1. Produkter
  2.   Bild
  3.   Python
  4.   Sikit Image
 
  

Open Source Python API för bilder

Vetenskaplig bildanalys, filtrering och restaurering av bilder via Python API.

Sikit-Image är ett Python API med öppen källkod för bildbehandling. API:et tillhandahåller ett brett utbud av bildbehandlingsrutiner i Python. Med hjälp av API:t kan du extrahera data från specifika, vetenskapliga och generella bilder, använda NumPy-operationer för bildmanipulation, generera strukturelement, blockera vyer på bilder, manipulera exponerings- och färgkanaler, hantera kanter och linjer och utföra geometriska transformationer.

Dessutom tillåter API:et filtrering och återställning av bilder. Du kan ta bort småskaliga objekt i gråskalebilder, använda elaka filter, oskarp maskering och mer. Inte bara detta, API tillåter mycket fler funktioner för att manipulera bilder.

Previous Next

Komma igång med Sikit-Image

Det rekommenderade sättet att installera Sikit-Image är via Pip. Använd följande kommando för att installera Sikit-Image.

Installera Sikit-Image via Pip

pip install scikit-image

Manipulera exponerings- och färgkanaler via Python

Sikit-Image API tillåter manipulering av färg och exponering av bilder programmatiskt. Du kan konvertera och RGB-bild till en gråskalebild eller HSV-bild. Du kan arbeta med histogrammatchning, immunhistokemisk färgseparation, färgning av gråskalebilder, histogramutjämning, justering av gamma- och logkontrast, filtrering av regionala maxima och anpassning av gråskalefilter till RGB-bilder

Geometriska transformationer med gratis Python API

Sikit-Image API tillåter manipulering av färg och exponering av bilder programmatiskt. Du kan konvertera en RGB-bild till en gråskalebild eller HSV-bild. Du kan arbeta med histogrammatchning, immunhistokemisk färgseparation, färgning av gråskalebilder, histogramutjämning, justering av gamma- och logkontrast, filtrering av regionala maxima och anpassning av gråskalefilter till RGB-bilder

Utför geometriska transformationer 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()

Bildfiltrering och restaurering via Python

Scikit-Image-biblioteket låter utvecklare filtrera och återställa bilder programmatiskt. Du kan ta bort små objekt från gråskalebilder med ett topphatfilter, använda Windows-funktioner med bilder, använda elaka filter, använda oskarp maskering, använda bilddekonvolution och mer.

Utför bildfiltrering 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()
 Svenska