skimage.measure详解

一、skimage.measure文档

skimage.measure文档提供了许多函数，涵盖了对图片的测量、分析和处理。其中包括了图片的基本属性、直方图、几何变换、分割、重心计算、距离变换以及膨胀和腐蚀操作等。这些函数可以用于处理以及分析各种图片。

示例：图片分割

from skimage.measure import label
import numpy as np

# 生成随机图片数据
np.random.seed(1)
img = np.random.randint(0, 3, size=(6, 6))

# 通过连通区域分割图片
labels = label(img, connectivity=1)

print(labels)

在这个示例中，我们使用了skimage.measure中的label函数，生成了一张6×6的随机图片，然后使用label函数对其进行了像素级别的分割操作。最终输出了一个6×6的分割结果。

二、skimage.measure.block_reduce

skimage.measure.block_reduce函数可以用于对图片进行块状降采样。通过该函数对图片进行块状降采样可以减少图片数据量，从而提高图片处理的效率。

示例：图片降采样

from skimage.measure import block_reduce
from skimage import data

# 读取示例图片
image = data.camera()

# 对图片进行块状降采样
block_size = (5, 5)
image_reduced = block_reduce(image, block_size, np.mean)

# 显示原图片和降采样后的图片
fig, axes = plt.subplots(ncols=2, sharex=True, sharey=True, figsize=(8, 4))
ax = axes.ravel()
ax[0].imshow(image, cmap='gray')
ax[0].set_title("Original image")
ax[1].imshow(image_reduced, cmap='gray')
ax[1].set_title("Block-reduced image ({}x{})".format(*block_size))

plt.tight_layout()
plt.show()

在这个示例中，我们首先使用skimage库中自带的data函数读入了一张范例图片，然后通过block_reduce函数对图片进行了块状降采样，使用的块的大小为5×5。最终输出了原图片和降采样后的图片。

三、skimage.measure.label

skimage.measure.label函数可以用于连通区域的创建、分析和处理。该函数可用于多种图片应用场景，包括拐角检测、移除图像噪声、识别图形等等。在实际应用中，该函数常用于图像分割、阈值分割和边缘检测等操作。

示例：使用label函数对手写数字进行分割

from skimage.measure import label, regionprops
import matplotlib.pyplot as plt
from skimage import io

# 读入手写数字图片
image = io.imread('digits.png')

# 图片阈值化处理
thresh = 127
binary = image > thresh

# 对二值化图片进行连通区域分割
labeled = label(binary)

# 可视化连通区域分割结果
fig, ax = plt.subplots(ncols=1, nrows=1, figsize=(8, 8))
ax.imshow(labeled, cmap=plt.cm.gray)

# 遍历分割结果，并输出分割结果数目
regions = regionprops(labeled)
print("Number of regions detected: %d" % len(regions))

在这个示例中，我们使用skimage库中自带的digits.png手写数字图片，进行了阈值化处理之后使用label函数对其进行了连通区域分割。最后输出了分割后的数字区域数目。

四、skimage.measure图像分析

skimage.measure库提供了许多函数，可用于对图像进行全局和局部的分析。常用的分析函数包括图像灰度级别、图像峰值、图像对比度等全局分析函数以及图像边缘检测、角点检测和轮廓检测等局部分析函数。

示例：计算一张手写数字图片的面积

from skimage import io
from skimage.measure import regionprops, label

# 读入手写数字图片
image = io.imread('digits.png')

# 图片阈值化处理
thresh = 127
binary = image > thresh

# 对二值化图片进行连通区域分割
labeled = label(binary)

# 遍历分割结果，并输出分割结果数目
regions = regionprops(labeled)
print("Area of the first region detected: %d" % regions[0].area)

在这个示例中，我们使用skimage库中自带的digits.png手写数字图片，进行了阈值化处理之后使用label函数对其进行了连通区域分割。然后通过regionprops函数获取所有区域的属性信息，并输出第一个区域的面积。

五、skimage.measure structure

skimage.measure.structure提供了几个用于计算结构度量的函数。这些函数可以用于计算结构相似性、结构差异等度量。

示例：使用结构度量函数计算图片相似度

from skimage import io, measure

# 读入两张图片
img1 = io.imread('img_1.jpg', as_gray=True)
img2 = io.imread('img_2.jpg', as_gray=True)

# 计算结构相似度
ssim = measure.compare_ssim(img1, img2)

# 显示计算结果
print("The Structural Similarity Index (SSIM) between the two images is: %s" % ssim)

在这个示例中，我们读入了两幅图片img_1.jpg和img_2.jpg，然后利用structure中的compare_ssim函数进行图片的结构相似度计算，并输出结果。

原创文章，作者：小蓝，如若转载，请注明出处：https://www.506064.com/n/197522.html