1. Des produits
  2.   Image
  3.   Python
  4.   Sikit Image
 
  

API Python open source pour les images

Analyse de l'image scientifique, filtrage et restauration des images par Python API.

Sikit-Image est une source ouverte Python API pour le traitement des images. Le API fournit un large éventail de routines de traitement d'image à Python. En utilisant les API images, on peut extraire des données d'images spécifiques, scientifiques et générales, utiliser NumPy opérations pour la manipulation de l'image, produire des éléments structurants, manipuler des canaux d'exposition et de couleur, gérer des bords et des lignes géométriques.

De plus, les API permettent le filtrage et la restauration des images. Vous pouvez enlever des objets de petite taille dans des images grises, utiliser des filtres moyens, des masques tranchants et plus. Non seulement ces API éléments permettent de manipuler les images.

Previous Next

Premiers pas avec Sikit-Image

La méthode recommandée pour installer Sikit-Image est via Pip. Veuillez utiliser la commande suivante pour installer Sikit-Image.

Installer Sikit-Image par pipeline

pip install scikit-image

Manipuler les canaux d'exposition et de couleur via Python

Sikit-Image API permet de manipuler la couleur l'exposition des images programmatically.You peut convertir et GB Image en une image grise ou une image SV. Vous pouvez travailler à l'appariement des pictogrammes, à la séparation des couleurs immunohistochimiques, à l'intégration d'images à l'échelle régionale, à l'adaptation des images G

Transformations géométriques à l'aide de l'API Python gratuite

Sikit-Image API permet de manipuler la couleur l'exposition des images de façon programmatique. Vous pouvez convertir une image GB en une image grise ou une image SV. Vous pouvez travailler à l'appariement des pictogrammes, à la séparation des couleurs immunohistochimiques, à l'intégration d'images à l'échelle régionale, à l'adaptation des images G

Effectuer des transformations géométriques 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()

Filtrage et restauration d'images via Python

La bibliothèque permet aux développeurs de filtrer et de restaurer des images programmées. Vous pouvez enlever de petits objets des images grises avec un filtre à chapeau supérieur, utiliser des fenêtres avec des images, utiliser des filtres moyens, utiliser des masques poinçonnés, utiliser une déconvolution d'image et plus.

Filtrage d'image de marque par 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()
 Français