2.10 `scipy.ndimage`：N 维图像处理

2.10 scipy.ndimage：N 维图像处理

2.10 scipy.ndimage：N 维图像处理

scipy.ndimage 是 SciPy 库中一个强大的子模块，专门用于处理 N 维图像数据。它提供了一系列函数，用于图像的滤波、形态学操作、测量、线性代数以及几何变换等。无论你是处理医学图像、遥感数据，还是进行计算机视觉研究，scipy.ndimage 都能为你提供便捷高效的工具。

2.10.1 核心功能概览

scipy.ndimage 模块的功能可以大致分为以下几类：

• 滤波 (Filtering): 对图像进行平滑、锐化、边缘检测等操作。

• 形态学操作 (Morphology): 进行腐蚀、膨胀、开运算、闭运算等操作，用于图像分割、对象提取等。

• 测量 (Measurement): 测量图像中对象的属性，如面积、周长、质心等。

• 线性代数 (Linear Algebra): 执行图像的线性变换。

• 几何变换 (Geometric Transformations): 进行图像的旋转、缩放、平移等操作。

可以用如下Mermaid图来表示：

2.10.2 常用函数详解与代码实践

2.10.2.1 滤波 (Filtering)

• gaussian_filter(input, sigma, ...): 应用高斯滤波器，用于平滑图像。sigma 参数控制高斯核的标准差，决定了平滑的程度。

  import numpy as np
  from scipy import ndimage
  import matplotlib.pyplot as plt
  # 创建一个示例图像
  image = np.zeros((256, 256))
  image[64:192, 64:192] = 1
  image[100:160, 100:160] = 0
  # 应用高斯滤波器
  sigma = 10
  blurred_image = ndimage.gaussian_filter(image, sigma=sigma)
  # 显示结果
  plt.figure(figsize=(10, 5))
  plt.subplot(1, 2, 1)
  plt.imshow(image, cmap='gray')
  plt.title('Original Image')
  plt.subplot(1, 2, 2)
  plt.imshow(blurred_image, cmap='gray')
  plt.title(f'Gaussian Filtered (sigma={sigma})')
  plt.show()
  ​

• median_filter(input, size, ...): 应用中值滤波器，用于去除椒盐噪声。size 参数指定滤波器的大小。

  # 创建一个带噪声的示例图像
  noisy_image = image + 0.2 * np.random.randn(*image.shape)
  noisy_image = np.clip(noisy_image, 0, 1) # 确保像素值在0-1之间
  # 应用中值滤波器
  size = 5
  median_filtered_image = ndimage.median_filter(noisy_image, size=size)
  # 显示结果
  plt.figure(figsize=(10, 5))
  plt.subplot(1, 2, 1)
  plt.imshow(noisy_image, cmap='gray')
  plt.title('Noisy Image')
  plt.subplot(1, 2, 2)
  plt.imshow(median_filtered_image, cmap='gray')
  plt.title(f'Median Filtered (size={size})')
  plt.show()
  ​

• convolve(input, weights, ...): 使用给定的卷积核对图像进行卷积。

  # 定义一个简单的边缘检测卷积核
  kernel = np.array([[-1, -1, -1],
                     [-1,  8, -1],
                     [-1, -1, -1]])
  # 应用卷积
  convolved_image = ndimage.convolve(image, weights=kernel)
  # 显示结果
  plt.imshow(convolved_image, cmap='gray')
  plt.title('Convolved Image (Edge Detection)')
  plt.show()
  ​

2.10.2.2 形态学操作 (Morphology)

• binary_erosion(input, structure=None, ...): 对二值图像进行腐蚀操作。structure 参数指定结构元素，默认为一个 3x3 的正方形。

  # 创建一个二值图像
  binary_image = image > 0.5
  # 应用腐蚀操作
  eroded_image = ndimage.binary_erosion(binary_image)
  # 显示结果
  plt.figure(figsize=(10, 5))
  plt.subplot(1, 2, 1)
  plt.imshow(binary_image, cmap='gray')
  plt.title('Binary Image')
  plt.subplot(1, 2, 2)
  plt.imshow(eroded_image, cmap='gray')
  plt.title('Eroded Image')
  plt.show()
  ​

• binary_dilation(input, structure=None, ...): 对二值图像进行膨胀操作。structure 参数指定结构元素，默认为一个 3x3 的正方形。

  # 应用膨胀操作
  dilated_image = ndimage.binary_dilation(binary_image)
  # 显示结果
  plt.figure(figsize=(10, 5))
  plt.subplot(1, 2, 1)
  plt.imshow(binary_image, cmap='gray')
  plt.title('Binary Image')
  plt.subplot(1, 2, 2)
  plt.imshow(dilated_image, cmap='gray')
  plt.title('Dilated Image')
  plt.show()
  ​

• binary_opening(input, structure=None, ...): 对二值图像进行开运算（先腐蚀后膨胀）。

• binary_closing(input, structure=None, ...): 对二值图像进行闭运算（先膨胀后腐蚀）。

  # 应用开运算
  opened_image = ndimage.binary_opening(binary_image)
  # 应用闭运算
  closed_image = ndimage.binary_closing(binary_image)
  # 显示结果
  plt.figure(figsize=(10, 5))
  plt.subplot(1, 2, 1)
  plt.imshow(binary_image, cmap='gray')
  plt.title('Binary Image')
  plt.subplot(1, 2, 2)
  plt.imshow(opened_image, cmap='gray')
  plt.title('Opened Image')
  plt.show()
  plt.figure(figsize=(10, 5))
  plt.subplot(1, 2, 1)
  plt.imshow(binary_image, cmap='gray')
  plt.title('Binary Image')
  plt.subplot(1, 2, 2)
  plt.imshow(closed_image, cmap='gray')
  plt.title('Closed Image')
  plt.show()
  ​

2.10.2.3 测量 (Measurement)

• label(input, structure=None, ...): 标记图像中连通的区域。

  # 标记连通区域
  labeled_image, num_labels = ndimage.label(binary_image)
  # 显示结果
  plt.imshow(labeled_image, cmap='jet')
  plt.title(f'Labeled Image (Number of Labels: {num_labels})')
  plt.colorbar()
  plt.show()
  ​

• measurements.center_of_mass(input, labels=None, index=None): 计算图像中每个标记区域的质心。

  # 计算每个区域的质心
  centers = ndimage.measurements.center_of_mass(binary_image, labeled_image, range(1, num_labels + 1))
  print("质心坐标:", centers)
  ​

• measurements.area(input, labels=None, index=None): 计算图像中每个标记区域的面积。

  # 计算每个区域的面积
  areas = ndimage.measurements.area(labeled_image, index=range(1, num_labels + 1))
  print("每个区域的面积:", areas)
  ​

2.10.2.4 几何变换 (Geometric Transformations)

• rotate(input, angle, axes=(1, 0), reshape=True, ...): 旋转图像。angle 参数指定旋转角度，axes 参数指定旋转轴。

  # 旋转图像
  rotated_image = ndimage.rotate(image, angle=45, reshape=False)
  # 显示结果
  plt.imshow(rotated_image, cmap='gray')
  plt.title('Rotated Image (45 degrees)')
  plt.show()
  ​

• zoom(input, zoom, ...): 缩放图像。zoom 参数指定缩放比例。

  # 缩放图像
  zoomed_image = ndimage.zoom(image, zoom=0.5)
  # 显示结果
  plt.imshow(zoomed_image, cmap='gray')
  plt.title('Zoomed Image (0.5x)')
  plt.show()
  ​

• shift(input, shift, ...): 平移图像。shift 参数指定平移的距离。

  # 平移图像
  shifted_image = ndimage.shift(image, shift=(20, 30))
  # 显示结果
  plt.imshow(shifted_image, cmap='gray')
  plt.title('Shifted Image')
  plt.show()
  ​

2.10.3 高级应用

• 图像分割: 结合形态学操作和测量功能，可以实现复杂的图像分割任务。例如，可以使用开运算去除小的噪声点，然后使用 label 函数标记连通区域，最后根据面积等属性筛选出目标对象。

• 医学图像处理: scipy.ndimage 在医学图像处理中应用广泛，例如，可以使用高斯滤波器平滑 CT 或 MRI 图像，使用形态学操作分割肿瘤区域，并使用测量功能计算肿瘤的体积。

• 遥感图像处理: 可以对遥感图像进行滤波、几何校正、目标识别等处理。

2.10.4 注意事项

• 数据类型: scipy.ndimage 的函数通常支持多种数据类型，但有些函数可能对数据类型有特定要求。在使用前请仔细阅读文档。

• 边界处理: 在进行滤波、形态学操作等运算时，需要考虑图像边界的处理方式。scipy.ndimage 提供了多种边界模式，如 constant、nearest、wrap 等，可以通过 mode 参数指定。

• 性能优化: 对于大型图像，可以考虑使用多线程或 GPU 加速来提高处理速度。

2.10.5 总结

scipy.ndimage 是一个功能强大的图像处理工具箱，它提供了丰富的函数，可以满足各种图像处理需求。通过学习和实践本文介绍的常用函数，你将能够利用 scipy.ndimage 解决实际问题，并为进一步探索图像处理领域打下坚实的基础。通过灵活组合这些函数，可以实现各种复杂的图像处理算法，例如图像分割、目标识别、图像增强等。 掌握scipy.ndimage能够极大的提高图像处理的效率。