什么是skimage？

scikit-image（简称skimage）是一个基于Python的开源图像处理库，它构建在SciPy之上，提供了一系列高效的图像处理算法。skimage特别适合用于：

• 图像预处理和增强
• 特征检测与提取
• 图像分割
• 图像恢复与去噪
• 几何变换

与其他图像处理库相比，skimage具有API简洁、算法丰富、文档完善等优势，是计算机视觉和图像分析领域的理想工具。

安装与环境配置

使用pip可以轻松安装skimage及其依赖：

pip install scikit-image numpy matplotlib

安装完成后，可以通过以下方式导入主要模块：

from skimage import io, color, feature, filters, transform, morphology
import matplotlib.pyplot as plt
import numpy as np

图像基础操作

1. 读取和显示图像

# 读取图像
image = io.imread('image.jpg')

# 显示图像
plt.figure(figsize=(8, 6))
plt.imshow(image)
plt.axis('off')
plt.title('原始图像')
plt.show()

2. 转换为灰度图像

许多图像处理算法需要先将彩色图像转换为灰度图像：

gray_image = color.rgb2gray(image)

plt.figure(figsize=(8, 6))
plt.imshow(gray_image, cmap='gray')
plt.axis('off')
plt.title('灰度图像')
plt.show()

图像特征提取技术

1. 边缘检测

边缘检测是识别图像中物体边界的基本技术：

# 使用Sobel算子
edges_sobel = filters.sobel(gray_image)

# 使用Canny算法（更高级）
edges_canny = feature.canny(gray_image, sigma=1.0)

# 显示结果
fig, axes = plt.subplots(1, 2, figsize=(12, 6))
axes[0].imshow(edges_sobel, cmap='gray')
axes[0].set_title('Sobel边缘检测')
axes[0].axis('off')
axes[1].imshow(edges_canny, cmap='gray')
axes[1].set_title('Canny边缘检测')
axes[1].axis('off')
plt.show()

2. 角点检测

角点是图像中两个边缘相交的点，是重要的图像特征：

from skimage.feature import corner_harris, corner_peaks

# 计算Harris角点响应
coords = corner_peaks(corner_harris(gray_image), min_distance=5, threshold_rel=0.02)

# 在原始图像上绘制角点
plt.figure(figsize=(8, 6))
plt.imshow(image)
plt.plot(coords[:, 1], coords[:, 0], 'r+', markersize=10)
plt.axis('off')
plt.title('检测到的角点')
plt.show()

3. 特征点检测（ORB）

ORB（Oriented FAST and Rotated BRIEF）是一种高效的特征检测和描述算法：

from skimage.feature import ORB, match_descriptors

# 初始化ORB检测器
orb = ORB(n_keypoints=100)

# 检测和描述特征
orb.detect_and_extract(gray_image)
keypoints = orb.keypoints
descriptors = orb.descriptors

# 在图像上绘制关键点
plt.figure(figsize=(8, 6))
plt.imshow(image)
plt.scatter(keypoints[:, 1], keypoints[:, 0], s=30, facecolors='none', edgecolors='r')
plt.axis('off')
plt.title('ORB特征点')
plt.show()

高级图像分析

1. 图像分割

使用分水岭算法进行图像分割：

from skimage.segmentation import watershed
from skimage.feature import peak_local_max
from scipy import ndimage as ndi

# 计算距离变换
distance = ndi.distance_transform_edt(gray_image)

# 寻找峰值
coords = peak_local_max(distance, footprint=np.ones((3, 3)), labels=gray_image)
mask = np.zeros(distance.shape, dtype=bool)
mask[tuple(coords.T)] = True
markers, _ = ndi.label(mask)

# 应用分水岭算法
labels = watershed(-distance, markers, mask=gray_image)

# 显示结果
plt.figure(figsize=(8, 6))
plt.imshow(color.label2rgb(labels, image=image, alpha=0.5))
plt.axis('off')
plt.title('分水岭分割结果')
plt.show()

2. 纹理特征提取

使用局部二值模式（LBP）提取纹理特征：

from skimage.feature import local_binary_pattern

# 计算LBP
radius = 3
n_points = 8 * radius
lbp = local_binary_pattern(gray_image, n_points, radius, method='uniform')

# 显示结果
plt.figure(figsize=(10, 8))
plt.subplot(121)
plt.imshow(gray_image, cmap='gray')
plt.title('原始图像')
plt.axis('off')
plt.subplot(122)
plt.imshow(lbp, cmap='viridis')
plt.title('局部二值模式')
plt.axis('off')
plt.show()

实际应用案例

物体识别流程

结合多种技术实现简单物体识别：

def object_recognition(image_path):
    # 1. 读取图像
    image = io.imread(image_path)
    gray = color.rgb2gray(image)
    
    # 2. 预处理 - 高斯模糊去噪
    blurred = filters.gaussian(gray, sigma=1)
    
    # 3. 边缘检测
    edges = feature.canny(blurred, sigma=1.5)
    
    # 4. 形态学操作 - 填充孔洞
    filled = ndi.binary_fill_holes(edges)
    
    # 5. 标记连通区域
    labeled = morphology.label(filled)
    
    # 6. 提取区域属性
    regions = measure.regionprops(labeled)
    
    # 7. 过滤小区域
    min_area = 500
    large_regions = [r for r in regions if r.area > min_area]
    
    # 在原始图像上绘制边界框
    fig, ax = plt.subplots(figsize=(10, 8))
    ax.imshow(image)
    
    for region in large_regions:
        # 绘制矩形框
        minr, minc, maxr, maxc = region.bbox
        rect = plt.Rectangle((minc, minr), maxc - minc, maxr - minr, 
                            fill=False, edgecolor='red', linewidth=2)
        ax.add_patch(rect)
    
    plt.axis('off')
    plt.title(f'检测到 {len(large_regions)} 个物体')
    plt.show()

# 使用示例
object_recognition('objects.jpg')

总结

skimage是Python生态中功能强大的图像处理库，本教程涵盖了图像处理的核心技术：

掌握这些技术将为计算机视觉、图像分析和机器学习应用奠定坚实基础。

学习资源

• 官方文档：scikit-image.org
• 示例库：官方示例库
• GitHub仓库：scikit-image/scikit-image
• 实用教程：skimage教程合集