Python skimage快速图像处理（二）——Numpy速成

简介
Numpy索引
彩色图像
坐标约定
数组维数的顺序
时间维度

简介

图像在scikit-images中用Numpy矩阵表示。因此，可以使用标准的NumPy方法来实现许多常见的操作：

from skimage import data
camera = data.camera()
type(camera)

查看图像的形状和像素数量：

camera.shape

(512, 512)

camera.size

262144

查看图像像素值的统计信息：

camera.min(), camera.max()

(0, 255)

118.31400299072266

表示图像的Numpy数组可以是不同的整数或浮点数类型。查看图像数据类型及其含义获得详细信息和scikit-images如何处理不同数据类型。

Numpy索引

Numpy索引可用于查看像素值或修改它们：

camera[10, 20]  # 获取第10行第20列的像素值

153

camera[3, 10] = 0  #将第3行第20列的像素值设为0

注意，在Numpy索引中，第一个维度(camera.shape[0])对应行，第二个维度(camera .shape[1])对应列，原点(camera[0,0])位于左上角。它匹配矩阵/线性代数表示法，但与笛卡尔坐标(x, y)相反。详细信息，参阅坐标约定。

除了单个像素外，还可以使用Numpy的切片功能访问/修改整个像素集的值：

camera[:10] = 0  #将头10行设为黑色0

掩码（布尔值掩码索引，可理解为PS中的蒙版）：

mask = camera < 87
camera[mask] = 255  # 当掩码为真时设置该像素为白色255

花式索引（索引集索引）：

import numpy as np
inds_r = np.arange(len(camera))  # 0到511的矩阵
inds_c = 4 * inds_r % len(camera)  # 0到511，间距为4的矩阵
camera[inds_r, inds_c] = 0

当您需要选择一组像素执行操作时，掩码非常有用。掩码可以是与图像形状相同的布尔数组，或可向图像形状传递的形状。
例如，定义一个感兴趣的区域，一个圆：

nrows, ncols = camera.shape
row, col = np.ogrid[:nrows, :ncols]  #快速产生二维行向量和列向量
cnt_row, cnt_col = nrows / 2, ncols / 2  #取半径
outer_disk_mask = ((row - cnt_row)**2 + (col - cnt_col)**2 > (nrows / 2)**2)  # 蒙版为当前坐标位置大于半径范围
camera[outer_disk_mask] = 0  # 当掩码为真时设置该像素为黑色255

查看图像

from skimage import io
%matplotlib inline
io.imshow(camera)

Numpy的布尔运算可以定义更复杂的掩码：

lower_half = row > cnt_row
lower_half_disk = np.logical_and(lower_half, outer_disk_mask)
camera = data.camera()
camera[lower_half_disk] = 0
io.imshow(camera)

彩色图像

上述所有内容对彩色图像同样适用。彩色图像是再多一个维度的Numpy数组：

cat = data.chelsea()
io.imshow(cat)

type(cat)

numpy.ndarray

cat.shape

(300, 451, 3)
这表明变量cat是一个300×451像素的图像，有三个通道(红、绿、蓝)。如前所述，我们可以获取并设置像素值：

cat[10, 20]

array([151, 129, 115], dtype=uint8)

cat[50, 60] = 0  #将第50行，第60列的像素设为黑色
cat[50, 61] = [0, 255, 0]  # 将第50行，第60列的像素设为绿色[red, green, blue]

同样地，可以对2D多通道图像使用2D布尔蒙版：

cat = data.chelsea()
reddish = cat[:, :, 0] > 160  # 红色的值大于160（0red 1green 2blue）
cat[reddish] = [0, 255, 0]  #设为绿色
io.imshow(cat)

坐标约定

因为scikit-image使用Numpy数组表示图像，所以坐标约定必须匹配。二维灰度图（如上图camera）通过行、列，缩写为(row, col)或(r, c)进行索引，左上角像素的索引为(0,0)。
在库的各个部分，你还将看到用rr和cc引用行和列坐标。我们将这个约定与(x, y)区别开来，(x, y)通常表示标准的笛卡尔坐标，其中x是横坐标，y是纵坐标，原点在左下角。例如，Matplotlib轴使用这种坐标。
对于多通道图像，最后一个维用于彩色通道，用channel或ch表示。
最后，对于立体3D图像，如视频、磁共振成像(MRI)扫描、共聚焦显微镜等，我们将第一个维度称为plane，缩写为pln或p。
约定总结如下：

图片类型	约定
二维灰度图	(row, col)
二维多通道（如RGB）	(row, col, ch)
三维灰度	(pln, row, col)
三维多通道	(pln, row, col, ch)

scikit-image中的许多函数可以直接对3D图像进行操作（以下代码执行时间略久）：

im3d = np.random.rand(100, 1000, 1000) # 生成随机矩阵
from skimage import morphology
from scipy import ndimage as ndi
seeds = ndi.label(im3d < 0.1)[0] # 标记小于0.1的值
ws = morphology.watershed(im3d, seeds) # 分水岭算法

然而，多数情况下，第三个空间维度的分辨率低于其他两个维度。一些scikit-image函数提供了一个间距关键字spacing参数来帮助处理这类数据：

from skimage import segmentation
slics = segmentation.slic(im3d, spacing=[5, 1, 1], multichannel=False)  #k-means聚类分割图像

其他情况，处理必须在plane维度上完成。当第一个维度为plane（与约定一致），可以使用以下语法：

from skimage import filters
edges = np.empty_like(im3d)
for pln, image in enumerate(im3d):# 迭代第一个维度edges[pln] = filters.sobel(image)  #Sobel变换

数组维数的顺序

尽管坐标轴的标记可能看起来很随意，但是它对操作的速度有很大的影响。这是因为现代处理器不会从内存中仅检索一项，而是检索整个相邻块（称为预取的操作）。因此，处理内存中相邻的元素比处理分散的元素要快，即使操作的数量相同：

def in_order_multiply(arr, scalar):for plane in list(range(arr.shape[0])):arr[plane, :, :] *= scalardef out_of_order_multiply(arr, scalar):for plane in list(range(arr.shape[2])):arr[:, :, plane] *= scalar

import time
im3d = np.random.rand(100, 1024, 1024)
t0 = time.time(); x = in_order_multiply(im3d, 5); t1 = time.time()
print("%.2f seconds" % (t1 - t0))

0.08 seconds

s0 = time.time(); x = out_of_order_multiply(im3d, 5); s1 = time.time()
print("%.2f seconds" % (s1 - s0))

1.65 seconds

print("Speedup: %.1fx" % ((s1 - s0) / (t1 - t0)))

Speedup: 21.3x
当最后/最右边的维度变得更大时，加速效果更显著。在开发算法时考虑数据局部性是值得的。特别地，scikit-image默认使用C-连续数组。当使用嵌套循环时，数组的最后/最右边的维度应该位于计算的最内层循环中。在上面的例子中，*= numpy操作符遍历所有剩余的维度。

时间维度

虽然scikit-image目前还没有提供专门处理时变3D数据的函数，但它与Numpy数组的兼容性使我们能够很自然地处理形如(t, pln, row, col, ch)的5D数组：

# 伪代码
for timepoint in image5d:# Each timepoint is a 3D multichannel imagedo_something_with(timepoint)

对上表进行补充如下：

数据类型类型	约定
二维灰度图	(row, col)
二维多通道（如RGB）	(row, col, ch)
三维灰度	(pln, row, col)
三维多通道	(pln, row, col, ch)
二维彩色视频	(t, row, col, ch)
三维多通道视频	(t, pln, row, col, ch)

Python skimage快速图像处理（二）——Numpy速成相关推荐

python 怎么快速分辨一个numpy矩阵(数组)是几维的?
比如这个数组: [[[0, 1], [2, 3]], [[4, 5], [6, 7]]] 它的最外层有三个括号"[]", 所以它就是三维数组当然, 你也可以直接使用: print ...
【Python数据挖掘课程】六.Numpy、Pandas和Matplotlib包基础知识
前面几篇文章采用的案例的方法进行介绍的,这篇文章主要介绍Python常用的扩展包,同时结合数据挖掘相关知识介绍该包具体的用法,主要介绍Numpy.Pandas和Matplotlib三个包.目录: ...
[Python图像处理] 二十八.OpenCV快速实现人脸检测及视频中的人脸
该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门.OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子.图像增强技术.图像分割等,后期结合深度学习研究图像识别 ...
python 图像分析自然纹理方向与粗细代码_python skimage图像处理(二)
python skimage图像处理(二) 图像简单滤波对图像进行滤波,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库中通过filte ...
Python一：【skimage】图像处理库的应用，不使用opencv的情况
python作为简单高效又很强大的一门编程语言,scikit-image是python中处理图像的一个库,对大多数的图像处理算法进行了封装,用户只需调用相关的接口即可实现想要的效果. 所以,本章节主要 ...
python skimage图像处理(一)
python skimage图像处理(一) This blog is from: https://www.cnblogs.com/wangxiaocvpr/p/11656603.html 基于pyth ...
【图像处理】python skimage 图像处理
因本人刚开始写博客,学识经验有限,如有不正之处望读者指正,不胜感激:也望借此平台留下学习笔记以温故而知新.这是关于 Python 中 skimage 包用法的详解转载. 本文转自 python数字图像 ...
python skimage图像处理
python skimage图像处理(一) jiandanjinxin关注 22017.09.26 14:31:04字数 5,913阅读 103,968 本文转自 python数字图像处理基于pyt ...
基于python的快速傅里叶变换FFT（二）
基于python的快速傅里叶变换FFT(二) 本文在上一篇博客的基础上进一步探究正弦函数及其FFT变换. 知识点 FFT变换,其实就是快速离散傅里叶变换,傅立叶变换是数字信号处理领域一种很重要的算 ...

Python skimage快速图像处理（二）——Numpy速成

Python skimage快速图像处理（二）——Numpy速成

简介

Numpy索引

彩色图像

坐标约定

数组维数的顺序

时间维度

Python skimage快速图像处理（二）——Numpy速成相关推荐

最新文章

热门文章