图像处理中媲美matlab的python包——scikit-image（skimage）包的用法详解

前言：

基于python的图片处理包还是很多的，比如PIL,Pillow, opencv, scikit-image等。其中，PIL和Pillow只提供最基础的数字图像处理，功能有限；opencv本质上是一个c++库，只是提供了python的接口，官方更新速度非常慢，而且安装很不容易。综合来看，scikit-image是基于scipy的一款图像处理包，它功能非常齐全，同时将图片作为numpy数组进行处理，几乎集合了matlab的所有图像处理功能，在数据的处理方式，函数名字等方面对matlab的模仿姿势非常到位。

更为重要的是，作为python的一个图像处理包，这个包是完全开源免费的，而且可以依托于python强大的功能，与tensorflow等软件配合使用于主流的深度学习等领域。因此，用scikit-image进行图像处理是一个非常好的选择，matlab能干的事情它都能干，matlab不能干的事情他也可以，个人认为在数字图像处理领域，它是完全可以代替matlab的。价格昂贵且界面并不怎么美观的matlab简直要哭晕在厕所。

当然，如果有一定的编程基础，学习这个包最好的方法是去看官方文档，scikit-image官方文档，对于初学者来说，可以先看以下通俗版的介绍入门。

一、安装。

这个包使用pip安装会报错，推荐使用离线安装，具体安装方法参见：windows下python3安装cv2，skimage(scikit-image)模块的方法

二、导入scikit-image包

这个包有非常多的子模块，分别负责不同的功能，所以在导入的时候，对于不同的功能可以分别导入不同的模块，各模块的功能如下：

子模块名称	主要实现功能
io	读取、保存和显示图片或视频
data	提供一些测试图片和样本数据
color	颜色空间变换
filters	图像增强、边缘检测、排序滤波器、自动阈值等
draw	操作于numpy数组上的基本图形绘制，包括线条、矩形、圆和文本等
transform	几何变换或其它变换，如旋转、拉伸和拉东变换等
morphology	形态学操作，如开闭运算、骨架提取等
exposure	图片强度调整，如亮度调整、直方图均衡等
feature	特征检测与提取等
measure	图像属性的测量，如相似性或等高线等
segmentation	图像分割
restoration	图像恢复
util	通用函数

下边分别叙述

from skimage import 函数名

1、读取，显示图像。（用到的模块：io）

from skimage import io
img=io.imread('图片路径',as_grey = bool值)
io.imshow(img)

其中，as_grey属性如果是True，则读入彩图之后自动转换成灰度图像，否则读入彩图，默认为False。
读入图片之后，可以获取图片的各种属性

print(type(img))  #显示类型
print(img.shape)  #显示尺寸
print(img.shape[0])  #图片宽度
print(img.shape[1])  #图片高度
print(img.shape[2])  #图片通道数
print(img.size)   #显示总像素个数
print(img.max())  #最大像素值
print(img.min())  #最小像素值
print(img.mean()) #像素平均值

2、保存图像

读取时matlab的语法几乎相同，写入图片文件时，将matlab中的imwrite()函数改成imsave()函数即可。

from skimage import io,data
img=io.imread('图片路径',as_grey = bool值)#以上的读取图片函数
io.imshow(img)
io.imsave('保存路径',img)

保存图片的时候也可以随便保存为不同的格式（jpg，png等）。

对于二值图像来说，用io.imsave()函数直接保存会得到一张黑色的图像，个人觉得是因为保存的时候程序依旧以为图片的数值范围是0~255，需要转换一下数据类型，有知道的更方便的解决办法的可以在评论区交流

3、图像的裁剪，缩放。（用到的模块：transform）

1）改变图片尺寸resize

同样，提供了skimage.transform.resize(image, output_shape)函数，和matlab里重新调整图像大小的语法没有丝毫区别。

image: 需要改变尺寸的图片

output_shape: 新的图片尺寸

from skimage import transform,io
import matplotlib.pyplot as plt#用于显示图像
img=io.imread('图片路径',as_grey = bool值)
dst=transform.resize(img, (长, 宽))
plt.figure('resize')
plt.subplot(121)
plt.title('before resize')
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title('before resize')
plt.imshow(dst,plt.cm.gray)
plt.show()

可以将图片变成80*60大小。

4、图片的连通域标记与选择（用到的模块：measure）

1)获取连通域及其属性

获取图像连通域是图像处理中比较高级的功能，matlab可以通过函数直接获取图像的连通域，在skimage包中，我们同样可以采用measure子模块下的label（）函数来实现相同的效果。

函数格式：

from skimage import measure
labels = measure.label（二值图像,connectivity=None)

connectivity表示连接的模式，1代表4邻接，2代表8邻接。

返回一个与图像同样大小的数组，背景都是0，对于前景的连通域从1开始往上标记。

当然，此时做到的只是对连通域进行标记给人看，如果想分别对每一个连通区域进行操作，比如计算面积、外接矩形、凸包面积等，则需要调用measure子模块的regionprops（）函数。在同上导入measure包之后，该函数格式为：
label_att = measure.regionprops(label_image)
这样，我们就可以从“label_att”这个数组里获取图像里任意一个连通域的属性，属性列表如下：

属性名称	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	array	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
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	int	区域欧拉数
extent	float	区域面积和边界外接框面积的比率
filled_area	int	区域和外接框之间填充的像素点总数
perimeter	float	区域周长
label	int	区域标记

这里需要注意的是：measure.label函数获取的连通域背景是0，前景的连通域其实是从1开始计算，而measure.regionprops函数获取的连通域不包含背景，前景的连通域属性就是从0开始的。
下面举一个例子：
随便找一张图片如下：

运行代码如下：

from skimage import io,filters,measure
img = io.imread('test.jpg',as_grey=True) #读取图片
thresh = filters.threshold_otsu(img)  #用otsu算法确定最佳分割阈值
bwimg =(img>=(thresh))  #用阈值进行分割，生成二值图像
labels = measure.label(bwimg)  #标记连通域
label_att = measure.regionprops(labels) #获取各个连通域的属性。

可以看到labels找出了5个连通域，而label_att却只有四个连通域的属性，这是因为不包括背景的连通域的属性。

2）删除小块区域

图片难免会有噪声，在以上获取连通域处理的时候，噪点也会算作是一个很小的连通域，morphology子模块的remove_small_objects（)函数提供了方便的噪点去除功能。函数格式（一般与上一个函数连用）：

from skimage import morphology
img1 = morphology.remove_small_objects(ar, min_size=要删除的连通域大小阈值, connectivity=1,in_place=False)

img1是删除了小于连通域面积阈值的二值图像。
其中，各参数含义如下：

ar: 上边的获取的标记好连通域的数组
connectivity: 邻接模式，1表示4邻接，2表示8邻接
in_place: bool型值，如果为True,表示直接在输入图像中删除小块区域，否则进行复制后再删除。默认为False.

附录：

scikit-image这个包对matlab的模仿甚至还体现在很多细节上，比如说，matlab会自带一些图片让用户进行测试，如果我们不想从外部读取图片，就可以直接使用这些示例图片对函数进行测试，scikit-image包同样也有如下功能：
而且使用方法也很简单：

from skimage import io,data
img=data.lena()
io.imshow(img)

astronaut	宇航员图片
coffee	一杯咖啡图片
lena	lena美女图片
camera	拿相机的人图片
coins	硬币图片
moon	月亮图片
checkerboard	棋盘图片
horse	马图片
page	书页图片
chelsea	小猫图片
hubble_deep_field	星空图片
text	文字图片
clock	时钟图片
immunohistochemistry	结肠图片

图片名对应的就是函数名，这些示例图片存放在skimage的安装目录下面，路径名称为data_dir,也可以将这个路径打印出来：

from skimage import data_dir
print(data_dir)

参考资料：

1 . python数字图像处理（18）：高级形态学处理

2. python skimage图像处理(一)有一些图片裁剪相关的内容