1. Termékek
  2.   Kép
  3.   Python
  4.   Sikit Image
 
  

Nyílt forráskódú Python API for Images

Tudományos képelemzés, képek szűrése és helyreállítása Python API-n keresztül.

A Sikit-Image egy nyílt forráskódú Python API képfeldolgozáshoz. Az API a képfeldolgozási rutinok széles skáláját kínálja a Pythonban. Az API segítségével adatokat nyerhet ki specifikus, tudományos és általános célú képekből, NumPy műveleteket használhat képmanipulációhoz, strukturáló elemeket generálhat, nézeteket blokkolhat a képeken, manipulálhatja az expozíciós és színcsatornákat, kezelheti az éleket és vonalakat, valamint geometriai átalakításokat hajthat végre.

Ezenkívül az API lehetővé teszi a képek szűrését és visszaállítását. Eltávolíthatja a kisméretű objektumokat a szürkeárnyalatos képekről, használhat átlagos szűrőket, éles maszkolást stb. Nem csak ez, az API sokkal több funkciót tesz lehetővé a képek manipulálásához.

Previous Next

A Sikit-Image használatának első lépései

A Sikit-Image telepítésének javasolt módja a Pip. Kérjük, használja a következő parancsot a Sikit-Image telepítéséhez.

Telepítse a Sikit-Image alkalmazást a Pip segítségével

pip install scikit-image

Manipulálja az expozíciós és színcsatornákat Python segítségével

A Sikit-Image API lehetővé teszi a képek színének és megvilágításának programozott manipulálását. Az RGB-képet szürkeárnyalatos vagy HSV-képpé konvertálhatja. Dolgozhat a hisztogram illesztésen, az immunhisztokémiai festési színek szétválasztásán, a szürkeárnyalatos képek színezésén, a hisztogram kiegyenlítésén, a gamma és a log kontraszt beállításán, a regionális maximumok szűrésén és a szürkeárnyalatos szűrők RGB képekhez való igazításán.

Geometriai transzformációk ingyenes Python API használatával

A Sikit-Image API lehetővé teszi a képek színének és megvilágításának programozott kezelését. Az RGB-képet szürkeárnyalatos képpé vagy HSV-képpé konvertálhatja. Dolgozhat a hisztogram illesztésen, az immunhisztokémiai festési színek szétválasztásán, a szürkeárnyalatos képek színezésén, a hisztogram kiegyenlítésén, a gamma és a log kontraszt beállításán, a regionális maximumok szűrésén és a szürkeárnyalatos szűrők RGB képekhez való igazításán.

Végezzen geometriai transzformációkat Python segítségével

# 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()

Képszűrés és visszaállítás Python segítségével

A Scikit-Image könyvtár lehetővé teszi a fejlesztők számára a képek programozott szűrését és visszaállítását. Eltávolíthatja a kis objektumokat a szürkeárnyalatos képekről egy cilinderszűrővel, Windows-funkciókat használhat a képekkel, használhat átlagos szűrőket, életlen maszkolást, képdekonvolúciót stb.

Végezze el a képszűrést Python segítségével

# 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()
 Magyar