尺寸或分辨率，常用于图像的上采样和下采样处理等用途。典型实例：resize, rescale.
- 特征检测与提取：这类变换完成从图像中提取特定的特征或模式（比如获取直线），常用于对象检测、图像分割和特征匹配等用途。典型实例：hough_circle, pyramid_expand, radon.
- 图像变形：这类变换完成在不改变图像内容的前提下，变换图像的呈现方式，常用于针对图像的马赛克处理、图像的风格转化、数据可视化等。典型实例：warp, iradon.
由于该模块函数较多，受限于版面，在此不在用列表方式给逐一列出。大部分函数将在后续的“图像空间变换”一节中详细介绍。
2.3.4 exposure模块
Skimage库中的skimage.exposure模块的名称有一定歧义。在DIP领域，Exposure通常被译为“曝光”，也可以理解为在成像过程中调整采集设备（比如光学镜头）的光圈大小，进而实现调整曝光度的目的。当然还有另外一种方式，即调整曝光时间的长短。总之，在保证光照条件的前提下，光圈越大，曝光时间越长，得到的图像越明亮；反之亦然。
这一模块中各个算法完成的确实有些类似通过后处理算法，近似实现调整图像曝光度的功能。本模块所涉及的算法，通常可归属到图像空域增强领域中的灰度值变换的内容。
在最新的0.24版本中，该模块只有10个函数，虽然数目不多，但每一个函数都很有用。下面的表格列出了所有10个函数的声明，大家主要关注函数功能介绍一栏。
| 序号 | 函数名 | 功能说明 |
|---|---|---|
| 1 | adjust_gamma | Gamma校正，另外一个名字叫幂次变换 |
| 2 | adjust_log | 对数校正，功能与Gamma校正类似 |
| 3 | adjust_sigmoid | Sigmoid校正，可以看作是一种归一化方法 |
| 4 | is_low_contrast | 判断图像是否是低对比度图像 |
| 5 | rescale_intensity | 对图像的灰度级进行拉伸或放缩处理 |
| 6 | histogram | 计算图像的直方图，可以是灰度图和彩色图像 |
| 7 | cumulative_distribution | 计算图像灰度值的累积分布(cdf)，其实就是累积直方图 |
| 8 | equalize_hist | 完成经典的直方图均衡化算法 |
| 9 | equalize_adapthist | 大名鼎鼎的CLAHE算法，一种自适应直方图均衡方法 |
| 10 | match_histograms | 完成直方图匹配算法，通过直方图均衡来实现 |
（注：为了简化版面，省略了各个函数名之前类名skimage.exposure，使用时应酌情考虑补齐）
相信学过DIP的读者，对上述函数所实现的功能都很熟悉，至于各个函数的详细使用说明以及使用实例，将在后面的章节里详细加以介绍。
2.3.5 filters模块
Skimage库中的filters模块和filters.rank模块完成的是图像的滤波操作，滤波（filtering）是信息处理领域的专业术语，以图像处理领域的滤波操作为例，可以认为它就是一个加工车间，输入的是一幅图像，输出的是另外一幅图像（一般尺寸不变，但通道数、数据类型、特征空间有可能发生改变），从输入到输出的变化，如果能用数学工具进行建模，并用来表示这个变换的话，这个
本身就相当于一个滤波器，这个变换过程就可以理解为滤波处理。不知道这么解释大家是更明白了，还是更糊涂了。如果还想深入了解，建议各位补充《信号与系统》、《数字信号处理》等方面的知识。
回到主题，该模块实现了DIP领域几乎所有的经典滤波算法，不管是线性还是非线性，空域还是变换域。单凭这一点，就不是其他Python图像处理库（如OpenCV）所能比拟的。这两个模块的函数很多，以0.24版本为例，共有78个函数。
先看一下filters模块。根据其功能或工作原理，将其分为几个大类，供大家参考。按照作用特征空间不同，该模块的函数主要分为空域滤波类和频域滤波类。但显然这样的划分方法太笼统了。因此我们将其中占多数的空域滤波方法，进一步按照功能和原理，细分为：空域线性平滑类、空域线性锐化类、空域非线性平滑、空域阈值化类，等等。其中线性/非线性指的它数学形式是否满足线性，平滑/锐化指的是该滤波器的功能。
- 空域线性平滑类：多维高斯滤波器（gaussian）。
- 空域线性锐化类：使用Laplace计算边缘图（laplace）、反锐化遮蔽滤波器（unsharp_mask）使用Roberts算子计算边缘图（3个，roberts, roberts_neg_diag, roberts_pos_diag）、使用Prewitt算子计算边缘图（3个，prewitt, prewitt_h, prewitt_v）、使用Scharr算子计算边缘图（3个，scharr, scharr_h, scharr_v）、使用Sobel算子计算边缘图（3个，sobel, sobel_h, sobel_v）、计算farid变换计算边缘图（3个，farid 、farid_h, farid_v）、差分高斯滤波器（difference_of_gaussians）。
- 空域阈值化类：使用Otsu法计算阈值（threshold_otsu）、使用三角算法计算阈值（threshold_triangle）、使用最小值方法计算阈值（threshold_minimum）、使用均值作为阈值（threshold_mean）、使用ISODATA方法计算阈值（threshold_isodata）、使用Li的迭代最小交叉熵方法计算阈值（threshold_li）、使用Yen的方法计算阈值（threshold_yen）、使用ISODATA方法计算阈值（threshold_isodata）、使用Li的迭代最小交叉熵方法计算阈值（threshold_li）、计算局部阈值（threshold_local）、使用Sauvola局部阈值方法计（threshold_sauvola）、使用Niblack局部阈值方法计（threshold_niblack），等等。
- 空域统计排序类：中值滤波（median）、返回升序排序序号（rank_order）。
- 频域类：最小军方误差逆滤波（即Wiener滤波，wiener）、巴特沃斯滤波器（butterworth）。
由于该模块函数众多，可能有所遗漏，大家还是以官方文档作为最终参考。
除上述滤波器之外，0.24版还专门提供了一个新的滤波器模块filters.rank，里面共有31个函数，各个函数的功能较杂乱。仍然是按照功能进行分类：
- 空域平滑滤波类：计算几何均值类（geometric_mean）、计算较大数值（majority）、计算局部最大值（maximum）、计算几何均值类（geometric_mean）、计算局部均值（mean）、基于双边滤波的计算局部均值（mean_bilateral）、基于百分比的计算局部均值（mean_percentile）、计算局部中值（median）、计算局部最小值（minimum）、计算局部百分比值（percentile）、计算局部最小值（minimum）。
- 空域锐化滤波类：图像对比度增强（enhance_contrast和enhance_contrast_percentile）、使用Roberts算子计算边缘图（）。
- 邻域处理类：计算局部熵（Local entropy和entropy）、计算局部梯度类（gradient和gradient_percentile）、，等等。
- 二值化处理类：基于otsu方法的二值化（otsu ）、获取图像的局部阈值（threshold和threshold_percentile）。
- 直方图类：基于局部直方图的直方图均衡（equalize）、计算滑动窗的归一化直方图（windowed_histogram）。
- skimage.filters.rank.autolevel Auto-level image using local histogram.
skimage.filters.rank.autolevel_percentile Return grayscale local autolevel of an image. - skimage.filters.rank.modal Return local mode of an image.
skimage.filters.rank.noise_filter Noise feature. - skimage.filters.rank.pop Return the local number (population) of pixels.
- skimage.filters.rank.pop_bilateral Return the local number (population) of pixels.
skimage.filters.rank.pop_percentile Return the local number (population) of pixels.
skimage.filters.rank.subtract_mean Return image subtracted from its local mean.
skimage.filters.rank.subtract_mean_percentile Return image subtracted from its local mean.
skimage.filters.rank.sum Return the local sum of pixels.
skimage.filters.rank.sum_bilateral Apply a flat kernel bilateral filter.
skimage.filters.rank.sum_percentile Return the local sum of pixels.
2.3.6 restoration模块
Skimage库中的restoration模块面向图像处理中的复原领域，它内部集成了几种经典的图像复原方法，涉及到去噪、去模糊等典型的图像复原研究领域。图像复原一直是图像处理及计算机视觉的难点问题。有关图像复原的原理、模型以及方法分类，将在后续章节中详细介绍。
相对于其他模块，该模块规模较小，只有17个函数，在此将所有函数的信息列出，供各位查阅浏览。
| 序号 | 函数名称 | 功能说明 |
|---|---|---|
| 1 | denoise_bilateral | 使用双边滤波器去噪 |
| 2 | denoise_nl_means | 使用非局部均值方法(NL-means)去噪 |
| 3 | denoise_wavelet | 使用小波变换方法去在 |
| 4 | denoise_tv_bregman | 使用拆分布雷格曼总变分方法去噪 |
| 5 | denoise_tv_chambolle | 使用Chambolle提出的一种总变分方法去噪 |
| 6 | calibrate_denoiser | 校正去噪函数，并返回最优J不变版本，与7配合使用 |
| 7 | denoise_invariant | 使用一种去噪函数的J不变版本，与6配合使用 |
| 8 | rolling_ball | 通过翻转/平移核来估计背景灰度值 |
| 9 | ellipsoid_kernel | 为rolling_ball方法创建一个椭圆形核，配合8使用 |
| 10 | ball_kernel | 为rolling_ball方法创建一个圆形核，配合8使用 |
| 11 | wiener | 经典的Wiener-Hunt反卷积算法 |
| 12 | unsupervised_wiener | 无监督Wiener-Hunt反卷积算法 |
| 13 | richardson_lucy | 大名鼎鼎的Richardson-Lucy(RL)反卷积算法 |
| 14 | unwrap_phase | 从环绕相位图像中恢复原始图像 |
| 15 | inpaint_biharmonic | 用双调和方程对图像中的掩模点进行修复 |
| 16 | estimate_sigma | 基于小波鲁棒估计高斯噪声标准差 |
| 17 | cycle_spin | 循环平移 |
由上表可见，Skimage提供的复原函数，主要集中在去噪和反卷积两个传统的复原研究领域，相关方法我们将在后续章节中逐一介绍。
另外，0.24版本中还包括一个registration库，该模块主要完成图像/视频数据的“配准”任务。该模块只有三个函数，分别是两种光流场估计算法（optical_flow_ilk和optical_flow_tvl1），以及一种基于互相关的亚像素图像平移配准方法（phase_cross_correlation）。
2.3.7 morphology模块
Skimage库中的morphology模块提供了对图像处理“数学形态学”基本操作和应用的支持，主要针对二值图像的形状分析，部分函数也可直接用于灰度图像。
该模块是Skimage库中一个特色模块，相对于其他常见的Python图像处理库（在此又要提到OpenCV作对比），该模块提供的函数更多，功能更全。可以说是实现基于Python的图像形态学处理首选库，没有之一。
该模块一共提供了49个函数（0.24版）。根据功能不同，大致可分为结构元构建、基本操作和形态学处理三类：
- 结构元构建类：一共有11种，包括：矩形（rectangle）、正方形（square）、碟形/圆形（disk）、菱形（diamond）、椭圆形（ellipse）、八边形（octagon）、星形（star）、立方体（cube）、球体（ball）、八面体（octahedron），自定义结构元（footprint_from_sequence）。其中，前7种是2D结构元，后3种为3D结构元。
- 基本形态学操作类：根据处理的是图像类型不同，进一步细分为三组：
- 二值形态学操作：普通的腐蚀、膨胀、开、闭运算（binary_erosion、binary_dilation、binary_opening、binary_closing）、各向同性的腐蚀、膨胀、开、闭运算（isotropic_erosion、isotropic_dilation、isotropic_opening、isotropic_closing）。
- 灰度形态学操作：灰度图像的腐蚀、膨胀、开、闭运算（erosion、dilation、opening、closing）。
- 二值/灰度图像学操作：直径开/闭运算（diameter_closing、 diameter_opening），以及面积开/闭运算（area_opening、area_closing）。
3. 形态学处理：针对二值图像的细化（thin）、骨架化和3D骨架化（skeletonize/skeletonize3d）、凸集化处理（convex_hull_image/convex_hull_object），以及中轴变换（medial_axis），黑帽/白帽变换（black_tophat、white_tophat）、形态学重建（reconstruction）、去除空洞/小面积区域/特定距离区域（remove_small_holes、remove_small_objects、remove_small_objects_by_distance）、洪水填充（flood和flood_fill）、计算局部最小值/最大值（local_minima/local_maxima）、计算图像(局部)最大树（max_tree/max_tree_local_maxima），标注连通区域（label ），根据特定条件确定对象的最大值（h_maxima /h_minima），在每一维度上的操作（mirror_footprint /pad_footprint）。
不难看出，Skimage提供的形态学处理功能丰富（实际上是功能最多的，比Matlab还多）。有关数学形态学的各种操作和处理的原理和实现过程，将在后续章节中结合实例讲解。
（本节初稿完成日期：2024-01-29，本节修订完成时间：2024-07-23）
（未完待续，欢迎对DIP+python算法开发感兴趣的初学者，尤其是相关专业本科和低年级研究生关注，本专栏完将持续更新，敬请关注）
扫一扫
1910
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
