图像处理中媲美matlab的python包——scikit-image（skimage）包的用法详解

骑猪看日落 2022-05-26 08:11 625阅读 0赞

## 前言： ##

基于python的图片处理包还是很多的，比如PIL,Pillow, opencv, scikit-image等。其中，PIL和Pillow只提供最基础的数字图像处理，功能有限；opencv本质上是一个c++库，只是提供了python的接口，官方更新速度非常慢，而且安装很不容易。综合来看，scikit-image是基于scipy的一款图像处理包，它功能非常齐全，同时将图片作为numpy数组进行处理，几乎集合了matlab的所有图像处理功能，在数据的处理方式，函数名字等方面对matlab的模仿姿势非常到位。

更为重要的是，作为python的一个图像处理包，这个包是完全开源免费的，而且可以依托于python强大的功能，与tensorflow等软件配合使用于主流的深度学习等领域。因此，用scikit-image进行图像处理是一个非常好的选择，matlab能干的事情它都能干，matlab不能干的事情他也可以，个人认为在数字图像处理领域，它是完全可以代替matlab的。价格昂贵且界面并不怎么美观的matlab简直要哭晕在厕所。

当然，如果有一定的编程基础，学习这个包最好的方法是去看官方文档，[scikit-image官方文档][scikit-image]，对于初学者来说，可以先看以下通俗版的介绍入门。

## 一、安装。 ##

这个包使用pip安装会报错，推荐使用离线安装，具体安装方法参见：[windows下python3安装cv2，skimage(scikit-image)模块的方法][windows_python3_cv2_skimage_scikit-image]

## 二、导入scikit-image包 ##

这个包有非常多的子模块，分别负责不同的功能，所以在导入的时候，对于不同的功能可以分别导入不同的模块，各模块的功能如下：

<table> 
 <thead> 
  <tr> 
   <th align="center">子模块名称</th> 
   <th align="center">主要实现功能</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="center">io</td> 
   <td align="center">读取、保存和显示图片或视频</td> 
  </tr> 
  <tr> 
   <td align="center">data</td> 
   <td align="center">提供一些测试图片和样本数据</td> 
  </tr> 
  <tr> 
   <td align="center">color</td> 
   <td align="center">颜色空间变换</td> 
  </tr> 
  <tr> 
   <td align="center">filters</td> 
   <td align="center">图像增强、边缘检测、排序滤波器、自动阈值等</td> 
  </tr> 
  <tr> 
   <td align="center">draw</td> 
   <td align="center">操作于numpy数组上的基本图形绘制，包括线条、矩形、圆和文本等</td> 
  </tr> 
  <tr> 
   <td align="center">transform</td> 
   <td align="center">几何变换或其它变换，如旋转、拉伸和拉东变换等</td> 
  </tr> 
  <tr> 
   <td align="center">morphology</td> 
   <td align="center">形态学操作，如开闭运算、骨架提取等</td> 
  </tr> 
  <tr> 
   <td align="center">exposure</td> 
   <td align="center">图片强度调整，如亮度调整、直方图均衡等</td> 
  </tr> 
  <tr> 
   <td align="center">feature</td> 
   <td align="center">特征检测与提取等</td> 
  </tr> 
  <tr> 
   <td align="center">measure</td> 
   <td align="center">图像属性的测量，如相似性或等高线等</td> 
  </tr> 
  <tr> 
   <td align="center">segmentation</td> 
   <td align="center">图像分割</td> 
  </tr> 
  <tr> 
   <td align="center">restoration</td> 
   <td align="center">图像恢复</td> 
  </tr> 
  <tr> 
   <td align="center">util</td> 
   <td align="center">通用函数</td> 
  </tr> 
 </tbody> 
</table>

下边分别叙述

from skimage import 函数名

### 1、读取，显示图像。（用到的模块：io） ###

from skimage import io
    img=io.imread('图片路径',as_grey = bool值)
    io.imshow(img)

其中，as\_grey属性如果是True，则读入彩图之后自动转换成灰度图像，否则读入彩图，默认为False。  
读入图片之后，可以获取图片的各种属性

print(type(img))  #显示类型
    print(img.shape)  #显示尺寸
    print(img.shape[0])  #图片宽度
    print(img.shape[1])  #图片高度
    print(img.shape[2])  #图片通道数
    print(img.size)   #显示总像素个数
    print(img.max())  #最大像素值
    print(img.min())  #最小像素值
    print(img.mean()) #像素平均值

### 2、保存图像 ###

读取时matlab的语法几乎相同，写入图片文件时，将matlab中的`imwrite()`函数改成`imsave()`函数即可。

from skimage import io,data
    img=io.imread('图片路径',as_grey = bool值)#以上的读取图片函数
    io.imshow(img)
    io.imsave('保存路径',img)

保存图片的时候也可以随便保存为不同的格式（jpg，png等）。

***对于二值图像来说，用`io.imsave()`函数直接保存会得到一张黑色的图像，个人觉得是因为保存的时候程序依旧以为图片的数值范围是0~255，需要转换一下数据类型，有知道的更方便的解决办法的可以在评论区交流***

### 3、图像的裁剪，缩放。（用到的模块：transform） ###

#### 1）改变图片尺寸resize ####

同样，提供了`skimage.transform.resize(image, output_shape)`函数，和matlab里重新调整图像大小的语法没有丝毫区别。

image: 需要改变尺寸的图片

output\_shape: 新的图片尺寸

from skimage import transform,io
    import matplotlib.pyplot as plt#用于显示图像
    img=io.imread('图片路径',as_grey = bool值)
    dst=transform.resize(img, (长, 宽))
    plt.figure('resize')
    plt.subplot(121)
    plt.title('before resize')
    plt.imshow(img,plt.cm.gray)
    plt.subplot(122)
    plt.title('before resize')
    plt.imshow(dst,plt.cm.gray)
    plt.show()

可以将图片变成80\*60大小。

### 4、图片的连通域标记与选择（用到的模块：measure） ###

#### 1)获取连通域及其属性 ####

获取图像连通域是图像处理中比较高级的功能，matlab可以通过函数直接获取图像的连通域，在skimage包中，我们同样可以采用measure子模块下的label（）函数来实现相同的效果。

函数格式：

from skimage import measure
    labels = measure.label（二值图像,connectivity=None)

*  connectivity表示连接的模式，1代表4邻接，2代表8邻接。

返回一个与图像同样大小的数组，背景都是0，对于前景的连通域从1开始往上标记。

当然，此时做到的只是对连通域进行标记给人看，如果想分别对每一个连通区域进行操作，比如计算面积、外接矩形、凸包面积等，则需要调用measure子模块的regionprops（）函数。在同上导入measure包之后，该函数格式为：  
`label_att = measure.regionprops(label_image)`  
这样，我们就可以从“label\_att”这个数组里获取图像里任意一个连通域的属性，属性列表如下：

<table> 
 <thead> 
  <tr> 
   <th align="left">属性名称</th> 
   <th align="center">类型</th> 
   <th align="right">描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="left">area</td> 
   <td align="center">int</td> 
   <td align="right">区域内像素点总数</td> 
  </tr> 
  <tr> 
   <td align="left">bbox</td> 
   <td align="center">tuple</td> 
   <td align="right">边界外接框(min_row, min_col, max_row, max_col)</td> 
  </tr> 
  <tr> 
   <td align="left">centroid</td> 
   <td align="center">array</td> 
   <td align="right">质心坐标</td> 
  </tr> 
  <tr> 
   <td align="left">convex_area</td> 
   <td align="center">int</td> 
   <td align="right">凸包内像素点总数</td> 
  </tr> 
  <tr> 
   <td align="left">convex_image</td> 
   <td align="center">ndarray</td> 
   <td align="right">和边界外接框同大小的凸包</td> 
  </tr> 
  <tr> 
   <td align="left">coords</td> 
   <td align="center">ndarray</td> 
   <td align="right">区域内像素点坐标</td> 
  </tr> 
  <tr> 
   <td align="left">Eccentricity</td> 
   <td align="center">float</td> 
   <td align="right">离心率</td> 
  </tr> 
  <tr> 
   <td align="left">equivalent_diameter</td> 
   <td align="center">float</td> 
   <td align="right">和区域面积相同的圆的直径</td> 
  </tr> 
  <tr> 
   <td align="left">euler_number</td> 
   <td align="center">int</td> 
   <td align="right">区域欧拉数</td> 
  </tr> 
  <tr> 
   <td align="left">extent</td> 
   <td align="center">float</td> 
   <td align="right">区域面积和边界外接框面积的比率</td> 
  </tr> 
  <tr> 
   <td align="left">filled_area</td> 
   <td align="center">int</td> 
   <td align="right">区域和外接框之间填充的像素点总数</td> 
  </tr> 
  <tr> 
   <td align="left">perimeter</td> 
   <td align="center">float</td> 
   <td align="right">区域周长</td> 
  </tr> 
  <tr> 
   <td align="left">label</td> 
   <td align="center">int</td> 
   <td align="right">区域标记</td> 
  </tr> 
 </tbody> 
</table>

***这里需要注意的是：measure.label函数获取的连通域背景是0，前景的连通域其实是从1开始计算，而measure.regionprops函数获取的连通域不包含背景，前景的连通域属性就是从0开始的。***  
下面举一个例子：  
随便找一张图片如下：  
![测试图片（彩图）][70]  
运行代码如下：

from skimage import io,filters,measure 
    img = io.imread('test.jpg',as_grey=True) #读取图片
    thresh = filters.threshold_otsu(img)  #用otsu算法确定最佳分割阈值
    bwimg =(img>=(thresh))  #用阈值进行分割，生成二值图像
    labels = measure.label(bwimg)  #标记连通域
    label_att = measure.regionprops(labels) #获取各个连通域的属性。

![labels值][labels]  
![label\_att值][label_att]

可以看到labels找出了5个连通域，而label\_att却只有四个连通域的属性，这是因为不包括背景的连通域的属性。

#### 2）删除小块区域 ####

图片难免会有噪声，在以上获取连通域处理的时候，噪点也会算作是一个很小的连通域，morphology子模块的remove\_small\_objects（)函数提供了方便的噪点去除功能。函数格式（一般与上一个函数连用）：

from skimage import morphology
    img1 = morphology.remove_small_objects(ar, min_size=要删除的连通域大小阈值, connectivity=1,in_place=False)

img1是删除了小于连通域面积阈值的二值图像。  
其中，各参数含义如下：

*  ar: 上边的获取的标记好连通域的数组
 *  connectivity: 邻接模式，1表示4邻接，2表示8邻接
 *  in\_place: bool型值，如果为True,表示直接在输入图像中删除小块区域，否则进行复制后再删除。默认为False.

## 附录： ##

scikit-image这个包对matlab的模仿甚至还体现在很多细节上，比如说，matlab会自带一些图片让用户进行测试，如果我们不想从外部读取图片，就可以直接使用这些示例图片对函数进行测试，scikit-image包同样也有如下功能：  
而且使用方法也很简单：

from skimage import io,data
    img=data.lena()
    io.imshow(img)

<table> 
 <thead> 
  <tr> 
   <th align="left">astronaut</th> 
   <th align="center">宇航员图片</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="left">coffee</td> 
   <td align="center">一杯咖啡图片</td> 
  </tr> 
  <tr> 
   <td align="left">lena</td> 
   <td align="center">lena美女图片</td> 
  </tr> 
  <tr> 
   <td align="left">camera</td> 
   <td align="center">拿相机的人图片</td> 
  </tr> 
  <tr> 
   <td align="left">coins</td> 
   <td align="center">硬币图片</td> 
  </tr> 
  <tr> 
   <td align="left">moon</td> 
   <td align="center">月亮图片</td> 
  </tr> 
  <tr> 
   <td align="left">checkerboard</td> 
   <td align="center">棋盘图片</td> 
  </tr> 
  <tr> 
   <td align="left">horse</td> 
   <td align="center">马图片</td> 
  </tr> 
  <tr> 
   <td align="left">page</td> 
   <td align="center">书页图片</td> 
  </tr> 
  <tr> 
   <td align="left">chelsea</td> 
   <td align="center">小猫图片</td> 
  </tr> 
  <tr> 
   <td align="left">hubble_deep_field</td> 
   <td align="center">星空图片</td> 
  </tr> 
  <tr> 
   <td align="left">text</td> 
   <td align="center">文字图片</td> 
  </tr> 
  <tr> 
   <td align="left">clock</td> 
   <td align="center">时钟图片</td> 
  </tr> 
  <tr> 
   <td align="left">immunohistochemistry</td> 
   <td align="center">结肠图片</td> 
  </tr> 
 </tbody> 
</table>

图片名对应的就是函数名，这些示例图片存放在skimage的安装目录下面，路径名称为data\_dir,也可以将这个路径打印出来：

from skimage import data_dir
    print(data_dir)

### 参考资料： ###

1 . [python数字图像处理（18）：高级形态学处理  
][python_18_]  
2. [python skimage图像处理(一)][python skimage]有一些图片裁剪相关的内容

[scikit-image]: http://scikit-image.org/docs/stable/
[windows_python3_cv2_skimage_scikit-image]: https://mp.csdn.net/postedit/79537785
[70]: /images/20220526/2f412ab60ddd45249f8b93b491cbd323.png
[labels]: /images/20220526/453634ac0dfe46a1a1c1e924a1b19319.png
[label_att]: /images/20220526/fdb6d9af6c0442a0b998a4bf961fd588.png
[python_18_]: http://www.cnblogs.com/denny402/p/5166258.html
[python skimage]: https://www.jianshu.com/p/f2e88197e81d