scikit-image Python (Wie es funktioniert: Ein Leitfaden für Entwickler)

Scikit-imageist eine Sammlung von Algorithmen, die für die Bildverarbeitung in Python entwickelt wurden. Es ist frei verfügbar und uneingeschränkt, mit hochwertigem, von einer aktiven Gemeinschaft von Freiwilligen begutachtetem Code. Das Scikit-image-Projekt begann 2009 bei Google als Teil des Google Summer of Code-Programms unter der Mentorschaft von Stefan van der Walt und anderen Scikit-image-Beitragenden. Es zielte darauf ab, eine Python-Bibliothek für die Bildverarbeitung zu erstellen, die benutzerfreundlich, effizient und erweiterbar für akademische und industrielle Anwendungen wäre. In diesem Artikel werden wir mehr über die Scikit-image Python-Bildbibliothek und eine PDF-Erstellungbibliothek von IronSoftware erfahren.IronSoftwaregenanntIronPDF.

Erste Schritte

Um mehr über Scikit-image zu erfahren, besuchen Sie die offizielle Website. Darüber hinaus bietet Data Carpentry eine großartige Lektion zur Bildverarbeitung in Python mit Scikit an.

Installation über pip

• Stellen Sie sicher, dass Python installiert ist(mindestens Version 3.10).

• Öffnen Sie Ihr Terminal oder die Eingabeaufforderung.

  • Aktualisiere pip:

python -m pip install -U pip

python -m pip install -U pip

• Installieren Sie scikit-image über pip oder scikit-image conda:

python -m pip install -U scikit-image

python -m pip install -U scikit-image

• Um auf Demodatensätze zuzugreifen, verwenden Sie:

python -m pip install -U scikit-image[data]

python -m pip install -U scikit-image[data]

• Für zusätzliche wissenschaftliche Pakete, einschließlich Funktionen für parallele Verarbeitung:

python -m pip install -U scikit-image[optional]

python -m pip install -U scikit-image[optional]

Grundlegendes Beispiel

import skimage.io
import matplotlib.pyplot as plt
image = skimage.io.imread(fname='land.jpg')
plt.imshow(image) # show binary image
plt.show()

import skimage.io
import matplotlib.pyplot as plt
image = skimage.io.imread(fname='land.jpg')
plt.imshow(image) # show binary image
plt.show()

Filter

import skimage as ski
image = ski.data.coins()  # Load sample image
edges = ski.filters.sobel(image)
ski.io.imshow(edges)
ski.io.show()

import skimage as ski
image = ski.data.coins()  # Load sample image
edges = ski.filters.sobel(image)
ski.io.imshow(edges)
ski.io.show()

Scikit-image, oft abgekürzt als skimage, ist eine leistungsstarke Python-Bibliothek für Bildverarbeitungsaufgaben. Es basiert auf NumPy-Arrays, SciPy und matplotlib und bietet verschiedene Funktionen und Algorithmen zur Bearbeitung und Analyse von Bildern. skimage import data coins kann verwendet werden, um auf Beispielbilder aus der Bibliothek zuzugreifen. skimage import filters kann verwendet werden, um Zugriff auf eingebaute Filter und Dienstprogrammfunktionen zu erhalten.

Hauptmerkmale von Scikit-image

Bildfilterung und Kantenerkennung

from skimage import io, filters
# Load an image
image = io.imread('image.jpg')
# Apply Gaussian blur
blurred_image = filters.gaussian(image, sigma=1.0)
# Apply Sobel edge detection
edges = filters.sobel(image)
# Display the original image, blurred image, and edges
io.imshow_collection([image, blurred_image, edges])
io.show()

from skimage import io, filters
# Load an image
image = io.imread('image.jpg')
# Apply Gaussian blur
blurred_image = filters.gaussian(image, sigma=1.0)
# Apply Sobel edge detection
edges = filters.sobel(image)
# Display the original image, blurred image, and edges
io.imshow_collection([image, blurred_image, edges])
io.show()

Ausgabe

2. Merkmalsextraktion mit HOG (Histogramm orientierter Gradienten)

from skimage import io, color, feature
# Load an example image and convert to grayscale
image = io.imread('image.jpg')
gray_image = color.rgb2gray(image)
# Compute HOG features
hog_features, hog_image = feature.hog(gray_image, visualize=True)
# Display the original image and the HOG image
io.imshow_collection([image, gray_image, hog_image])
io.show()

from skimage import io, color, feature
# Load an example image and convert to grayscale
image = io.imread('image.jpg')
gray_image = color.rgb2gray(image)
# Compute HOG features
hog_features, hog_image = feature.hog(gray_image, visualize=True)
# Display the original image and the HOG image
io.imshow_collection([image, gray_image, hog_image])
io.show()

Ausgabe

3. Geometrische Transformation - Größenänderung und Drehung

from skimage import io, transform
# Load an image
image = io.imread('image.jpg')
# Resize image
resized_image = transform.resize(image, (image.shape[0] // 2, image.shape[1] // 2))
# Rotate image
rotated_image = transform.rotate(image, angle=45)
# Display the original image, resized image, and rotated image
io.imshow_collection([image, resized_image, rotated_image])
io.show()

from skimage import io, transform
# Load an image
image = io.imread('image.jpg')
# Resize image
resized_image = transform.resize(image, (image.shape[0] // 2, image.shape[1] // 2))
# Rotate image
rotated_image = transform.rotate(image, angle=45)
# Display the original image, resized image, and rotated image
io.imshow_collection([image, resized_image, rotated_image])
io.show()

Ausgabe

4. Bildentrauschung mit Total Variation Filter

from skimage import io, restoration
# Load a noisy image
image = io.imread('image.jpg')
# Apply total variation denoising
denoised_image = restoration.denoise_tv_chambolle(image, weight=0.1)
# Display the noisy image and the denoised image
io.imshow_collection([image, denoised_image])
io.show()

from skimage import io, restoration
# Load a noisy image
image = io.imread('image.jpg')
# Apply total variation denoising
denoised_image = restoration.denoise_tv_chambolle(image, weight=0.1)
# Display the noisy image and the denoised image
io.imshow_collection([image, denoised_image])
io.show()

Ausgabe

Sie können mehr über Bildverarbeitung und NumPy-Array auf deroffizielle Seite.

Einführung in IronPDF

IronPDF ist eine robuste Python-Bibliothek, die für die Erstellung, Bearbeitung und Unterzeichnung von PDF-Dokumenten mit HTML, CSS, Bildern und JavaScript entwickelt wurde. Es legt den Schwerpunkt auf Leistungseffizienz und arbeitet mit minimalem Speicherverbrauch. Die wichtigsten Merkmale sind:

• HTML-zu-PDF-Konvertierung: Konvertieren Sie HTML-Dateien, HTML-Strings und URLs in PDF-Dokumente und nutzen Sie dabei Funktionen wie das Rendern von Webseiten mit dem Chrome PDF-Renderer.
• Plattformübergreifende Unterstützung: Kompatibel mit Python 3+ unter Windows, Mac, Linux und verschiedenen Cloud-Plattformen. IronPDF ist auch für .NET-, Java-, Python- und Node.js-Umgebungen verfügbar.
• Bearbeiten und Signieren: Sie können PDF-Eigenschaften anpassen, Sicherheitsmaßnahmen wie Kennwörter und Berechtigungen durchsetzen und digitale Signaturen nahtlos anwenden.
• Seitenvorlagen und Einstellungen: Erstellen Sie PDF-Layouts mit Funktionen wie Kopfzeilen, Fußzeilen, Seitenzahlen, anpassbaren Rändern, benutzerdefinierten Papiergrößen und responsiven Designs.
• Standardkonformität: Hält sich strikt an PDF-Standards wie PDF/A und PDF/UA, gewährleistet die Kompatibilität mit der UTF-8-Zeichenkodierung und verwaltet Assets wie Bilder, CSS-Stylesheets und Schriftarten geschickt.

Einrichtung

pip install ironpdf 
pip install scikit-image

pip install ironpdf 
pip install scikit-image

Generieren Sie PDF-Dokumente mit IronPDF und Scikit Image

Voraussetzungen

1. Stellen Sie sicher, dass Visual Studio Code als Code-Editor installiert ist

2. Python Version 3 ist installiert

   Lassen Sie uns zunächst eine Python-Datei erstellen, in die wir unsere Skripte einfügen.

   Öffnen Sie Visual Studio Code und erstellen Sie eine Datei mit dem Namen scikitDemo.py.

   Installieren Sie die erforderlichen Bibliotheken:

pip install scikit-image
pip install ironpdf

pip install scikit-image
pip install ironpdf

Fügen Sie dann den untenstehenden Python-Code hinzu, um die Verwendung der IronPDF- und scikit-image-Python-Pakete zu demonstrieren.

from skimage import io, filters
from ironpdf import * 
# Apply your license key
License.LicenseKey = "key"
# Load an image
image = io.imread('image.jpg')
# Apply Gaussian blur
blurred_image = filters.gaussian(image, sigma=1.0)
# Apply Sobel edge detection
edges = filters.sobel(image)
# Display the original image, blurred image, and edges
io.imshow_collection([image, blurred_image, edges]).savefig('ironPdf-skimage.png')
ImageToPdfConverter.ImageToPdf("ironPdf-skimage.png").SaveAs("ironPdf-skimage.pdf")
io.show()

from skimage import io, filters
from ironpdf import * 
# Apply your license key
License.LicenseKey = "key"
# Load an image
image = io.imread('image.jpg')
# Apply Gaussian blur
blurred_image = filters.gaussian(image, sigma=1.0)
# Apply Sobel edge detection
edges = filters.sobel(image)
# Display the original image, blurred image, and edges
io.imshow_collection([image, blurred_image, edges]).savefig('ironPdf-skimage.png')
ImageToPdfConverter.ImageToPdf("ironPdf-skimage.png").SaveAs("ironPdf-skimage.pdf")
io.show()

Code Erläuterung

Dieser Codeausschnitt zeigt, wie man scikit-image verwendet(`skimage`)und IronPDF zusammen verwenden, um ein Bild zu verarbeiten und die Ergebnisse in ein PDF-Dokument zu konvertieren. Hier ist eine Erklärung jedes Teils:

1. Importanweisungen: Importiert notwendige Funktionen aus scikit-image zum Laden von Bildern(io.imread)und Bildfilterung(filters.gaussian, filters.sobel)und importiert die IronPDF-Funktionalität.

2. Lizenzschlüssel anwenden: License.LicenseKey = "Key": Setzt den Lizenzschlüssel für IronPDF. Dieser Schritt ist erforderlich, um IronPDF-Funktionalitäten zu nutzen. 3. Laden und Verarbeiten eines Bildes: Lädt ein Bild namens 'image.jpg' mit der Funktion io.imread von scikit-image. Wendet dann einen Gaußschen Weichzeichner auf das geladene Bild mit `filters.gaussian` und einem Sigma-Wert von 1,0 an. Später wird die Sobel-Kantendetektion auf das geladene Bild mit `filters.sobel` angewendet.

3. Ergebnis anzeigen und speichern: io.imshow_collection([Bild, verschwommenes_Bild, Kanten]).speichern('ironPdf-skimage.png'): Zeigt eine Sammlung von Bildern an(original, unscharf und Kanten)verwendet `io.imshow_collection` und speichert die angezeigte Sammlung als `'ironPdf-skimage.png'`.

   ImageToPdfConverter.ImageToPdf("ironPdf-skimage.png").saveAs(ironPdf-skimage.pdf): Konvertiert das gespeicherte PNG-Bild('ironPdf-skimage.png')zu einem PDF-Dokument mit IronPDFs ImageToPdfConverter.ImageToPdf und speichert es als 'ironPdf-skimage.pdf'.5. Bild anzeigen: io.show(): Zeigt die Bilder in einem grafischen Fenster an.

   Dieser Code-Schnipsel kombiniert die Fähigkeiten von scikit-image für die Bildverarbeitung und IronPDF zur Umwandlung der verarbeiteten Bilder in PDF-Dokumente. Es demonstriert das Laden eines Bildes, die Anwendung von Gaußschem Weichzeichnen und Sobel-Kantenerkennung, die Anzeige der Ergebnisse, das Speichern als PNG-Datei, die Konvertierung des PNG in PDF mit IronPDF und die Anzeige der bearbeiteten Bilder. Diese Integration ist nützlich für Aufgaben, bei denen Bilder verarbeitet, analysiert und in einem PDF-Format dokumentiert werden müssen, wie zum Beispiel in der wissenschaftlichen Forschung, bei Bildanalyenberichten oder in automatisierten Dokumentenerstellungs-Workflows.

Ausgabe

PDF

IronPDF-Lizenz

IronPDF läuft mit dem Lizenzschlüssel für Python. IronPDF for Python bietet einekostenlose Testversion lizenzschlüssel, damit die Benutzer die umfangreichen Funktionen vor dem Kauf testen können.

Setzen Sie den Lizenzschlüssel zu Beginn des Skripts ein, bevor Sie dasIronPDF-Paket:

from ironpdf import * 
# Apply your license key
License.LicenseKey = "key"

from ironpdf import * 
# Apply your license key
License.LicenseKey = "key"

Schlussfolgerung

scikit-image ermöglicht es Python-Entwicklern, bildbezogene Aufgaben effizient zu lösen. Ob Sie an Computer Vision, medizinischer Bildgebung oder künstlerischen Projekten arbeiten, dieses Paket bietet Ihnen alles, was Sie benötigen. scikit-image ist eine vielseitige und leistungsstarke Bibliothek für die Bildverarbeitung in Python, die eine breite Palette von Funktionen und Algorithmen für Aufgaben wie Filterung, Segmentierung, Merkmalserkennung und geometrische Transformationen bietet. Die nahtlose Integration mit anderen wissenschaftlichen Bibliotheken macht es zur bevorzugten Wahl für Forscher, Entwickler und Ingenieure, die mit Bildanalyse- und Computer Vision-Anwendungen arbeiten.

IronPDF ist eine Python-Bibliothek, die die Erstellung, Bearbeitung und Manipulation von PDF-Dokumenten innerhalb von Python-Anwendungen ermöglicht. Es bietet Funktionen wie das Erstellen von PDF-Dateien aus verschiedenen Quellen wie HTML, Bildern oder vorhandenen PDFs. Darüber hinaus unterstützt IronPDF Aufgaben wie das Zusammenführen oder Aufteilen von PDF-Dokumenten, das Hinzufügen von Anmerkungen, Wasserzeichen oder digitalen Signaturen, das Extrahieren von Text oder Bildern aus PDFs sowie die Verwaltung von Dokumenteigenschaften wie Metadaten und Sicherheitseinstellungen. Diese Bibliothek bietet eine effiziente Möglichkeit, PDF-bezogene Aufgaben programmatisch zu bearbeiten, was sie für Anwendungen geeignet macht, die Funktionen zur Dokumentenerstellung, Berichterstellung oder Dokumentenverwaltung erfordern.

Zusammen mit beiden Bibliotheken können Benutzer mit Bildern arbeiten, diese effizient verarbeiten und die Ergebnisse in PDF-Dokumenten für Archivierungszwecke speichern.