API منبع باز Python برای تصاویر

شروع کار با Sikit-Image

روش توصیه شده برای نصب Sikit-Image از طریق Pip است. لطفا از دستور زیر برای نصب Sikit-Image استفاده کنید.

pip install scikit-image

کانال های نوردهی و رنگی را از طریق پایتون دستکاری کنید

Sikit-Image API اجازه می دهد تا رنگ و نوردهی تصاویر را به صورت برنامه ریزی شده دستکاری کنید. می توانید تصویر RGB را به یک تصویر در مقیاس خاکستری یا تصویر HSV تبدیل کنید. می‌توانید روی تطبیق هیستوگرام، جداسازی رنگ‌های رنگ‌آمیزی ایمونوهیستوشیمیایی، رنگ‌آمیزی تصاویر در مقیاس خاکستری، تساوی هیستوگرام، تنظیم کنتراست گاما و لاگ، فیلتر کردن حداکثرهای منطقه‌ای و تطبیق فیلترهای مقیاس خاکستری با تصاویر RGB کار کنید.

تبدیل‌های هندسی با استفاده از API رایگان پایتون

Sikit-Image API اجازه می دهد تا رنگ و نوردهی تصاویر را به صورت برنامه ریزی شده دستکاری کنید. می توانید یک تصویر RGB را به یک تصویر در مقیاس خاکستری یا تصویر HSV تبدیل کنید. می‌توانید روی تطبیق هیستوگرام، جداسازی رنگ‌های رنگ‌آمیزی ایمونوهیستوشیمیایی، رنگ‌آمیزی تصاویر در مقیاس خاکستری، تساوی هیستوگرام، تنظیم کنتراست گاما و لاگ، فیلتر کردن حداکثرهای منطقه‌ای و تطبیق فیلترهای مقیاس خاکستری با تصاویر RGB کار کنید.

# 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()

فیلتر کردن و بازیابی تصویر از طریق پایتون

کتابخانه Scikit-Image به توسعه دهندگان اجازه می دهد تا تصاویر را به صورت برنامه ریزی شده فیلتر و بازیابی کنند. می‌توانید اشیای کوچک را از تصاویر خاکستری با فیلتر کلاه بالایی حذف کنید، از توابع ویندوز با تصاویر استفاده کنید، از فیلترهای متوسط استفاده کنید، از ماسک کردن واضح، استفاده از دکانولوشن تصویر و موارد دیگر استفاده کنید.

# 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()