图像处理中媲美matlab的python包——scikit-image（skimage）包的用法详解_python scikit-image

前言：

基于python的图片处理包还是很多的，比如PIL,Pillow, opencv, scikit-image等。其中，PIL和Pillow只提供最基础的数字图像处理，功能有限；opencv本质上是一个c++库，只是提供了python的接口，官方更新速度非常慢，而且安装很不容易。综合来看，scikit-image是基于scipy的一款图像处理包，它功能非常齐全，同时将图片作为numpy数组进行处理，几乎集合了matlab的所有图像处理功能，在数据的处理方式，函数名字等方面对matlab的模仿姿势非常到位。

更为重要的是，作为python的一个图像处理包，这个包是完全开源免费的，而且可以依托于python强大的功能，与tensorflow等软件配合使用于主流的深度学习等领域。因此，用scikit-image进行图像处理是一个非常好的选择，matlab能干的事情它都能干，matlab不能干的事情他也可以，个人认为在数字图像处理领域，它是完全可以代替matlab的。价格昂贵且界面并不怎么美观的matlab简直要哭晕在厕所。

当然，如果有一定的编程基础，学习这个包最好的方法是去看官方文档，scikit-image官方文档，对于初学者来说，可以先看以下通俗版的介绍入门。

一、安装。

这个包使用pip安装会报错，推荐使用离线安装，具体安装方法参见：windows下python3安装cv2，skimage(scikit-image)模块的方法

二、导入scikit-image包

这个包有非常多的子模块，分别负责不同的功能，所以在导入的时候，对于不同的功能可以分别导入不同的模块，各模块的功能如下：

下面分别描述：
from skimage import 函数名

1、读取，显示图像。（用到的模块：io）

from skimage import io
img=io.imread(‘图片路径’,as_grey = bool值)
io.imshow(img)
其中，as_grey属性如果是True，则读入彩图之后自动转换成灰度图像，否则读入彩图，默认为False。
读入图片之后，可以获取图片的各种属性

print(type(img)) #显示类型
print(img.shape) #显示尺寸
print(img.shape[0]) #图片宽度
print(img.shape[1]) #图片高度
print(img.shape[2]) #图片通道数
print(img.size) #显示总像素个数
print(img.max()) #最大像素值
print(img.min()) #最小像素值
print(img.mean()) #像素平均值

2、保存图像

读取时matlab的语法几乎相同，写入图片文件时，将matlab中的imwrite()函数改成imsave()函数即可。

from skimage import io,data
img=io.imread(‘图片路径’,as_grey = bool值)#以上的读取图片函数
io.imshow(img)
io.imsave(‘保存路径’,img)

保存图片的时候也可以随便保存为不同的格式（jpg，png等）。

对于二值图像来说，用io.imsave()函数直接保存会得到一张黑色的图像，个人觉得是因为保存的时候程序依旧以为图片的数值范围是0~255，需要转换一下数据类型，有知道的更方便的解决办法的可以在评论区交流

3、图像的裁剪，缩放。（用到的模块：transform）

1）改变图片尺寸resize

同样，提供了skimage.transform.resize(image, output_shape)函数，和matlab里重新调整图像大小的语法没有丝毫区别。

image: 需要改变尺寸的图片

output_shape: 新的图片尺寸

from skimage import transform,io
import matplotlib.pyplot as plt#用于显示图像
img=io.imread(‘图片路径’,as_grey = bool值)
dst=transform.resize(img, (长, 宽))
plt.figure(‘resize’)
plt.subplot(121)
plt.title(‘before resize’)
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title(‘before resize’)
plt.imshow(dst,plt.cm.gray)
plt.show()

可以将图片变成80*60大小。

4、图片的连通域标记与选择（用到的模块：measure）

1)获取连通域及其属性

获取图像连通域是图像处理中比较高级的功能，matlab可以通过函数直接获取图像的连通域，在skimage包中，我们同样可以采用measure子模块下的label（）函数来实现相同的效果。

函数格式：
from skimage import measure
labels = measure.label（二值图像,connectivity=None)

connectivity表示连接的模式，1代表4邻接，2代表8邻接。

返回一个与图像同样大小的数组，背景都是0，对于前景的连通域从1开始往上标记。

当然，此时做到的只是对连通域进行标记给人看，如果想分别对每一个连通区域进行操作，比如计算面积、外接矩形、凸包面积等，则需要调用measure子模块的regionprops（）函数。在同上导入measure包之后，该函数格式为：
label_att = measure.regionprops(label_image)
这样，我们就可以从“label_att”这个数组里获取图像里任意一个连通域的属性，属性列表如下：

这里需要注意的是：measure.label函数获取的连通域背景是0，前景的连通域其实是从1开始计算，而measure.regionprops函数获取的连通域不包含背景，前景的连通域属性就是从0开始的。
下面举一个例子：
随便找一张图片如下：

运行代码如下：

from skimage import io,filters,measure
img = io.imread(‘test.jpg’,as_grey=True) #读取图片
thresh = filters.threshold_otsu(img) #用otsu算法确定最佳分割阈值
bwimg =(img>=(thresh)) #用阈值进行分割，生成二值图像
labels = measure.label(bwimg) #标记连通域
label_att = measure.regionprops(labels) #获取各个连通域的属性。

可以看到labels找出了5个连通域，而label_att却只有四个连通域的属性，这是因为不包括背景的连通域的属性。

2）删除小块区域

图片难免会有噪声，在以上获取连通域处理的时候，噪点也会算作是一个很小的连通域，morphology子模块的remove_small_objects（)函数提供了方便的噪点去除功能。函数格式（一般与上一个函数连用）：

from skimage import morphology
img1 = morphology.remove_small_objects(ar, min_size=要删除的连通域大小阈值, connectivity=1,in_place=False)12

img1是删除了小于连通域面积阈值的二值图像。
其中，各参数含义如下：

ar: 上边的获取的标记好连通域的数组
connectivity: 邻接模式，1表示4邻接，2表示8邻接
in_place: bool型值，如果为True,表示直接在输入图像中删除小块区域，否则进行复制后再删除。默认为False.

附录：

scikit-image这个包对matlab的模仿甚至还体现在很多细节上，比如说，matlab会自带一些图片让用户进行测试，如果我们不想从外部读取图片，就可以直接使用这些示例图片对函数进行测试，scikit-image包同样也有如下功能：
而且使用方法也很简单：

from skimage import io,data
img=data.lena()
io.imshow(img)

图片名对应的就是函数名，这些示例图片存放在skimage的安装目录下面，路径名称为data_dir,也可以将这个路径打印出来：

from skimage import data_dir
print(data_dir)12

参考资料：

1 . python数字图像处理（18）：高级形态学处理

2. python skimage图像处理(一)有一些图片裁剪相关的内容

---

作者：东写西读1
原文：https://blog.csdn.net/u013044310/article/details/80114689