# 3.3 Scikit-image：图像处理 > **作者**: Emmanuelle Gouillart [scikit-image](http://scikit-image.org/)是专注于图像处理的Python包，并且使用原生的Numpy数组作为图像对象。本章描述如何在不同图像处理任务上使用`scikit-image`，并且保留了其他科学Python模块比如Numpy和Scipy的链接。 **也可以看一下：**对于基本图像处理，比如图像剪切或者简单过滤，大量简单操作可以用Numpy和SciPy来实现。看一下[使用Numpy和Scipy图像操作和处理部分](http://www.scipy-lectures.org/advanced/image_processing/index.html#basic-image)。 注意，在阅读本章之前你应该熟悉前面章节的内容，比如基础操作，比如面具和标签作为先决条件。 **章节内容** * **介绍和观点** * `scikit-image` 和 `SciPy`生态系统 * `scikit-image`能发现什么 * **输入/输出, 数据类型和 颜色空间** * 数据类型 * 颜色空间 * **图像预处理/增强** * 本地过滤器 * 非-本地过滤器 * 数学形态学 * **图像细分** * 二元细分: 前景 + 背景 * 基于标记的方法 * **测量区域的属性** * **数据可视化和交互** ## 3.3.1 介绍和观点 图像是NumPy的数组`np.ndarray` | 图像: | np.ndarray | | --- | --- | | 像素: | array values: a[2, 3] | | 渠道: | array dimensions | | 图像编码: | dtype (np.uint8, np.uint16, np.float) | | 过滤器: | functions (numpy, skimage, scipy) | In [1]: ``` %matplotlib inline import numpy as np check = np.zeros((9, 9)) check[::2, 1::2] = 1 check[1::2, ::2] = 1 import matplotlib.pyplot as plt plt.imshow(check, cmap='gray', interpolation='nearest') ``` Out[1]: ``` <matplotlib.image.AxesImage at 0x105717610> ```  ### 3.3.1.1 scikit-image 和 SciPy 生态系统 最新版的`scikit-image`包含在大多数的科学Python发行版中，比如，Anaconda或Enthought Canopy。它也包含在 Ubuntu/Debian。 In [6]: ``` import skimage from skimage import data # 大多数函数在子包中 ``` 大多数`scikit-image`函数用NumPy ndarrays作为参数 In [6]: ``` camera = data.camera() camera.dtype ``` Out[6]: ``` dtype('uint8') ``` In [7]: ``` camera.shape ``` Out[7]: ``` (512, 512) ``` In [8]: ``` from skimage import restoration filtered_camera = restoration.denoise_bilateral(camera) type(filtered_camera) ``` Out[8]: ``` numpy.ndarray ``` 其他Python包也可以用于图像处理，并且使用Numpy数组: * [scipy.ndimage](http://docs.scipy.org/doc/scipy/reference/ndimage.html#module-scipy.ndimage) : 对于 nd-arrays。基础过滤、数学形态学和区域属性 * [Mahotas](http://luispedro.org/software/mahotas) 同时，强大的图形处理库有Python封装: * [OpenCV](https://opencv-python-tutroals.readthedocs.org/en/latest/) (计算机视觉) * [ITK](http://www.itk.org/itkindex.html) (3D图像和注册) * 其他 (但是，他们没有那么Pythonic也没有Numpy友好，在一定范围)。 ### 3.3.1.2 scikit-image能发现什么 * 网站: [http://scikit-image.org/](http://scikit-image.org/) * 例子库 (就像在 [matplotlib](http://matplotlib.org/gallery.html) 或 [scikit-learn](http://scikit-learn.org/)): [http://scikit-image.org/docs/stable/auto_examples/](http://scikit-image.org/docs/stable/auto_examples/) 不同类的函数，从基本的使用函数到高级最新算法。 * 过滤器: 函数将图像转化为其他图像。 * NumPy组件 * 通用过滤器算法 * 数据简化函数: 计算图像直方图、局部极值位置、角。 * 其他动作: I/O, 可视化，等。 ## 3.3.2 输入/输出, 数据类型和颜色空间 I/O: [skimage.io](http://scikit-image.org/docs/stable/api/skimage.io.html#module-skimage.io) In [4]: ``` from skimage import io ``` 读取文件: [skimage.io.imread()](http://scikit-image.org/docs/stable/api/skimage.io.html#skimage.io.imread) In [7]: ``` import os filename = os.path.join(skimage.data_dir, 'camera.png') camera = io.imread(filename) ```  支持所有被Python Imaging Library（或者`imread` `plugin`关键词提供的任何I/O插件）的数据格式。 也支持URL图片路径: In [3]: ``` logo = io.imread('http://scikit-image.org/_static/img/logo.png') ``` 存储文件: In [4]: ``` io.imsave('local_logo.png', logo) ``` (`imsave`也用外部插件比如PIL) ### 3.3.2.1 数据类型  图像ndarrays可以用整数（有符号或无符号）或浮点来代表。 小心整数类型的溢出 In [8]: ``` camera = data.camera() camera.dtype ``` Out[8]: ``` dtype('uint8') ``` In [8]: ``` camera_multiply = 3 * camera ``` 可用不同的整型大小: 8-, 16- 或 32-字节, 有符号或无符号。 一个重要的 (如果有疑问的话) `skimage` **惯例**: 图像浮点支持在[-1, 1] (与所以浮点图像相对) In [9]: ``` from skimage import img_as_float camera_float = img_as_float(camera) camera.max(), camera_float.max() ``` Out[9]: ``` (255, 1.0) ``` 一些图像处理程序需要应用在浮点数组上，因此，输出的数组可能类型和数据范围都与输入数组不同 In [9]: ``` try: from skimage import filters except ImportError: from skimage import filter as filters camera_sobel = filters.sobel(camera) camera_sobel.max() ``` Out[9]: ``` 0.5915023652179584 ``` 在上面的例子中，我们使用`scikit-image`的子模块`filters`，在0.11到0.10版本间，`filter`被重命名为`filters`，为了避免与Python内置的`filter`冲突。 在[skimage](http://scikit-image.org/docs/stable/api/skimage.html#module-skimage)提供了下列skimage实用的函数来转化dtype和data range: `util.img_as_float`、 `util.img_as_ubyte`等。 看一下[用户手册](http://scikit-image.org/docs/stable/user_guide/data_types.html)来了解细节。 In [ ]: ``` An important (if questionable) skimage convention: float images are supposed to lie in [-1, 1] (in order to have comparable contrast for all float images) ``` In [ ]: ``` 3.3.1. Introduction and concepts Images are NumPy’s arrays np.ndarray ```