scikit-image Python (Comment ça marche : Un guide pour les développeurs)

Scikit-imageest une collection d'algorithmes conçus pour le traitement d'images en Python. Il est librement disponible et sans restrictions, avec un code de haute qualité, revu par des pairs, provenant d'une communauté active de bénévoles. Le projet Scikit-image a commencé chez Google en 2009 dans le cadre du programme Google Summer Code sous la tutelle de Stefan van der Walt et d'autres contributeurs de Scikit-image. Il visait à créer une bibliothèque Python pour le traitement d'images qui serait facile à utiliser, efficace et extensible pour les applications académiques et industrielles. Dans cet article, nous allons découvrir la bibliothèque d'imagerie Python Scikit-image et une bibliothèque de génération de PDF deIronSoftwareappeléIronPDF.

Pour commencer

Pour en savoir plus sur Scikit-image, consultez le site officiel. De plus, Data Carpentry propose une excellente leçon sur le traitement d'image en Python en utilisant Scikit.

Installation via pip

• Assurez-vous d'avoir Python installé(au moins la version 3.10).

• Ouvrez votre terminal ou invite de commande.

  • Mettez à jour pip :

python -m pip install -U pip

python -m pip install -U pip

• Installez scikit-image via pip ou scikit image conda :

python -m pip install -U scikit-image

python -m pip install -U scikit-image

• Pour accéder aux ensembles de données de démonstration, utilisez :

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

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

• Pour des packages scientifiques supplémentaires, y compris les capacités de traitement parallèle :

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

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

Exemple de base

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()

Filtres

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, souvent abrégé en skimage, est une bibliothèque Python puissante pour les tâches de traitement d'images. Il est construit sur la base des tableaux NumPy, SciPy et matplotlib, et offre diverses fonctions et algorithmes pour manipuler et analyser des images. skimage import data coins peuvent être utilisés pour accéder à des images d'exemple de la bibliothèque. skimage import filters peut être utilisé pour accéder aux filtres intégrés et aux fonctions utilitaires.

Principales caractéristiques de Scikit-image

Filtrage d'image et détection des contours

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()

Sortie

2. Extraction de caractéristiques avec HOG (Histogramme des gradients orientés)

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()

Sortie

3. Transformation géométrique - Redimensionnement et rotation

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()

Sortie

4. Débruitage d'image avec filtre de variation totale

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()

Sortie

Vous pouvez en savoir plus sur le traitement d'image et le tableau NumPy sur lepage officielle.

Présentation d'IronPDF

IronPDF est une bibliothèque Python robuste conçue pour gérer la création, l'édition et la signature de documents PDF à l'aide de HTML, CSS, images et JavaScript. Il donne la priorité à l'efficacité des performances et fonctionne avec une utilisation minimale de la mémoire. Les principales caractéristiques sont les suivantes :

• Conversion HTML en PDF: Convertissez des fichiers HTML, des chaînes HTML et des URL en documents PDF, en tirant parti de fonctionnalités telles que le rendu de pages web à l'aide du moteur de rendu PDF de Chrome.
• Cross-Platform Support: Compatible avec Python 3+ sur Windows, Mac, Linux, et diverses plateformes Cloud. IronPDF est également accessible pour les environnements .NET, Java, Python et Node.js.
• Édition et signature: Personnalisez les propriétés du PDF, appliquez des mesures de sécurité telles que des mots de passe et des autorisations, et appliquez des signatures numériques de manière transparente.
• Modèles de page et paramètres : Créez des mises en page PDF avec des fonctionnalités telles que des en-têtes, des pieds de page, des numéros de page, des marges ajustables, des tailles de papier personnalisées et des conceptions réactives.
• Conformité aux normes: Respecte strictement les normes PDF telles que PDF/A et PDF/UA, assure la compatibilité de l'encodage des caractères UTF-8 et gère habilement les actifs tels que les images, les feuilles de style CSS et les polices de caractères.

Installation

pip install ironpdf 
pip install scikit-image

pip install ironpdf 
pip install scikit-image

Générer des documents PDF en utilisant IronPDF et Scikit Image

Conditions préalables

1. Assurez-vous que Visual Studio Code est installé en tant qu'éditeur de code

2. La version 3 de Python est installée

   Pour commencer, créons un fichier Python pour ajouter nos scripts.

   Ouvrez Visual Studio Code et créez un fichier nommé scikitDemo.py.

   Installer les bibliothèques nécessaires :

pip install scikit-image
pip install ironpdf

pip install scikit-image
pip install ironpdf

Ensuite, ajoutez le code Python ci-dessous pour démontrer l'utilisation des packages Python IronPDF et scikit-image.

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()

Explication du code

Ce fragment de code montre comment utiliser scikit-image(skimage)et IronPDF ensemble pour traiter une image et convertir les résultats en un document PDF. Voici une explication de chaque partie :

1. Instructions d'importation : Importe les fonctions nécessaires de scikit-image pour le chargement d'images(`io.imread`)et filtrage d'images(filters.gaussian, filters.sobel)et importe la fonctionnalité IronPDF.

2. Appliquer la clé de licence : License.LicenseKey = "Key" : Définit la clé de licence pour IronPDF. Cette étape est nécessaire pour utiliser les fonctionnalités d'IronPDF.3. Chargement et traitement d'une image : Charge une image nommée `'image.jpg'` en utilisant la fonction `io.imread` de scikit-image. Applique ensuite un flou gaussien à l'image chargée en utilisant filters.gaussian avec une valeur de sigma de 1,0. Applique ensuite la détection de contours de Sobel à l'image chargée en utilisant filters.sobel.

3. Affichage et Enregistrement des Résultats : io.imshow_collection([image, image_floue, contours]).savefig('ironPdf-skimage.png'): Affiche une collection d'images(d'origine, flou et contours)en utilisant io.imshow_collection et enregistre la collection affichée sous le nom de 'ironPdf-skimage.png'.

   ImageToPdfConverter.ImageToPdf("ironPdf-skimage.png")sauvegarde(ironPdf-skimage.pdf): Convertit l'image PNG enregistrée(`'ironPdf-skimage.png'`)vers un document PDF en utilisant la méthode `ImageToPdfConverter.ImageToPdf` de IronPDF et l'enregistre sous le nom `'ironPdf-skimage.pdf'`.5. Affichage de l'image : io.show(): Affiche les images dans une fenêtre graphique.

   Ce fragment de code combine les capacités de scikit-image pour le traitement d'images et d'IronPDF pour convertir les images traitées en documents PDF. Il démontre le chargement d'une image, l'application du flou gaussien et de la détection des contours Sobel, l'affichage des résultats, leur enregistrement en tant que fichier PNG, la conversion du PNG en PDF à l'aide de IronPDF et l'affichage des images traitées. Cette intégration est utile pour les tâches où des images doivent être traitées, analysées et documentées au format PDF, comme dans la recherche scientifique, les rapports d'analyse d'images, ou les flux de travail de génération de documents automatisés.

Sortie

PDF (EN ANGLAIS)

Licence d'IronPDF

IronPDF fonctionne avec la clé de licence pour Python. IronPDF pour Python offre un service deessai gratuit afin de permettre aux utilisateurs de vérifier ses nombreuses fonctionnalités avant de l'acheter.

Placez la clé de licence au début du script avant d'utiliser lePaquet IronPDF:

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

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

Conclusion

scikit-image permet aux développeurs Python de s'attaquer efficacement aux tâches liées aux images. Que vous travailliez sur la vision par ordinateur, l'imagerie médicale ou des projets artistiques, ce package vous a couvert. scikit-image est une bibliothèque polyvalente et puissante pour le traitement d'images en Python, offrant un large éventail de fonctions et d'algorithmes pour des tâches telles que le filtrage, la segmentation, l'extraction de caractéristiques et les transformations géométriques. Son intégration transparente avec d'autres bibliothèques scientifiques en fait un choix privilégié pour les chercheurs, développeurs et ingénieurs travaillant avec l'analyse d'image et les applications de vision par ordinateur.

IronPDF est une bibliothèque Python qui facilite la création, l'édition et la manipulation de documents PDF au sein des applications Python. Il offre des fonctionnalités telles que la génération de fichiers PDF à partir de diverses sources comme le HTML, des images ou des PDF existants. De plus, IronPDF prend en charge des tâches comme la fusion ou la division des documents PDF, l'ajout d'annotations, de filigranes ou de signatures numériques, l'extraction de texte ou d'images depuis des PDFs, et la gestion des propriétés du document telles que les métadonnées et les paramètres de sécurité. Cette bibliothèque fournit un moyen efficace de gérer les tâches liées aux PDF de manière programmatique, ce qui la rend adaptée aux applications nécessitant la génération de documents, la création de rapports ou des fonctionnalités de gestion de documents.

Ensemble avec les deux bibliothèques, les utilisateurs peuvent travailler avec des images, les traiter efficacement et stocker les résultats dans des documents PDF à des fins d'archivage.