图像处理工具- scikit-image_import scikit-image

scikit-image基本操作

• 图像数据通过ndarray表示
• 图像的像素值通常有以下两种处理范围
  • 1.0-255，0：黑，255：白
  • 2.0-1  ，0：黑，1：白
• skimage支持以上两种像素范围，至于如何选择是根据数组的dtype决定

1.skimage的图像数据

import skimage
import numpy as np
import matplotlib.pyplot as plt
 
# 随机生成500x500的多维数组
random_image = np.random.random([500, 500])
#print(random_image)
plt.imshow(random_image, cmap='gray')
plt.colorbar()

from skimage import data
# 加载skimage中的coin数据
coins = data.coins()
print(type(coins), coins.dtype, coins.shape)
plt.imshow(coins, cmap='gray')
plt.colorbar()

cat = data.chelsea()
print("图片形状:", cat.shape)
print("最小值/最大值:", cat.min(), cat.max())
plt.imshow(cat)
plt.colorbar()
 
图片形状: (300, 451, 3)
最小值/最大值: 0 231

# 在图片上叠加一个红色方块
cat[10:110, 10:110, :] = [255, 0, 0]  # [red, green, blue]
plt.imshow(cat)

2.数据类型和像素值

# 生成0-1间的2500个数据
linear0 = np.linspace(0, 1, 2500).reshape((50, 50))
 
# 生成0-255间的2500个数据
linear1 = np.linspace(0, 255, 2500).reshape((50, 50)).astype(np.uint8)
 
print("Linear0:", linear0.dtype, linear0.min(), linear0.max())
print("Linear1:", linear1.dtype, linear1.min(), linear1.max())
 
fig, (ax0, ax1) = plt.subplots(1, 2)
ax0.imshow(linear0, cmap='gray')
ax1.imshow(linear1, cmap='gray')
answer:
Linear0: float64 0.0 1.0
Linear1: uint8 0 255

• 像素值数据类型转换
  • img_as_float,img_as_ubyte

from skimage import img_as_float, img_as_ubyte
 
image = data.chelsea()
 
image_float = img_as_float(image) # 像素值范围：0-1
image_ubyte = img_as_ubyte(image) # 像素值范围：0-255
 
print("type, min, max:", image_float.dtype, image_float.min(), image_float.max())
print("type, min, max:", image_ubyte.dtype, image_ubyte.min(), image_ubyte.max())
 
print("231/255 =", 231/255.) # 验证0-255 转换到 0-1
answer:
type, min, max: float64 0.0 0.905882352941
type, min, max: uint8 0 231
231/255 = 0.9058823529411765

3.显示图像

• 用过plt.inshow(),可以指定不同的color map

import matplotlib.pyplot as plt
import numpy as np
from skimage import data
 
image = data.camera()
 
fig, (ax_jet, ax_gray) = plt.subplots(ncols=2, figsize=(10, 5))
 
# 使用不同的color map
ax_jet.imshow(image, cmap='jet')
ax_gray.imshow(image, cmap='gray');

# 通过数组切片操作获取人脸区域
face = image[80:160, 200:280]
fig, (ax_jet, ax_gray) = plt.subplots(ncols=2)
ax_jet.imshow(face, cmap='jet')
ax_gray.imshow(face, cmap='gray')

4.图像I/O

• 加载图像，skimage.io.imread()
• 同时加载多个图像 skimage.io.imread_collection()
• 保存.skimage.io.imsave()

from skimage import io
image = io.imread('1.jpg')
 
print(type(image))
plt.imshow(image)

# 同时加载多个图像
ic = io.imread_collection('*.png')
 
print(type(ic), '\n\n', ic)
answer：
<class 'skimage.io.collection.ImageCollection'> 
 
 ['1.png', '2.png', '3.png', '4.png', '5.png
f, axes = plt.subplots(nrows=1, ncols=len(ic), figsize=(15, 10))
for i, image in enumerate(ic):
    axes[i].imshow(image)
    axes[i].axis('off')

# 保存图像
saved_img = ic[0]
io.imsave('./output/python_analysis.png', saved_img)