图像算法

1. transform

图像的形变与缩放等使用的是 skimage 的transform模块，函数比较多，功能齐全：

• transform.resize(image, output_shape)：将一个image缩放到一个output_shape的尺寸

  dst=transform.resize(img, (80, 60))

• transform.rescale(image, scale[, …])：

  • scale可以是单个float数，表示缩放的倍数；
  • 也可以是一个float型的 tuple，如[0.2, 0.5]，表示将行和列分别进行缩放；

  from skimage import transform,data
  img = data.camera()
  print(img.shape) #图片原始大小
  print(transform.rescale(img, 0.1).shape) #缩小为原来图片大小的0.1
  print(transform.rescale(img, [0.5,0.25]).shape) #缩小为原来图片行数一半，列数四分之一
  print(transform.rescale(img, 2).shape) #放大为原来图片大小的2倍

• transform.rotate(image, angle[, …], resize=False)：

  • angle参数为一个float，表示旋转的度数；
  • resize用于控制在旋转时是否改变大小，默认为False

• transform.pyramid_gaussian(image, downscale=2)：高斯图像金字塔。

  当然还有其他金字塔，如paramid_laplacian()等

• 霍夫变换：

  • transform.hough_line(image)：
  • transform.hough_circle(image)：
  • transform.hough_ellipse(image, threshold, min_size, max_size)：

2. exposure

图像对比度与亮度调整等，在 skimage 包的 exposure 模块里面：

代码	作用	补充说明
exposure.adjust_gamma(image, gamma=1)	伽马调整。 1) 若 gamma > 1，新图像变暗； 2) 若 gamma < 1，新图像变亮）
exposure.adjust_log(image)	对数调整
exposure.is_low_contrast(image)	判断图像对比度是否偏低	返回值为 bool 类型
exposure.rescale_intensity(image, in_range='image', out_range='dtype')	in_range 默认为'image'表示用图像的最大/最小像素值作为范围； out_range 默认为'dtype'表示用图像的类型的最大/最小值作为范围	输入图片的[min, max]范围被拉伸到[dtype.min, dtype.max]，如是 dtype=uint8，那么 dtype.min=0, dtype.max=255
exposure.histogram(image, nbins=256)	计算 image 的直方图	返回值为一个含两个 array 的 tuple，(hist, bins_center)，hist 为直方图的统计量，bins_center 是每个 bin 的中间值。绘图可用 plt.hist()函数
exposure.equalize_hist(image)	直方图均衡化
exposure.equalize_adapthist(image)	直方图均衡化

3. filters

对图像进行滤波，可以有两种效果：

• 一种是平滑滤波，用来抑制噪声；
• 另一种是微分算子，可以用来检测边缘和特征提取。

skimage 的 filters 模块进行滤波操作。

滤波器

一些算子或滤波器：

• filters.sobel(image, mask=None)：sobel 算子，检测边缘

• filters.roberts(image)：roberts 算子，检测边缘

• filters.scharr(image)：scharr 算子，检测边缘

• filters.prewitt(image)：prewitt 算子，检测边缘

• filters.gabor_filter(image, frequency)：gabor 滤波，进行边缘检测和纹理特征提取

• filters.gaussian_filter(image, sigma)：gaussian 滤波，平滑滤波，可以消除高斯噪声

• filters.median(image, skimage.morphology.disk(5))：中值滤波，平滑滤波，可以消除噪声

• 水平边缘与垂直边缘版：

  水平边缘	垂直边缘

  • 水平边缘：

    • filters.sobel_h(image)
    • .prewitt_h()
    • .scharr_h()

  • 垂直边缘：

    • filters.sobel_v(image)
    • .prewitt_v()
    • .scharr_v()

• filters.roberts_neg_diag(image)：Roberts 的十字交叉边缘检测

  

阈值分割

图像自动阈值分割，以下返回值均为一个阈值：

• filters.threshold_otsu(image, nbins=256)：Otsu 阈值分割（阈值 87）

  

• filters.threshold_yen(image)：阈值 198

  

• filters.threshold_li(image)：阈值 64.5

  

• filters.threshold_isodate(image)：阈值 87

• filters.threshold_adpative(image, block_size, method='gaussian')：此函数直接返回一个阈值后的图像，而不是阈值

  

  

  dst = filters.threshold_adaptive(image, 15)
  dst1 = filters.threshold_adaptive(image,31,'mean')
  dst2 = filters.threshold_adaptive(image,5,'median')

rank子模块

skimage.filters.rank 子模块(import skimage.filters.rank as sfr)实际提供了更强大的滤波方法，这些方法需要用户自己设定滤波器的形状和大小，因此需要导入 morphology 模块来设定。

函数	作用	示例
sfr.autolevel(image, selem)	自动色阶	用局部直方图来对图片进行滤波分级，该滤波器局部地拉伸灰度像素值的直方图，以覆盖整个像素值范围。
sfr.bottomhat(image, selem)	类似黑帽操作	此滤波器先计算图像的形态学闭运算，然后用原图像减去运算的结果值，有点像黑帽操作。
sfr.tophat(image, selem)	类似白帽操作	此滤波器先计算图像的形态学开运算，然后用原图像减去运算的结果值，有点像白帽操作。
sfr.enhance_contrast(image, selem)	对比度增强	求出局部区域的最大值和最小值，然后看当前点像素值最接近最大值还是最小值，然后替换为最大值或最小值
sfr.entropy(image, selem)	求局部熵	将局部区域的灰度值分布进行二进制编码，返回编码的最小值。
sfr.equalize(image, selem)	均衡化滤波	利用局部直方图对图像进行均衡化滤波
sfr.gradient(image, selem)	梯度滤波	返回图像的局部梯度值（如最大-最小值），用此梯度值代替区域内所有像素值）
…	……	……

4. feature

• canny 算子
  • feature.canny(image[, sigma, …])：提取边缘特征

5. measure

measure 模块的一些操作：

• 查找轮廓：measure.find_contours(array, level)

  • array：一个二维二值图像
  • level：在图像中查找轮廓的级别值
  • return：轮廓的列表

  

  600

  

• 多边形逼近曲线：

  • measure.subdivide_pylogon(coords, degree=2, preserve_ends=False)

    参数	作用
    coords	坐标点序列
    degree	B 样条的度数，默认为 2
    preserve_ends	如果曲线为非闭合曲线，是否保存开始和结束点坐标，默认为 False
    返回值	返回细分为的坐标点序列

  • measure.approximate_polygon(coords, tolerance)

    参数	作用
    coords	坐标点序列
    tolerance	容忍值
    返回值	近似的多边形曲线坐标序列

    

• Lewiner 移动立方体算法在三维体数据中寻找表面：

  measure.marching_cubes_lewiner(
  volume,
  level=None,
  spacing=(1.0, 1.0, 1.0), gradient_direction='descent',
  step_size=1,
  allow_degenerate=True,
  use_classic=False)

  • volume：(M, N, P) array
  • level：float
  • return：
    • verts: (V, 3) array
    • faces: (F, 3) array
    • normals: (V, 3) array
    • values: (V, ) array

• 连通区域标记：measure.label(image, connectivity=None)

  参数	作用
  image	二值图像
  connectivity	连接的模式，1 代表 4 邻接，2 代表 8 邻接
  返回值	返回一个标记数组，从 0 开始标记

  

• 一个标记图像的每一个连通区域的性质：measure.regionprops(label_image)

  返回值为所有连通区域的属性列表，按照 label 的值从小到大排序，常用属性有：

  属性	类型	描述
  area	int	区域内像素点总数
  bbox	tuple	边界外接框(min_row, min_col, max_row, max_col)
  centroid	ndarray	质心坐标
  convex_area	int	凸包内像素点总数
  convex_image	ndarray	和边界外接框同大小的凸包图像
  coords	ndarray	区域内像素点坐标
  eccentricity	float	离心率
  equivalent_diameter	float	和区域面积相同的圆的直径
  euler_number	float	区域欧拉数
  filled_area	int	区域面积和外接框之间填充的像素点总数
  image	ndarray	Sliced binary region image which has the same size as bounding box.
  perimeter	float	区域周长
  label	int	区域标记
  slice	tuple of slices	A slice to extract the object from the source image.
  …	…	…

6. morphology

此模块对图像进行形态学滤波，形态学操作的对象一般为灰度图或二值图，一般可import skimage.morphology as sm。

结构元

sm 中的结构元类型有：

代码	结构元
sm.square()	正方形
sm.rectangle()	矩形
sm.cube()	立方体形
sm.disk()	圆形
sm.ball()	球形
sm.octagon()	八角形
sm.octahedron()	八面体
sm.star()	星形
sm.diamond()	钻石形

基本的形态学滤波

基本形态学滤波函数如下，对于二值图像可特意调用它的二值化形式进行操作，这种情况下运算速度较快：

• 膨胀：可以扩大白色值范围，压缩黑色值范围，一般用来扩充边缘或填充小的孔洞（selem 表示所用结构元）。

  • sm.dilation(image, selem=None)
  • sm.binary_dilation(image, selem=None)

• 腐蚀：扩大黑色部分，减小白色部分，可用来提取骨干信息，去掉毛刺，去掉孤立的像素。

  • sm.erosion(image. selem=None)
  • sm.binary_erosion(image, selem=None)

• 开运算：先腐蚀再膨胀，可以消除小物体或小斑块

  • sm.opening(image, selem=None)
  • sm.binary_opening(image, selem=None)

• 闭运算：与上反

  • sm.closing(image, selem=None)
  • sm.binary_closing(image, selem=None)

• 白帽：将原图像减去它的开运算值，返回比结构元小的白点

  • sm.white_tophat(image, selem=None)

    

• 黑帽：将原图像减去它的闭运算值，返回比结构元小的黑点，且将这些黑点反色

  • sm.black_tophat(image, selem=None)

    

高级形态学处理

• 求凸包

  • 将整张图片的所有目标看作一个整体：sm.convex_hull_image(image)

    输入为二值图像，输出为逻辑二值图像，在凸包内的点为 True，否则为 False。

    

  • 求图片中每一个目标的凸包：sm.convex_hull_object(image, neighbors=8)

    

  • 删除小块区域：sm.remove_small_objects(arr, min_size=64, connectivity=1, in_place=False)

    参数	作用
    arr	待操作的 bool 型数组
    min_size	最小连通区域尺寸，小于该尺寸的都将被删除，默认为 64
    connectivity	邻接模式，1 表示 4 邻接，2 表示 8 邻接
    in_place	是否原位操作

    

  • 骨架提取：sm.skeletonize(image)

    输入和输出都是一幅二值图像

    

    

  • 骨架提取（中轴变换法）：sm.medial_axis(image, mask=None, return_distance=False)

    参数	说明
    image	输入图像
    mask	掩膜	若给定掩膜，则在掩膜内的像素值才执行骨架算法
    return_distance	bool 型值	若为 True，则不仅返回骨架，还将返回距离变换值（这里的距离指中轴线上的所有点与背景点的距离）

    

7. 其他

skimage 与 ndimage 的 label 函数

对于三维图片 image，ndimage 与 skimage 的如下写法两两等效（每一行的结果相同）：

连通域判断方式	接触情况	from skimage import measure	from scipy import ndimage as ndi
?邻接	面接触	measure.label(image, return_num=True, connectivity=1)	ndi.label(image, structure=ndi.generate_binary_structure(image.ndim, 1))
4 邻接	面、线接触	measure.label(image, return_num=True, connectivity=2)	ndi.label(image, structure=ndi.generate_binary_structure(image.ndim, 2))
8 邻接	面、线、点接触	measure.label(image, return_num=True, connectivity=3)	ndi.label(image, structure=ndi.generate_binary_structure(image.ndim, 3))