1. Prodotti
  2.   Immagine
  3.   Python
  4.   Sikit Image
 
  

API Python open source per le immagini

Analisi scientifica delle immagini, filtraggio e ripristino delle immagini tramite Python API.

Sikit-Image è un'API Python open source per l'elaborazione delle immagini. L'API fornisce un'ampia gamma di routine di elaborazione delle immagini in Python. Utilizzando l'API, puoi estrarre dati da immagini specifiche, scientifiche e di uso generale, utilizzare le operazioni NumPy per la manipolazione delle immagini, generare elementi di strutturazione, bloccare viste sulle immagini, manipolare l'esposizione e i canali di colore, gestire bordi e linee ed eseguire trasformazioni geometriche.

Inoltre, l'API consente il filtraggio e il ripristino delle immagini. Puoi rimuovere oggetti in scala ridotta nelle immagini in scala di grigi, utilizzare filtri meschini, mascheratura usharp e altro ancora. Non solo, l'API consente molte più funzionalità per manipolare le immagini.

Previous Next

Iniziare con Sikit-Image

Il modo consigliato per installare Sikit-Image è tramite Pip. Utilizzare il comando seguente per installare Sikit-Image.

Installa Sikit-Image tramite Pip

pip install scikit-image

Manipola esposizione e canali di colore tramite Python

L'API Sikit-Image consente di manipolare il colore e l'esposizione delle immagini in modo programmatico. È possibile convertire un'immagine RGB in un'immagine in scala di grigi o in un'immagine HSV. È possibile lavorare sulla corrispondenza degli istogrammi, sulla separazione dei colori della colorazione immunoistochimica, sulla colorazione delle immagini in scala di grigi, sull'equalizzazione dell'istogramma, sulla regolazione del contrasto gamma e log, sul filtraggio dei massimi regionali e sull'adattamento dei filtri della scala di grigi alle immagini RGB

Trasformazioni geometriche utilizzando l'API Python gratuita

L'API Sikit-Image consente di manipolare il colore e l'esposizione delle immagini in modo programmatico. È possibile convertire un'immagine RGB in un'immagine in scala di grigi o in un'immagine HSV. È possibile lavorare sulla corrispondenza degli istogrammi, sulla separazione dei colori della colorazione immunoistochimica, sulla colorazione delle immagini in scala di grigi, sull'equalizzazione degli istogrammi, sulla regolazione del contrasto gamma e log, sul filtraggio dei massimi regionali e sull'adattamento dei filtri della scala di grigi alle immagini RGB

Eseguire trasformazioni geometriche tramite 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()

Filtraggio e ripristino delle immagini tramite Python

La libreria Scikit-Image consente agli sviluppatori di filtrare e ripristinare le immagini in modo programmatico. È possibile rimuovere piccoli oggetti dalle immagini in scala di grigi con un filtro cappello a cilindro, utilizzare le funzioni di Windows con le immagini, utilizzare filtri meschini, utilizzare il mascheramento di contrasto, utilizzare la deconvoluzione delle immagini e altro ancora.

Eseguire la filtrazione di immagini tramite 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()
 Italiano