1. Produkter
  2.   Billede
  3.   Python
  4.   Sikit Image
 
  

Open Source Python API til billeder

Videnskabelig billedanalyse, filtrering og restaurering af billeder via Python API.

Sikit-Image er en open source Python API til billedbehandling. API'en giver en bred vifte af billedbehandlingsrutiner i Python. Ved hjælp af API'en kan du udtrække data fra specifikke, videnskabelige og generelle billeder, bruge NumPy-operationer til billedmanipulation, generere struktureringselementer, blokere visninger på billeder, manipulere eksponerings- og farvekanaler, administrere kanter og linjer og udføre geometriske transformationer.

Desuden tillader API'et filtrering og gendannelse af billeder. Du kan fjerne småskalaobjekter i gråtonebilleder, bruge rene filtre, usharp maskering og mere. Ikke kun dette, API tillader meget flere funktioner til at manipulere billeder.

Previous Next

Kom godt i gang med Sikit-Image

Den anbefalede måde at installere Sikit-Image på er via Pip. Brug venligst følgende kommando til at installere Sikit-Image.

Installer Sikit-Image via Pip

pip install scikit-image

Manipuler eksponerings- og farvekanaler via Python

Sikit-Image API gør det muligt at manipulere farver og eksponering af billeder programmatisk. Du kan konvertere et RGB-billede til et gråtonebillede eller HSV-billede. Du kan arbejde med histogrammatchning, immunhistokemisk farvningsfarveadskillelse, toning af gråskalabilleder, histogramudligning, gamma- og logkontrastjustering, filtrering af regionale maksima og tilpasning af gråskalafiltre til RGB-billeder

Geometriske transformationer ved hjælp af gratis Python API

Sikit-Image API gør det muligt at manipulere farver og eksponering af billeder programmatisk. Du kan konvertere et RGB-billede til et gråtonebillede eller HSV-billede. Du kan arbejde med histogrammatchning, immunhistokemisk farvningsfarveadskillelse, toning af gråskalabilleder, histogramudligning, gamma- og logkontrastjustering, filtrering af regionale maksima og tilpasning af gråskalafiltre til RGB-billeder

Udfør geometriske transformationer via Python

# 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()

Billedfiltrering og restaurering via Python

Scikit-Image-biblioteket giver udviklere mulighed for at filtrere og gendanne billeder programmatisk. Du kan fjerne små objekter fra gråtonebilleder med et tophat-filter, bruge Windows-funktioner med billeder, bruge middelfiltre, bruge uskarp maskering, bruge billeddekonvolution og mere.

Udfør billedfiltrering via Python

# 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()
 Dansk