Python для начинающих

### Изучение методов обработки изображений с использованием библиотеки Scikit-Image

Обработка изображений – это та область, которая сочетает в себе магию математики, искусства и программистского мастерства. Если вы когда-либо хотели научиться добавлять фильтры, выделять контуры объектов или модифицировать изображения на уровне пикселей, позвольте представить библиотеку scikit-image. Это мощный инструмент с простым интерфейсом. Его главная цель – сделать сложные задачи обработки изображений доступными даже для начинающих Python-разработчиков.

Давайте погрузимся в мир scikit-image и разберем несколько полезных методов из этой библиотеки на конкретных примерах.

---

### 1. Загрузка изображений и их просмотр

Первый шаг в обработке изображения – это его открытие. В scikit-image за это отвечает функция io.imread.

from skimage import io
import matplotlib.pyplot as plt

# Загрузка изображения из интернета
image = io.imread('https://upload.wikimedia.org/wikipedia/commons/4/47/PNG_transparency_demonstration_1.png')

# Отображение изображения
plt.imshow(image)
plt.axis('off')
plt.show()

Элементарно! Вы скачали изображение, отобразили его и готовы приступить к обработке. А что если нам нужно сделать его черно-белым?

---

### 2. Преобразование в оттенки серого

Цветные изображения состоят из множества пикселей, каждый из которых имеет RGB-значение. Иногда требуется упростить изображение, оставив только уровни яркости. Для этого в scikit-image есть функция rgb2gray.

from skimage.color import rgb2gray

# Преобразование в оттенки серого
gray_image = rgb2gray(image)

# Отображение результата
plt.imshow(gray_image, cmap='gray')
plt.axis('off')
plt.show()

И вот перед нами черно-белое изображение! Всё происходит за считанные строки.

---

### 3. Выделение краев

Один из ключевых моментов обработки изображений – выделение объектов с помощью их контуров. В scikit-image для этого предусмотрен метод canny.

from skimage.feature import canny

# Выделение контуров методом Кэнни
edges = canny(gray_image, sigma=1)

# Отображение контуров
plt.imshow(edges, cmap='gray')
plt.axis('off')
plt.show()

Алгоритм Кэнни позволяет легко находить границы объектов, например, очертания фасадов зданий. sigma регулирует уровень сглаживания: чем выше значение, тем более сглаженные контуры вы получите.

---

### 4. Изменение размера изображения

Для обработки больших изображений иногда требуется изменить их размер — уменьшить или увеличить, сохранив пропорции. Воспользуемся функцией resize.

from skimage.transform import resize

# Уменьшение изображения до 50% от исходного размера
resized_image = resize(image, (image.shape[0] // 2, image.shape[1] // 2))

# Отображение уменьшенного изображения
plt.imshow(resized_image)
plt.axis('off')
plt.show()

Теперь вы можете работать с более компактной версией изображения, экономя память и время выполнения операций.

---

### 5. Применение фильтров

Фильтрация изображений – это не только Instagram-эффекты, но и полезный инструмент для устранения шума. Попробуем применить гауссовское размытие с использованием функции gaussian.

from skimage.filters import gaussian

# Применение размытия
blurred_image = gaussian(gray_image, sigma=2)

# Отображение результата
plt.imshow(blurred_image, cmap='gray')
plt.axis('off')
plt.show()

Функция gaussian смягчает резкие переходы, убирая мелкие дефекты и шум, но при этом сохраняя основные структуры.

---

### Пару слов в завершение

Библиотека scikit-image – это настоящий швейцарский нож для работы с изображениями. В ней есть инструменты для сегментации, изменения формата, выделения объектов, анализа текстур и множества других задач. Главное – терпеливо экспериментировать и искать подходящее решение. У scikit-image удобная документация, а её функционал способен удовлетворить как новичков, так и опытных специалистов.

Эти примеры – всего лишь первая ступенька в лестнице возможностей scikit-image.

161 views00:50