当前位置： 首页 > news >正文

python的scikit-image库的功能介绍（亲测）

news 2025/10/18 6:58:49

scikit-image库与numpy、scipy、Matplotlib形成一个分析闭合！

如何导入库：

pip install scikit-image -i https://mirrors.aliyun.com/pypi/simple/

主要功能模块：

模块主要功能
skimage.io图像读取和保存
skimage.color颜色空间转换
skimage.transform几何变换、缩放、旋转
skimage.filters各种滤波器和边缘检测
skimage.morphology形态学操作
skimage.feature特征检测和提取
skimage.segmentation图像分割算法
skimage.measure图像测量和分析
skimage.exposure图像对比度和直方图处理
skimage.restoration图像去噪和修复
skimage.util实用工具函数

对功能分别测试：

1、基本图像操作

报错：

from ipykernel.comm import Comm
ModuleNotFoundError: No module named 'ipykernel'

解决办法：

import matplotlib
matplotlib.use('TkAgg')
import matplotlib.pyplot as plt
import skimage
from skimage import io, color, exposure
import matplotlib
matplotlib.use('TkAgg')
import matplotlib.pyplot as plt
import numpy as np
def demo01():# 读取和显示图像image = io.imread(r"E:\开发工具\pythonProject\MOEExpert\folderImage\123.png")  # 读取图像print(f"图像形状: {image.shape}")  # (高度, 宽度, 通道)print(f"数据类型: {image.dtype}")  # uint8# 显示图像plt.figure(figsize=(10, 8))plt.subplot(2, 3, 1)plt.imshow(image)plt.title('原始图像')plt.axis('off')# 转换为灰度图gray_image = color.rgb2gray(image)plt.subplot(2, 3, 2)plt.imshow(gray_image, cmap='gray')plt.title('灰度图像')plt.axis('off')plt.show()if __name__ == "__main__":demo01()

效果：

2、颜色空间转换

from skimage import transform, filters
def test02():image = io.imread(r"E:\开发工具\pythonProject\MOEExpert\folderImage\123.png")  # 读取图像# 1. 调整大小resized = transform.resize(image, (200, 300))  # 调整到 200x300# 2. 旋转rotated = transform.rotate(image, 45)  # 旋转45度# 3. 颜色空间转换hsv_image = color.rgb2hsv(image)  # RGB -> HSVlab_image = color.rgb2lab(image)  # RGB -> Labyuv_image = color.rgb2yuv(image)  # RGB -> YUV# 显示变换结果plt.subplot(2, 3, 3)plt.imshow(rotated)plt.title('旋转45度')plt.axis('off')plt.show()if __name__ == "__main__":test02()

3、图像滤波和图像增强

def test03():from skimage import filters, exposure, restoration, ioimport matplotlib.pyplot as pltimport numpy as npimage = io.imread(r"E:\开发工具\pythonProject\MOEExpert\folderImage\123.png")  # 读取图像# 创建图形窗口plt.figure(figsize=(15, 10))# 原始图像plt.subplot(2, 4, 1)plt.imshow(image)plt.title('原始图像')plt.axis('off')# 1. 高斯滤波gaussian_filtered = filters.gaussian(image, sigma=1, channel_axis=-1)plt.subplot(2, 4, 2)plt.imshow(gaussian_filtered)plt.title('高斯滤波')plt.axis('off')# 2. 中值滤波 - 修复版本：分别处理每个通道if len(image.shape) == 3:  # 彩色图像median_filtered = np.zeros_like(image)for channel in range(image.shape[2]):median_filtered[:, :, channel] = filters.median(image[:, :, channel], disk(3))else:  # 灰度图像median_filtered = filters.median(image, disk(3))plt.subplot(2, 4, 3)plt.imshow(median_filtered)plt.title('中值滤波')plt.axis('off')# 3. Sobel边缘检测 - 需要在灰度图像上进行if len(image.shape) == 3:gray_image = color.rgb2gray(image)else:gray_image = imageedges = filters.sobel(gray_image)plt.subplot(2, 4, 4)plt.imshow(edges, cmap='gray')plt.title('Sobel边缘检测')plt.axis('off')# 4. 直方图均衡化 - 需要在灰度图像上进行if len(image.shape) == 3:equalized = exposure.equalize_hist(gray_image)else:equalized = exposure.equalize_hist(image)plt.subplot(2, 4, 5)plt.imshow(equalized, cmap='gray')plt.title('直方图均衡化')plt.axis('off')# 5. 对比度拉伸if len(image.shape) == 3:# 对每个通道分别进行对比度拉伸contrast_stretched = np.zeros_like(image, dtype=np.float64)for channel in range(image.shape[2]):p2, p98 = np.percentile(image[:, :, channel], (2, 98))contrast_stretched[:, :, channel] = exposure.rescale_intensity(image[:, :, channel], in_range=(p2, p98))else:p2, p98 = np.percentile(image, (2, 98))contrast_stretched = exposure.rescale_intensity(image, in_range=(p2, p98))plt.subplot(2, 4, 6)plt.imshow(contrast_stretched)plt.title('对比度拉伸')plt.axis('off')# 6. 去噪denoised = restoration.denoise_tv_chambolle(image, weight=0.1, channel_axis=-1)plt.subplot(2, 4, 7)plt.imshow(denoised)plt.title('TV去噪')plt.axis('off')plt.tight_layout()plt.show()if __name__ == "__main__":test03()

效果：

4、形态学测试

形态学解释：

图像处理中的数学形态学

这是一个相对现代的领域，主要用于数字图像处理和计算机视觉。

它提供了一系列基于集合论、格论和拓扑学的工具，用来分析和处理图像的几何结构。

  • 核心操作：使用一个叫做“结构元素”的小模板在图像上移动，进行探测。

    • 腐蚀：使图像中明亮的区域缩小，可以用来消除小点或毛刺。

    • 膨胀：使图像中明亮的区域扩大，可以用来连接相邻的物体或填补空洞。

    • 开运算：先腐蚀后膨胀，用于消除小物体、平滑边界，同时不明显改变面积。

    • 闭运算：先膨胀后腐蚀，用于填充小洞、连接邻近物体，同时不明显改变面积。

  • 应用：图像去噪、边界检测、骨架提取、物体分割等。

数学形态学关心的是图像中物体的“形状和结构”，并对其进行操作和优化。

def test04():from skimage import morphology, io, colorfrom skimage.morphology import erosion, dilation, opening, closing, diskimport matplotlib.pyplot as pltimport numpy as np# 读取图像image = io.imread(r"E:\开发工具\pythonProject\MOEExpert\folderImage\123.png")# 转换为灰度图像if len(image.shape) == 3:gray_image = color.rgb2gray(image)else:gray_image = image# 创建二值图像用于演示# 使用Otsu阈值法自动确定最佳阈值from skimage.filters import threshold_otsuthresh = threshold_otsu(gray_image)binary_image = gray_image > thresh# 结构元素selem = disk(3)# 1. 腐蚀和膨胀eroded = erosion(binary_image, selem)dilated = dilation(binary_image, selem)# 2. 开运算和闭运算opened = opening(binary_image, selem)closed = closing(binary_image, selem)# 3. 骨架化skeleton = morphology.skeletonize(binary_image)# 显示形态学操作结果fig, axes = plt.subplots(2, 4, figsize=(15, 8))# 原始图像和灰度图像axes[0, 0].imshow(image)axes[0, 0].set_title('原始图像')axes[0, 0].axis('off')axes[0, 1].imshow(gray_image, cmap='gray')axes[0, 1].set_title('灰度图像')axes[0, 1].axis('off')# 二值图像和形态学操作结果titles = ['二值图像', '腐蚀', '膨胀', '开运算', '闭运算', '骨架化']images = [binary_image, eroded, dilated, opened, closed, skeleton]for i, (ax, img, title) in enumerate(zip(axes.flat[2:], images, titles)):ax.imshow(img, cmap='gray')ax.set_title(title)ax.axis('off')plt.tight_layout()plt.show()if __name__ == "__main__":test04()

效果：

五、特征检测

def test05():from skimage import feature, measure, color, ioimport matplotlib.pyplot as pltimport numpy as np# 读取图像image = io.imread(r"E:\开发工具\pythonProject\MOEExpert\folderImage\123.png")# 检查图像维度并转换为灰度图print(f"图像维度: {image.shape}")print(f"图像数据类型: {image.dtype}")# 如果图像是彩色的（3维），转换为灰度图if len(image.shape) == 3:gray_image = color.rgb2gray(image)else:gray_image = imageprint(f"转换后维度: {gray_image.shape}")# 确保图像是二维的if len(gray_image.shape) != 2:raise ValueError("图像无法转换为二维灰度图")# 1. Canny边缘检测canny_edges = feature.canny(gray_image, sigma=2)# 2. Harris角点检测from skimage.feature import corner_harris, corner_peakscoords = corner_peaks(corner_harris(gray_image), min_distance=5, threshold_rel=0.02)# 3. ORB特征检测from skimage.feature import ORBorb = ORB(n_keypoints=100)orb.detect_and_extract(gray_image)keypoints = orb.keypointsdescriptors = orb.descriptors# 4. Blob检测from skimage.feature import blob_logblobs_log = blob_log(gray_image, max_sigma=30, num_sigma=10, threshold=.1)# 计算blob的半径（对于LOG检测器）blobs_log[:, 2] = blobs_log[:, 2] * np.sqrt(2)# 显示特征检测结果plt.figure(figsize=(15, 5))plt.subplot(1, 3, 1)plt.imshow(canny_edges, cmap='gray')plt.title('Canny边缘检测')plt.axis('off')plt.subplot(1, 3, 2)plt.imshow(gray_image, cmap='gray')plt.plot(coords[:, 1], coords[:, 0], 'r+', markersize=10)plt.title('Harris角点检测')plt.axis('off')plt.subplot(1, 3, 3)plt.imshow(gray_image, cmap='gray')for blob in blobs_log:y, x, r = blobc = plt.Circle((x, y), r, color='red', linewidth=2, fill=False)plt.gca().add_patch(c)plt.title('Blob检测')plt.axis('off')plt.tight_layout()plt.show()if __name__ == "__main__":test05()

效果：

六：图像分割

def test06():from skimage import segmentationfrom skimage.graph import route_through_arrayfrom skimage.segmentation import slic, felzenszwalbimage = io.imread(r"E:\开发工具\pythonProject\MOEExpert\folderImage\123.png")# 1. SLIC超像素分割segments_slic = slic(image, n_segments=100, compactness=10, sigma=1)# 2. Felzenszwalb分割segments_fz = felzenszwalb(image, scale=100, sigma=0.5, min_size=50)# 3. 分水岭算法from skimage.segmentation import watershedfrom scipy import ndimage as ndi# 使用梯度作为分水岭输入gradient = filters.sobel(image)segments_watershed = watershed(gradient, markers=50, compactness=0.001)# 显示分割结果fig, axes = plt.subplots(2, 2, figsize=(12, 10))axes[0, 0].imshow(image)axes[0, 0].set_title('原始图像')axes[0, 0].axis('off')axes[0, 1].imshow(segmentation.mark_boundaries(image, segments_slic))axes[0, 1].set_title('SLIC超像素分割')axes[0, 1].axis('off')axes[1, 0].imshow(segmentation.mark_boundaries(image, segments_fz))axes[1, 0].set_title('Felzenszwalb分割')axes[1, 0].axis('off')axes[1, 1].imshow(segments_watershed, cmap='nipy_spectral')axes[1, 1].set_title('分水岭分割')axes[1, 1].axis('off')plt.tight_layout()plt.show()if __name__ == "__main__":test06()

效果图：

7、实用工具函数

def test07():from skimage import util, draw, io, colorimport matplotlib.pyplot as pltimport numpy as np# 首先读取图像try:# 读取图像文件image_path = r"E:\开发工具\pythonProject\MOEExpert\folderImage\123.png"image = io.imread(image_path)# 确保图像是合适的格式if len(image.shape) == 3:# 如果是彩色图像，可以选择转换为灰度或保持彩色# 这里我们保持彩色用于显示，但某些操作可能需要灰度passprint(f"图像形状: {image.shape}")print(f"图像数据类型: {image.dtype}")except Exception as e:print(f"读取图像失败: {e}")return# 1. 数据类型转换image_float = util.img_as_float(image)  # 转换为float [0, 1]image_uint = util.img_as_uint(image_float)  # 转换为uint16# 2. 添加噪声noisy = util.random_noise(image, mode='gaussian', var=0.01)# 3. 裁剪和填充from skimage.transform import resize, rescale# 确保裁剪范围在图像尺寸内height, width = image.shape[0], image.shape[1]start_row, end_row = max(0, 50), min(height, 150)start_col, end_col = max(0, 50), min(width, 200)cropped = image[start_row:end_row, start_col:end_col]  # 裁剪# 4. 绘制几何形状canvas = np.zeros((300, 300, 3), dtype=np.uint8)rr, cc = draw.disk((150, 150), 50)  # 绘制圆形canvas[rr, cc] = [255, 0, 0]# 5. 图像金字塔from skimage.transform import pyramid_gaussian# 对于彩色图像，需要处理多通道if len(image.shape) == 3:# 使用灰度图像进行金字塔操作，或者分别处理每个通道gray_image = color.rgb2gray(image)pyramid = tuple(pyramid_gaussian(gray_image, downscale=2, max_layer=3))else:pyramid = tuple(pyramid_gaussian(image, downscale=2, max_layer=3))# 显示各种处理结果# 创建更大的图形，使用2行4列的子图布局fig, axes = plt.subplots(2, 4, figsize=(20, 10))# 第一行：原始图像、噪声图像、裁剪图像、空axes[0, 0].imshow(image)axes[0, 0].set_title('原始图像')axes[0, 0].axis('off')axes[0, 1].imshow(noisy)axes[0, 1].set_title('添加高斯噪声')axes[0, 1].axis('off')axes[0, 2].imshow(cropped)axes[0, 2].set_title('裁剪后的图像')axes[0, 2].axis('off')# 第一行最后一个子图留空axes[0, 3].axis('off')# 第二行：绘制的几何形状和金字塔图层axes[1, 0].imshow(canvas)axes[1, 0].set_title('绘制的圆形')axes[1, 0].axis('off')# 金字塔图层for i, layer in enumerate(pyramid):if i < 3:  # 只显示前3层axes[1, i + 1].imshow(layer, cmap='gray')axes[1, i + 1].set_title(f'金字塔层 {i}')axes[1, i + 1].axis('off')plt.tight_layout()plt.show()# 返回处理后的图像供后续使用（如果需要）return {'original': image,'float': image_float,'uint': image_uint,'noisy': noisy,'cropped': cropped,'canvas': canvas,'pyramid': pyramid}
if __name__ == "__main__":test07()

效果：

练习一：简单的图像处理流水线

def image_processing_pipeline(image_path):from skimage import feature, util"""图像处理流水线示例"""# 1. 读取图像img = io.imread(image_path)# 2. 转换为灰度图gray = color.rgb2gray(img)# 3. 去噪denoised = restoration.denoise_tv_chambolle(gray, weight=0.1)# 4. 增强对比度enhanced = exposure.equalize_adapthist(denoised)# 5. 边缘检测edges = feature.canny(enhanced, sigma=2)# 6. 显示结果fig, axes = plt.subplots(2, 3, figsize=(15, 10))images = [img, gray, denoised, enhanced, edges, edges]titles = ['原始', '灰度', '去噪', '对比度增强', '边缘检测', '最终结果']for i, (ax, img, title) in enumerate(zip(axes.flat, images, titles)):if i == 5:  # 在最终结果上叠加边缘ax.imshow(img, cmap='gray')ax.imshow(edges, cmap='hot', alpha=0.5)else:if len(img.shape) == 3:ax.imshow(img)else:ax.imshow(img, cmap='gray')ax.set_title(title)ax.axis('off')plt.tight_layout()plt.show()return edges
if __name__ == "__main__":image_processing_pipeline(r"E:\开发工具\pythonProject\MOEExpert\folderImage\123.png")

练习二：物体测量与分析

from skimage import io, color, filters, measure
import matplotlib.pyplot as plt
import numpy as npdef measure_objects(image_path):"""测量图像中的物体"""# 读取并预处理image = io.imread(image_path)gray = color.rgb2gray(image)# 二值化threshold = filters.threshold_otsu(gray)binary = gray > threshold# 标签连通区域label_image = measure.label(binary)# 测量区域属性regions = measure.regionprops(label_image)# 显示结果fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))ax1.imshow(image)ax1.set_title('原始图像')ax1.axis('off')ax2.imshow(binary, cmap='gray')ax2.set_title('检测到的物体')# 在图像上标注物体for region in regions:# 绘制边界框minr, minc, maxr, maxc = region.bboxrect = plt.Rectangle((minc, minr), maxc - minc, maxr - minr,fill=False, edgecolor='red', linewidth=2)ax2.add_patch(rect)# 显示面积ax2.text(minc, minr, f'A:{region.area}', color='red', fontsize=8)ax2.axis('off')plt.tight_layout()plt.show()# 打印测量结果for i, region in enumerate(regions):print(f"物体 {i+1}: 面积={region.area}, 周长={region.perimeter:.2f}")return regions

效果图：

http://www.dtcms.com/a/494941.html

相关文章：

  • 做go分析的网站第一成品网站超市
  • ArrayList和LinkedList的区别
  • PinWin，一个窗口置顶工具
  • 一键式搜索引擎Hacking工具
  • CasADi：高性能数值优化与自动微分工具库详解
  • 中英文网站建设企业网站列表设计
  • 在 iOS 18 中，控制中心怎样添加应用快捷方式？
  • C++类型转换
  • 【Memory协议栈】Autosar架构下如何加速Fee的切页时间
  • 【C# MVC 前置】异步编程 async/await：从 “卡界面” 到 “秒响应” 的 Action 优化指南（附微软官方避坑清单）
  • WRF-Chem模式编译，排放源制作
  • 网站管理和维护云服务器多少钱一台
  • 做外贸网站效果好吗万网首页
  • JavaWeb前端-Ajax
  • ip rule 策略路由
  • 【Zephyr电源与功耗专题】15_功耗优化测试工具与手段
  • 如何让多模态大模型学会“自动思考”-R-4B训练框架核心设计与训练方法
  • 上海企业网站备案找个网站这么难2021
  • 利用层序遍历建树和打印
  • 分布式专题——47 ElasticSearch搜索相关性详解
  • php 免费企业网站有没有傻瓜式建设网站
  • BeanDefinition 详解
  • 网站开发培训实训设计网站官网狗
  • Custom SRP 13 Color Grading
  • 19.3 《5步语音预处理实战：从噪声抑制到梅尔频谱，让你的ASR识别率飙升！》
  • 网络：3.Socket编程TCP
  • python+uniapp基于微信小程序团购系统
  • 第十章：技术路线：成为“技术扫地僧（4）
  • 嵌入的微信小程序的webview ,操作成功后返回小程序上一页
  • 用swiper.js实现分页滚动效果时如何控制滚动速度？