python skimage图像处理(二)
图像简单滤波
对图像进行滤波，可以有两种效果：一种是平滑滤波，用来抑制噪声；另一种是微分算子，可以用来检测边缘和特征提取。
skimage库中通过filters模块进行滤波操作。
1、sobel算子
sobel算子可用来检测边缘
函数格式为：
2、roberts算子
roberts算子和sobel算子一样，用于检测边缘
调用格式也是一样的：
3、scharr算子
功能同sobel，调用格式：
4、prewitt算子
功能同sobel，调用格式：
5、canny算子
canny算子也是用于提取边缘特征，但它不是放在filters模块，而是放在feature模块
函数格式：
可以修改sigma的值来调整效果
从结果可以看出，sigma越小，边缘线条越细小。
6、gabor滤波
gabor滤波可用来进行边缘检测和纹理特征提取。
函数调用格式：
通过修改frequency值来调整滤波效果，返回一对边缘结果，一个是用真实滤波核的滤波结果，一个是想象的滤波核的滤波结果。
以上为frequency=0.6的结果图。
以上为frequency=0.1的结果图
7、gaussian滤波
多维的滤波器，是一种平滑滤波，可以消除高斯噪声。
调用函数为：
通过调节sigma的值来调整滤波效果
可见sigma越大，过滤后的图像越模糊
8.median
中值滤波，一种平滑滤波，可以消除噪声。
需要用skimage.morphology模块来设置滤波器的形状。
从结果可以看出，滤波器越大，图像越模糊。
9、水平、垂直边缘检测
上边所举的例子都是进行全部边缘检测，有些时候我们只需要检测水平边缘，或垂直边缘，就可用下面的方法。
上边左图为检测出的水平边缘，右图为检测出的垂直边缘。
10、交叉边缘检测
可使用Roberts的十字交叉核来进行过滤，以达到检测交叉边缘的目的。这些交叉边缘实际上是梯度在某个方向上的一个分量。
其中一个核：
对应的函数：
例：
另外一个核：
对应函数为：
图像自动阈值分割
图像阈值分割是一种广泛应用的分割技术，利用图像中要提取的目标区域与其背景在灰度特性上的差异，把图像看作具有不同灰度级的两类区域(目标区域和背景区域)的组合，选取一个比较合理的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生相应的二值图像。
在skimage库中，阈值分割的功能是放在filters模块中。
我们可以手动指定一个阈值，从而来实现分割。也可以让系统自动生成一个阈值，下面几种方法就是用来自动生成阈值。
1、threshold_otsu
基于Otsu的阈值分割方法，函数调用格式：
参数image是指灰度图像，返回一个阈值。
返回阈值为87，根据87进行分割得下图:
2、threshold_yen
使用方法同上：
返回阈值为198，分割如下图：
3、threshold_li
使用方法同上：
返回阈值64.5，分割如下图：
4、threshold_isodata
阈值计算方法：
使用方法同上：
返回阈值为87，因此分割效果和threshold_otsu一样。
5、threshold_adaptive
调用函数为：
block_size: 块大小，指当前像素的相邻区域大小，一般是奇数(如3，5，7。。。)
method: 用来确定自适应阈值的方法，有'mean', 'generic', 'gaussian' 和 'median'。省略时默认为gaussian
该函数直接访问一个阈值后的图像，而不是阈值。
大家可以修改block_size的大小和method值来查看更多的效果。如：
两种效果如下：
基本图形的绘制
图形包括线条、圆形、椭圆形、多边形等。
在skimage包中，绘制图形用的是draw模块，不要和绘制图像搞混了。
1、画线条
函数调用格式为：
r1,r2: 开始点的行数和结束点的行数
c1,c2: 开始点的列数和结束点的列数
返回当前绘制图形上所有点的坐标，如：
表示从(1，5)到(8，2)连一条线，返回线上所有的像素点坐标[rr,cc]
如果想画其它颜色的线条，则可以使用set_color()函数，格式为：
例：
则绘制红色线条。
2、画圆
函数格式：
cy和cx表示圆心点，radius表示半径
3、多边形
函数格式：
Y为多边形顶点的行集合，X为各顶点的列值集合。
我在此处只设置了四个顶点，因此是个四边形。
4、椭圆
格式：
cy和cx为中心点坐标，yradius和xradius代表长短轴。
5、贝塞儿曲线
格式：
y1,x1表示第一个控制点坐标
y2,x2表示第二个控制点坐标
y3,x3表示第三个控制点坐标
weight表示中间控制点的权重，用于控制曲线的弯曲度。
6、画空心圆
和前面的画圆是一样的，只是前面是实心圆，而此处画空心圆，只有边框线。
格式：
yx,yc是圆心坐标，radius是半径
7、空心椭圆
格式：
cy,cx表示圆心
yradius,xradius表示长短轴
基本形态学滤波
对图像进行形态学变换。变换对象一般为灰度图或二值图，功能函数放在morphology子模块内。
1、膨胀(dilation)
原理：一般对二值图像进行操作。找到像素值为1的点，将它的邻近像素点都设置成这个值。1值表示白，0值表示黑，因此膨胀操作可以扩大白色值范围，压缩黑色值范围。一般用来扩充边缘或填充小的孔洞。
功能函数：
selem表示结构元素，用于设定局部区域的形状和大小。
分别用边长为5或15的正方形滤波器对棋盘图片进行膨胀操作，结果如下：
可见滤波器的大小，对操作结果的影响非常大。一般设置为奇数。
除了正方形的滤波器外，滤波器的形状还有一些，现列举如下：
注意，如果处理图像为二值图像(只有0和1两个值)，则可以调用：
用此函数比处理灰度图像要快。
2、腐蚀(erosion)
函数：
selem表示结构元素，用于设定局部区域的形状和大小。
和膨胀相反的操作，将0值扩充到邻近像素。扩大黑色部分，减小白色部分。可用来提取骨干信息，去掉毛刺，去掉孤立的像素。
注意，如果处理图像为二值图像(只有0和1两个值)，则可以调用：
用此函数比处理灰度图像要快。
3、开运算(opening)
函数：
selem表示结构元素，用于设定局部区域的形状和大小。
先腐蚀再膨胀，可以消除小物体或小斑块。
注意，如果处理图像为二值图像(只有0和1两个值)，则可以调用：
用此函数比处理灰度图像要快。
4、闭运算(closing)
函数：
selem表示结构元素，用于设定局部区域的形状和大小。
先膨胀再腐蚀，可用来填充孔洞。
注意，如果处理图像为二值图像(只有0和1两个值)，则可以调用：
用此函数比处理灰度图像要快。
5、白帽(white-tophat)
函数：
selem表示结构元素，用于设定局部区域的形状和大小。
将原图像减去它的开运算值，返回比结构化元素小的白点
6、黑帽(black-tophat)
函数：
selem表示结构元素，用于设定局部区域的形状和大小。
将原图像减去它的闭运算值，返回比结构化元素小的黑点，且将这些黑点反色。
高级滤波
本文提供更多更强大的滤波方法，这些方法放在filters.rank子模块内。
这些方法需要用户自己设定滤波器的形状和大小，因此需要导入morphology模块来设定。
1、autolevel
这个词在photoshop里面翻译成自动色阶，用局部直方图来对图片进行滤波分级。
该滤波器局部地拉伸灰度像素值的直方图，以覆盖整个像素值范围。
格式：
selem表示结构化元素，用于设定滤波器。
2、bottomhat 与 tophat
bottomhat: 此滤波器先计算图像的形态学闭运算，然后用原图像减去运算的结果值，有点像黑帽操作。
bophat: 此滤波器先计算图像的形态学开运算，然后用原图像减去运算的结果值，有点像白帽操作。
格式：
selem表示结构化元素，用于设定滤波器。
下面是bottomhat滤波的例子：
3、enhance_contrast
对比度增强。求出局部区域的最大值和最小值，然后看当前点像素值最接近最大值还是最小值，然后替换为最大值或最小值。
函数：
selem表示结构化元素，用于设定滤波器。
4、entropy
求局部熵，熵是使用基为2的对数运算出来的。该函数将局部区域的灰度值分布进行二进制编码，返回编码的最小值。
函数格式：
selem表示结构化元素，用于设定滤波器。
5、equalize
均衡化滤波。利用局部直方图对图像进行均衡化滤波。
函数格式：
selem表示结构化元素，用于设定滤波器。
6、gradient
返回图像的局部梯度值(如：最大值-最小值)，用此梯度值代替区域内所有像素值。
函数格式：
selem表示结构化元素，用于设定滤波器。
7、其它滤波器
滤波方式很多，下面不再一一详细讲解，仅给出核心代码，所有的函数调用方式都是一样的。
最大值滤波器(maximum):返回图像局部区域的最大值，用此最大值代替该区域内所有像素值。
最小值滤波器(minimum)：返回图像局部区域内的最小值，用此最小值取代该区域内所有像素值。
均值滤波器(mean) : 返回图像局部区域内的均值，用此均值取代该区域内所有像素值。
中值滤波器(median): 返回图像局部区域内的中值，用此中值取代该区域内所有像素值。
莫代尔滤波器(modal) : 返回图像局部区域内的modal值，用此值取代该区域内所有像素值。
otsu阈值滤波(otsu): 返回图像局部区域内的otsu阈值，用此值取代该区域内所有像素值。
阈值滤波(threshhold): 将图像局部区域中的每个像素值与均值比较，大于则赋值为1，小于赋值为0，得到一个二值图像。
减均值滤波(subtract_mean): 将局部区域中的每一个像素，减去该区域中的均值。
求和滤波(sum) :求局部区域的像素总和，用此值取代该区域内所有像素值。
