1. Produkty
  2.   Obraz
  3.   Python
  4.   Sikit Image
 
  

Open Source Python API dla obrazów

Naukowa analiza obrazu, filtrowanie i przywracanie obrazów za pośrednictwem API Pythona.

Sikit-Image to open source'owy interfejs API Pythona do przetwarzania obrazów. API zapewnia szeroki zakres procedur przetwarzania obrazu w Pythonie. Korzystając z interfejsu API, możesz wyodrębnić dane z określonych, naukowych i ogólnych obrazów, użyć operacji NumPy do manipulacji obrazem, generować elementy strukturalne, blokować widoki obrazów, manipulować ekspozycją i kanałami kolorów, zarządzać krawędziami i liniami oraz wykonywać przekształcenia geometryczne.

Ponadto API umożliwia filtrowanie i przywracanie obrazów. Możesz usuwać obiekty o małej skali z obrazów w skali szarości, używać filtrów średnich, maskowania usharp i nie tylko. Nie tylko to, API pozwala na znacznie więcej funkcji do manipulowania obrazami.

Previous Next

Pierwsze kroki z Sikit-Image

Zalecanym sposobem instalacji Sikit-Image jest użycie Pip. Użyj następującego polecenia, aby zainstalować Sikit-Image.

Zainstaluj Sikit-Image przez Pip

pip install scikit-image

Manipuluj kanałami ekspozycji i koloru za pomocą Pythona

Sikit-Image API umożliwia programową manipulację kolorem i ekspozycją obrazów. Możesz konwertować i obraz RGB na obraz w skali szarości lub obraz HSV. Można pracować nad dopasowaniem histogramu, immunohistochemiczną separacją kolorów, barwieniem obrazów w skali szarości, wyrównaniem histogramu, korekcją kontrastu gamma i logarytmicznego, filtrowaniem maksimów regionalnych i dostosowywaniem filtrów skali szarości do obrazów RGB

Transformacje geometryczne przy użyciu darmowego API Pythona

Sikit-Image API umożliwia programową manipulację kolorem i ekspozycją obrazów. Obraz RGB można przekonwertować na obraz w skali szarości lub obraz HSV. Można pracować nad dopasowaniem histogramu, immunohistochemiczną separacją kolorów, barwieniem obrazów w skali szarości, wyrównaniem histogramu, korekcją kontrastu gamma i logarytmicznego, filtrowaniem maksimów regionalnych i dostosowywaniem filtrów skali szarości do obrazów RGB

Wykonywanie transformacji geometrycznych za pomocą Pythona

# 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()

Filtrowanie i przywracanie obrazu za pomocą Pythona

Biblioteka Scikit-Image pozwala programistom na programowe filtrowanie i przywracanie obrazów. Możesz usuwać małe obiekty z obrazów w skali szarości za pomocą filtru w kształcie cylindra, używać funkcji systemu Windows z obrazami, używać filtrów średnich, używać maskowania wyostrzającego, używać dekonwolucji obrazu i nie tylko.

Wykonaj filtrowanie obrazów za pomocą Pythona

# 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()
 Polski