1. Товары
  2.   Изображение
  3.   Python
  4.   Sikit Image
 
  

Python API с открытым исходным кодом для изображений

Научный анализ изображений, фильтрация и восстановление изображений через Python API.

Sikit-Image — это Python API с открытым исходным кодом для обработки изображений. API предоставляет широкий спектр процедур обработки изображений в Python. Используя API, вы можете извлекать данные из изображений специального, научного и общего назначения, использовать операции NumPy для обработки изображений, создавать элементы структурирования, блокировать представления изображений, управлять экспозицией и цветовыми каналами, управлять краями и линиями и выполнять геометрические преобразования.

Кроме того, API позволяет фильтровать и восстанавливать изображения. Вы можете удалять мелкие объекты на изображениях в градациях серого, использовать фильтры среднего значения, маскирование резкости и многое другое. Мало того, API предоставляет гораздо больше возможностей для управления изображениями.

Previous Next

Начало работы с Sikit-Image

Рекомендуемый способ установки Sikit-Image — через Pip. Используйте следующую команду для установки Sikit-Image.

Установите Sikit-Image через Pip

pip install scikit-image

Управляйте каналами экспозиции и цвета с помощью Python

Sikit-Image API позволяет программно управлять цветом и экспозицией изображений. Вы можете преобразовать изображение RGB в изображение в оттенках серого или изображение HSV. Вы можете работать над сопоставлением гистограмм, разделением цветов иммуногистохимического окрашивания, окрашиванием изображений в градациях серого, выравниванием гистограммы, регулировкой гаммы и логарифмического контраста, фильтрацией региональных максимумов и адаптацией фильтров градаций серого к изображениям RGB.

Геометрические преобразования с использованием бесплатного API Python

Sikit-Image API позволяет программно управлять цветом и экспозицией изображений. Вы можете преобразовать изображение RGB в изображение в оттенках серого или изображение HSV. Вы можете работать над сопоставлением гистограмм, разделением цветов иммуногистохимического окрашивания, окрашиванием изображений в градациях серого, выравниванием гистограммы, регулировкой гаммы и логарифмического контраста, фильтрацией региональных максимумов и адаптацией фильтров градаций серого к изображениям RGB.

Выполнять геометрические преобразования через 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()

Фильтрация и восстановление изображений с помощью Python

Библиотека Scikit-Image позволяет разработчикам программно фильтровать и восстанавливать изображения. Вы можете удалять мелкие объекты из изображений в оттенках серого с помощью цилиндрического фильтра, использовать функции Windows с изображениями, использовать средние фильтры, использовать нерезкое маскирование, использовать деконволюцию изображения и многое другое.

Фильтр изображения через 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()
 Русский