کتابخانه Scikit-image : آموزش پردازش تصویر در پایتون با Scikit-image

الگوریتم‌های متنوعی از مباحث قسمت بندی تصاویر، تبدیلات هندسی، کار در فضای رنگ، آنالیز تصاویر، فیلترینگ، ریخت شناسی (Morphology)، تشخیص ویژگی‌ها و … همراه این کتابخانه در دسترس می‌باشد.

نصب کتابخانه Scikit-image

این کتابخانه در آدرس اینجا معرفی شده است . برای نصب کتابخانه پردازش تصویر Scikit-image کافی است کد زیر را استفاده کنید:

pip install scikit-image

1	pip install scikit-image

برای استفاده از کتابخانه فوق در کد خود نیز کافی است آن را ایمپورت کنید و از ماژول های مختلف آن بسته به نیاز خود استفاده کنید.

این بسته را می‌توان با استفاده از skimage در زبان پایتون import کرد.

همچنین، بسیاری از توابع و الگوریتم‌های پیاده‌سازی شده را می‌توان در «زیر واحدهای» (Submodules) این بسته برنامه‌نویسی پیدا کرد و مورد استفاده قرار داد. در ادامه، برخی از فرایندهای پردازش تصویر با پایتون که توسط ابزار SciKit-Image قابل انجام است، نمایش داده خواهد شد.

مثال پردازش تصویر با Scikit-image

مثال های مختلفی از کارکردن با کتابخانه در لینک زیر قرار داده شده است که هم برای آموزش و هم برای استفاده و کارکردن با تصاویر در پایتون خیلی میتواند مفید واقع شود :

https://scikit-image.org/docs/dev/auto_examples/

مثال : اعمال فیلتر میانگین بر روی تصویر

بعنوان مثال در کد زیر میخواهیم که فیلتر میانگین یا Mean Filter را بر روی تصویری اعمال کنیم :

import matplotlib.pyplot as plt

from skimage import data
from skimage.morphology import disk
from skimage.filters import rank


image = data.coins()
selem = disk(20)

percentile_result = rank.mean_percentile(image, selem=selem, p0=.1, p1=.9)
bilateral_result = rank.mean_bilateral(image, selem=selem, s0=500, s1=500)
normal_result = rank.mean(image, selem=selem)

fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 10),
                         sharex=True, sharey=True)
ax = axes.ravel()

titles = ['Original', 'Percentile mean', 'Bilateral mean', 'Local mean']
imgs = [image, percentile_result, bilateral_result, normal_result]
for n in range(0, len(imgs)):
    ax[n].imshow(imgs[n], cmap=plt.cm.gray)
    ax[n].set_title(titles[n])
    ax[n].axis('off')

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt

from skimage import data

from skimage.morphology import disk

from skimage.filters import rank

image = data.coins()

selem = disk(20)

percentile_result = rank.mean_percentile(image, selem=selem, p0=.1, p1=.9)

bilateral_result = rank.mean_bilateral(image, selem=selem, s0=500, s1=500)

normal_result = rank.mean(image, selem=selem)

fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 10),

sharex=True, sharey=True)

ax = axes.ravel()

titles = ['Original', 'Percentile mean', 'Bilateral mean', 'Local mean']

imgs = [image, percentile_result, bilateral_result, normal_result]

for n in range(0, len(imgs)):

ax[n].imshow(imgs[n], cmap=plt.cm.gray)

ax[n].set_title(titles[n])

ax[n].axis('off')

plt.tight_layout()

plt.show()

کد فوق ابتدا تصویر Coin را لود میکند و سپس سه نوع فیلتر میانگین را بر روی آن اعمال کرده و در نهایت هر 4 تصویر را نمایش میدهد.

خروجی کد فوق به صورت زیر می باشد:

کتابخانه Scikit-image

مثال : فیلتر گذاری بر روی عکس

«فیلتر گذاری روی تصاویر» (Image Filtering): با استفاده از این ابزار، می‌توان فیلترهای «بالاگذر» (High Pas) و «پایین گذر» (Low Pass) را جهت انجام پردازش‌هایی نظیر «تشخیص لبه» (Edge Detection) روی تصاویر اعمال کرد.

import matplotlib.pyplot as plt  
%matplotlib inline
       
from skimage import data,filters
       
image = data.coins()   # ... or any other NumPy array!  
edges = filters.sobel(image)  
plt.imshow(edges, cmap='gray')

import matplotlib.pyplot as plt

%matplotlib inline

from skimage import data,filters

image = data.coins() # ... or any other NumPy array!

edges = filters.sobel(image)

plt.imshow(edges, cmap='gray')

خروجی کد فوق بصورت زیر می باشد:

فیلتر گذاری بر روی عکس در پایتون

مثال : تشخیص چهره در عکس

کد زیر نیز به راحتی و در زمان کوتاهی قادر به تشخیص چهره افراد در تصویر می باشد:

from skimage import data
from skimage.feature import Cascade

import matplotlib.pyplot as plt
from matplotlib import patches

# Load the trained file from the module root.
trained_file = data.lbp_frontal_face_cascade_filename()

# Initialize the detector cascade.
detector = Cascade(trained_file)

img = data.astronaut()

detected = detector.detect_multi_scale(img=img,
                                       scale_factor=1.2,
                                       step_ratio=1,
                                       min_size=(60, 60),
                                       max_size=(123, 123))

plt.imshow(img)
img_desc = plt.gca()
plt.set_cmap('gray')

for patch in detected:

    img_desc.add_patch(
        patches.Rectangle(
            (patch['c'], patch['r']),
            patch['width'],
            patch['height'],
            fill=False,
            color='r',
            linewidth=2
        )
    )

plt.show()

from skimage import data

from skimage.feature import Cascade

import matplotlib.pyplot as plt

from matplotlib import patches

# Load the trained file from the module root.

trained_file = data.lbp_frontal_face_cascade_filename()

# Initialize the detector cascade.

detector = Cascade(trained_file)

img = data.astronaut()

detected = detector.detect_multi_scale(img=img,

scale_factor=1.2,

step_ratio=1,

min_size=(60, 60),

max_size=(123, 123))

plt.imshow(img)

img_desc = plt.gca()

plt.set_cmap('gray')

for patch in detected:

img_desc.add_patch(

patches.Rectangle(

(patch['c'], patch['r']),

patch['width'],

patch['height'],

fill=False,

color='r',

linewidth=2

)

plt.show()

برای دانلود کد فوق ، و توضیحات بیشتر میتوانید اینجا را مطالعه کنید.

خروجی کد فوق به صورت زیر می باشد:

تشخیص چهره در عکس با کتابخانه Scikit-image

مثال تطبیق الگو در پایتون با SciKit-Image:

«تطبیق الگو» (Template Matching): در کاربردهای پردازش تصویر، برای تشخیص ظاهر شدن یک تصویر الگو در یک یا مجموعه‌ای از تصاویر دیگر، از الگوریتم‌های تطبیق الگو استفاده می‌شود.

import numpy as np
import matplotlib.pyplot as plt

from skimage import data
from skimage.feature import match_template


image = data.coins()
coin = image[170:220, 75:130]

result = match_template(image, coin)
ij = np.unravel_index(np.argmax(result), result.shape)
x, y = ij[::-1]

fig = plt.figure(figsize=(8, 3))
ax1 = plt.subplot(1, 3, 1)
ax2 = plt.subplot(1, 3, 2)
ax3 = plt.subplot(1, 3, 3, sharex=ax2, sharey=ax2)

ax1.imshow(coin, cmap=plt.cm.gray)
ax1.set_axis_off()
ax1.set_title('template')

ax2.imshow(image, cmap=plt.cm.gray)
ax2.set_axis_off()
ax2.set_title('image')
# highlight matched region
hcoin, wcoin = coin.shape
rect = plt.Rectangle((x, y), wcoin, hcoin, edgecolor='r', facecolor='none')
ax2.add_patch(rect)

ax3.imshow(result)
ax3.set_axis_off()
ax3.set_title('`match_template`\nresult')
# highlight matched region
ax3.autoscale(False)
ax3.plot(x, y, 'o', markeredgecolor='r', markerfacecolor='none', markersize=10)

plt.show()

import numpy as np

import matplotlib.pyplot as plt

from skimage import data

from skimage.feature import match_template

image = data.coins()

coin = image[170:220, 75:130]

result = match_template(image, coin)

ij = np.unravel_index(np.argmax(result), result.shape)

x, y = ij[::-1]

fig = plt.figure(figsize=(8, 3))

ax1 = plt.subplot(1, 3, 1)

ax2 = plt.subplot(1, 3, 2)

ax3 = plt.subplot(1, 3, 3, sharex=ax2, sharey=ax2)

ax1.imshow(coin, cmap=plt.cm.gray)

ax1.set_axis_off()

ax1.set_title('template')

ax2.imshow(image, cmap=plt.cm.gray)

ax2.set_axis_off()

ax2.set_title('image')

# highlight matched region

hcoin, wcoin = coin.shape

rect = plt.Rectangle((x, y), wcoin, hcoin, edgecolor='r', facecolor='none')

ax2.add_patch(rect)

ax3.imshow(result)

ax3.set_axis_off()

ax3.set_title('`match_template`\nresult')

# highlight matched region

ax3.autoscale(False)

ax3.plot(x, y, 'o', markeredgecolor='r', markerfacecolor='none', markersize=10)

plt.show()

نتیجه حاصل از کد فوق را در تصویر زیر میتوانید ببینید:

جمع بندی :

همانطور که از مثال های فوق متوجه شدید ، کتابخانه ، یک ابزار قدرتمند برای پردازش تصویر در پایتون می باشد که به راحتی میتوانید در آن کارهایی مثل دستکاری تصویر یا بهبود تصویر را انجام دهید. اگر تجربه کار با این کتابخانه را دارید خوشحال میشوم که نظرات خود را با بنده و دوستانی که این مطلب را میخوانند به اشتراک بگذارید.

کتابخانه Scikit-image : آموزش پردازش تصویر در پایتون با Scikit-image