1. Producten
  2.   Afbeelding
  3.   Python
  4.   Sikit Image
 
  

Open source Python API voor afbeeldingen

Wetenschappelijke beeldanalyse, filtering en herstel van afbeeldingen via Python API.

Sikit-Image is een open source Python API voor beeldverwerking. De API biedt een breed scala aan beeldverwerkingsroutines in Python. Met behulp van de API kunt u gegevens extraheren uit specifieke, wetenschappelijke en algemene afbeeldingen, NumPy-bewerkingen gebruiken voor beeldmanipulatie, structurerende elementen genereren, weergaven op afbeeldingen blokkeren, belichtings- en kleurkanalen manipuleren, randen en lijnen beheren en geometrische transformaties uitvoeren.

Bovendien maakt de API het filteren en herstellen van afbeeldingen mogelijk. U kunt kleinschalige objecten in grijswaardenafbeeldingen verwijderen, gemene filters, usharp-maskering en meer gebruiken. Niet alleen dit, de API biedt veel meer functies om afbeeldingen te manipuleren.

Previous Next

Aan de slag met Sikit-Image

De aanbevolen manier om Sikit-Image te installeren is via Pip. Gebruik de volgende opdracht om Sikit-Image te installeren.

Sikit-Image installeren via Pip

pip install scikit-image

Belichtings- en kleurkanalen manipuleren via Python

Sikit-Image API maakt het mogelijk om kleur en belichting van afbeeldingen programmatisch te manipuleren. U kunt een RGB-afbeelding converteren naar een grijswaardenafbeelding of HSV-afbeelding. U kunt werken aan het matchen van histogrammen, immunohistochemische kleuring van kleurscheiding, het kleuren van grijsschaalafbeeldingen, histogramegalisatie, gamma- en logcontrastaanpassing, het filteren van regionale maxima en het aanpassen van grijsschaalfilters aan RGB-afbeeldingen

Geometrische transformaties met behulp van gratis Python API

Sikit-Image API maakt het mogelijk om kleur en belichting van afbeeldingen programmatisch te manipuleren. U kunt een RGB-afbeelding converteren naar een grijswaardenafbeelding of HSV-afbeelding. U kunt werken aan het matchen van histogrammen, immunohistochemische kleuring van kleurscheiding, het kleuren van grijsschaalafbeeldingen, histogramegalisatie, gamma- en logcontrastaanpassing, het filteren van regionale maxima en het aanpassen van grijsschaalfilters aan RGB-afbeeldingen

Vertaling:

# 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()

Beeldfiltering en -herstel via Python

Met de Scikit-Image-bibliotheek kunnen ontwikkelaars afbeeldingen programmatisch filteren en herstellen. U kunt kleine objecten uit grijswaardenafbeeldingen verwijderen met een hoge hoedfilter, Windows-functies gebruiken met afbeeldingen, gemiddelde filters gebruiken, onscherp maskeren, afbeelding deconvolutie gebruiken en meer.

Perform Image Filtering 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()
 Dutch