前言：

基於python的圖片處理包還是很多的，比如PIL,Pillow, opencv, scikit-image等。其中，PIL和Pillow只提供最基礎的數字影象處理，功能有限；opencv本質上是一個c++庫，只是提供了python的介面，官方更新速度非常慢，而且安裝很不容易。綜合來看，scikit-image是基於scipy的一款影象處理包，它功能非常齊全，同時將圖片作為numpy陣列進行處理，幾乎集合了matlab的所有影象處理功能，在資料的處理方式，函式名字等方面對matlab的模仿姿勢非常到位。

更為重要的是，作為python的一個影象處理包，這個包是完全開源免費的，而且可以依託於python強大的功能，與tensorflow等軟體配合使用於主流的深度學習等領域。因此，用scikit-image進行影象處理是一個非常好的選擇，matlab能幹的事情它都能幹，matlab不能幹的事情他也可以，個人認為在數字影象處理領域，它是完全可以代替matlab的。價格昂貴且介面並不怎麼美觀的matlab簡直要哭暈在廁所。

當然，如果有一定的程式設計基礎，學習這個包最好的方法是去看官方文件，scikit-image官方文件，對於初學者來說，可以先看以下通俗版的介紹入門。

一、安裝。

二、匯入scikit-image包

這個包有非常多的子模組，分別負責不同的功能，所以在匯入的時候，對於不同的功能可以分別匯入不同的模組，各模組的功能如下：

下邊分別敘述

from skimage import 函式名
 

1、讀取，顯示影象。（用到的模組：io）

from skimage import io
img=io.imread('圖片路徑',as_grey = bool值)
io.imshow(img)

其中，as_grey屬性如果是True，則讀入彩圖之後自動轉換成灰度影象，否則讀入彩圖，預設為False。
讀入圖片之後，可以獲取圖片的各種屬性

print(type(img))  #顯示型別
print(img.shape)  #顯示尺寸
print(img.shape[0])  #圖片寬度
print(img.shape[1])  #圖片高度
print(img.shape[2])  #圖片通道數
print(img.size)   #顯示總畫素個數
print(img.max())  #最大畫素值
print(img.min())  #最小畫素值
print(img.mean()) #畫素平均值

2、儲存影象

讀取時matlab的語法幾乎相同，寫入圖片檔案時，將matlab中的imwrite()函式改成imsave()函式即可。

from skimage import io,data
img=io.imread('圖片路徑',as_grey = bool值)#以上的讀取圖片函式
io.imshow(img)
io.imsave('儲存路徑',img)

儲存圖片的時候也可以隨便儲存為不同的格式（jpg，png等）。

對於二值影象來說，用io.imsave()函式直接儲存會得到一張黑色的影象，個人覺得是因為儲存的時候程式依舊以為圖片的數值範圍是0~255，需要轉換一下資料型別，有知道的更方便的解決辦法的可以在評論區交流

3、影象的裁剪，縮放。（用到的模組：transform）

1）改變圖片尺寸resize

同樣，提供了skimage.transform.resize(image, output_shape)函式，和matlab裡重新調整影象大小的語法沒有絲毫區別。

image: 需要改變尺寸的圖片

output_shape: 新的圖片尺寸

from skimage import transform,io
import matplotlib.pyplot as plt#用於顯示影象
img=io.imread('圖片路徑',as_grey = bool值)
dst=transform.resize(img, (長, 寬))
plt.figure('resize')
plt.subplot(121)
plt.title('before resize')
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title('before resize')
plt.imshow(dst,plt.cm.gray)
plt.show()

可以將圖片變成80*60大小。

4、圖片的連通域標記與選擇（用到的模組：measure）

1)獲取連通域及其屬性

獲取影象連通域是影象處理中比較高階的功能，matlab可以通過函式直接獲取影象的連通域，在skimage包中，我們同樣可以採用measure子模組下的label（）函式來實現相同的效果。

函式格式：

from skimage import measure
labels = measure.label（二值影象,connectivity=None)

• connectivity表示連線的模式，1代表4鄰接，2代表8鄰接。

返回一個與影象同樣大小的陣列，背景都是0，對於前景的連通域從1開始往上標記。

當然，此時做到的只是對連通域進行標記給人看，如果想分別對每一個連通區域進行操作，比如計算面積、外接矩形、凸包面積等，則需要呼叫measure子模組的regionprops（）函式。在同上匯入measure包之後，該函式格式為：
label_att = measure.regionprops(label_image)
這樣，我們就可以從“label_att”這個數組裡獲取影象裡任意一個連通域的屬性，屬性列表如下：

這裡需要注意的是：measure.label函式獲取的連通域背景是0，前景的連通域其實是從1開始計算，而measure.regionprops函式獲取的連通域不包含背景，前景的連通域屬性就是從0開始的。
下面舉一個例子：
隨便找一張圖片如下：

執行程式碼如下：

from skimage import io,filters,measure 
img = io.imread('test.jpg',as_grey=True) #讀取圖片
thresh = filters.threshold_otsu(img)  #用otsu演算法確定最佳分割閾值
bwimg =(img>=(thresh))  #用閾值進行分割，生成二值影象
labels = measure.label(bwimg)  #標記連通域
label_att = measure.regionprops(labels) #獲取各個連通域的屬性。

可以看到labels找出了5個連通域，而label_att卻只有四個連通域的屬性，這是因為不包括背景的連通域的屬性。

2）刪除小塊區域

圖片難免會有噪聲，在以上獲取連通域處理的時候，噪點也會算作是一個很小的連通域，morphology子模組的remove_small_objects（)函式提供了方便的噪點去除功能。函式格式（一般與上一個函式連用）：

from skimage import morphology
img1 = morphology.remove_small_objects(ar, min_size=要刪除的連通域大小閾值, connectivity=1,in_place=False)

img1是刪除了小於連通域面積閾值的二值影象。
其中，各引數含義如下：

• ar: 上邊的獲取的標記好連通域的陣列
• connectivity: 鄰接模式，1表示4鄰接，2表示8鄰接
• in_place: bool型值，如果為True,表示直接在輸入影象中刪除小塊區域，否則進行復制後再刪除。預設為False.

附錄：

scikit-image這個包對matlab的模仿甚至還體現在很多細節上，比如說，matlab會自帶一些圖片讓使用者進行測試，如果我們不想從外部讀取圖片，就可以直接使用這些示例圖片對函式進行測試，scikit-image包同樣也有如下功能：
而且使用方法也很簡單：

from skimage import io,data
img=data.lena()
io.imshow(img)

圖片名對應的就是函式名，這些示例圖片存放在skimage的安裝目錄下面，路徑名稱為data_dir,也可以將這個路徑打印出來：

from skimage import data_dir
print(data_dir)

參考資料：