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 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
1、读取，显示图像。（用到的模块：io）
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
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中的函数改成函数即可。
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
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：
- 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：
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：
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）：
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：
| 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：
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
文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树人工智能机器学习工具包Scikit-learn212663 人正在系统学习中
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！