1. Məhsullar
  2.   Şəkil
  3.   Python
  4.   Sikit Image
 
  

Şəkillər üçün Açıq Mənbə Python API

Python API vasitəsilə şəkillərin Elmi Şəkil Analizi, Filtrlənməsi və Bərpası.

Sikit-Image təsvirin işlənməsi üçün açıq mənbəli Python API-dir. API, Python-da təsvirlərin işlənməsi üçün geniş spektri təmin edir. API-dən istifadə edərək, siz xüsusi, elmi və ümumi təyinatlı şəkillərdən məlumat çıxara, təsvirin manipulyasiyası üçün NumPy əməliyyatlarından istifadə edə, struktur elementləri yarada, şəkillərə baxışları bloklaya, ekspozisiya və rəng kanallarını manipulyasiya edə, kənarları və xətləri idarə edə və həndəsi transformasiyalar həyata keçirə bilərsiniz.

Bundan əlavə, API şəkillərin filtrlənməsinə və bərpasına imkan verir. Siz boz rəngli şəkillərdə kiçik ölçülü obyektləri silə, orta filtrlərdən istifadə edə, maskalanma və s. Təkcə bu deyil, API şəkillərlə işləmək üçün daha çox funksiyaya imkan verir.

Previous Next

Sikit-Image ilə işə başlamaq

Sikit-Image quraşdırmanın tövsiyə olunan yolu Pip vasitəsilədir. Sikit-Image-i quraşdırmaq üçün aşağıdakı əmrdən istifadə edin.

Pip vasitəsilə Sikit-Image quraşdırın

pip install scikit-image

Python vasitəsilə Ekspozisiya və Rəng Kanallarını idarə edin

Sikit-Image API proqramlı şəkildə şəkillərin rəngini və ekspozisiyasını manipulyasiya etməyə imkan verir. Siz RGB Şəklini boz miqyaslı şəkilə və ya HSV şəklinə çevirə bilərsiniz. Siz histoqram uyğunluğu, immunohistokimyəvi rənglərin ayrılması, boz miqyaslı şəkillərin rənglənməsi, histoqramın bərabərləşdirilməsi, qamma və log kontrastının tənzimlənməsi, regional maksimumların filtrasiyası və boz miqyaslı filtrlərin RGB şəkillərinə uyğunlaşdırılması üzərində işləyə bilərsiniz.

Pulsuz Python API istifadə edərək həndəsi transformasiyalar

Sikit-Image API proqramlı şəkildə şəkillərin rəngini və ifşasını manipulyasiya etməyə imkan verir. Siz RGB Şəkilini boz miqyaslı şəkilə və ya HSV şəklinə çevirə bilərsiniz. Siz histoqram uyğunluğu, immunohistokimyəvi rənglərin ayrılması, boz miqyaslı şəkillərin rənglənməsi, histoqramın bərabərləşdirilməsi, qamma və log kontrastının tənzimlənməsi, regional maksimumların filtrasiyası və boz miqyaslı filtrlərin RGB şəkillərinə uyğunlaşdırılması üzərində işləyə bilərsiniz.

Python vasitəsilə həndəsi çevrilmələri həyata keçirin

# First we create a transformation using explicit parameters:
tform = transform.SimilarityTransform(scale=1, rotation=math.pi/2,
                                      translation=(0, 1))
print(tform.params)
# Alternatively you can define a transformation by the transformation matrix itself:
matrix = tform.params.copy()
matrix[1, 2] = 2
tform2 = transform.SimilarityTransform(matrix)
# apply forward & inverse coordinate transformations b/t the source & destination coordinate systems:
coord = [1, 0]
print(tform2(coord))
print(tform2.inverse(tform(coord)))
# Geometric transformations  to warp images:
text = data.text()
tform = transform.SimilarityTransform(scale=1, rotation=math.pi/4,
                                      translation=(text.shape[0]/2, -100))
rotated = transform.warp(text, tform)
back_rotated = transform.warp(rotated, tform.inverse)
fig, ax = plt.subplots(nrows=3)
ax[0].imshow(text, cmap=plt.cm.gray)
ax[1].imshow(rotated, cmap=plt.cm.gray)
ax[2].imshow(back_rotated, cmap=plt.cm.gray)
for a in ax:
    a.axis('off')
plt.tight_layout()

Python vasitəsilə Şəkillərin Filtrlənməsi və Bərpası

Scikit-Image kitabxanası tərtibatçılara şəkilləri proqramlı şəkildə filtrləməyə və bərpa etməyə imkan verir. Siz üst papaq filtri ilə boz rəngli şəkillərdən kiçik obyektləri silə, şəkillərlə Windows funksiyalarından istifadə edə, orta filtrlərdən istifadə edə, kəskin maskalanmadan istifadə edə, təsvirin dekonvolyusiyasından istifadə edə bilərsiniz və s.

Python vasitəsilə Şəkil Filtrləmə həyata keçirin

# Let us load an image available through scikit-image’s data registry.
image = data.astronaut()
image = color.rgb2gray(image)
# Let us blur this image with a series of uniform filters of increasing size.
blurred_images = [ndi.uniform_filter(image, size=k) for k in range(2, 32, 2)]
img_stack = np.stack(blurred_images)
fig = px.imshow(
    img_stack,
    animation_frame=0,
    binary_string=True,
    labels={'animation_frame': 'blur strength ~'}
)
plotly.io.show(fig)
# Plot blur metric
B = pd.DataFrame(
    data=np.zeros((len(blurred_images), 3)),
    columns=['h_size = 3', 'h_size = 11', 'h_size = 30']
)
for ind, im in enumerate(blurred_images):
    B.loc[ind, 'h_size = 3'] = measure.blur_effect(im, h_size=3)
    B.loc[ind, 'h_size = 11'] = measure.blur_effect(im, h_size=11)
    B.loc[ind, 'h_size = 30'] = measure.blur_effect(im, h_size=30)
B.plot().set(xlabel='blur strength (half the size of uniform filter)',
             ylabel='blur metric');
plt.show()
 Azəri