En este post vamos a hacer una pequeña introducción a la librería scikit-image, la cual básicamente es una colección de algoritmos para el procesamiento de imágenes en Python.
Para comenzar
Todas las instrucciones referente a descarga e instalación, así como algunos códigos de ejemplos pueden encontrarse en la página oficial:
http://scikit-image.org/.
A manera de referencia rápida, puede instalar scikit-image utilizando pip:
>> pip install -U scikit-image
En general, scikit-image o skimage, trabaja con arrays de numpy, así como también hace uso de algunas utilidades gráficas de Matplotlib para la visualización, por ello también es necesario tener instaladas las librerías SciPy, Matplotlib, NetWorkX, y PIL/pillow.
Lo muy básico: cómo leer y mostrar imágenes
Bueno, aquí un primer ejemplo de cómo leer y mostrar una imagen desde un archivo. Tenemos una imagen llamada "lenna.png" en el mismo directorio de nuestro código, luego, podemos utilizar el módulo iode scikit-image para leer y mostrar esta imagen. Básicamente se procede como sigue:
Primero importamos el modulo correspondiente:
Ahora utilizamos la función imread del módulo io para leer la imagen, y guardamos esto en una variable, en la cual se almacenará un array de NumPy con la información de los colores que componen la imagen.
img = io.imread('lenna.png')
Enseguida utilizamos la función imshow para mostrar la imagen que pasemos como argumento y la función show para mostrar toda la ventana o figure que contiene la(s) imágenes a desplegar en la pantalla.
Juntando este mini código nos quedaría algo como lo siguiente:
from skimage import io
img = io.imread("lenna.png")
io.imshow(img)
io.show()
Si ejecutamos lo anterior nos mostrará la imagen leída en una ventana o figure de Matplotlib, tal como se aprecia en la siguiente imagen:
Podemos averiguar la forma o cantidad de elementos del array img utilizando el método shape, por ejemplo en el script anterior se puede añadir:
Y con ello nos mostrará en consola una tupla de 3 elementos (para el caso de esta imagen) con la información del número de filas, columnas y capas de la matriz. En nuestro ejemplo nos muestra:
Lo cual implica que tenemos una imagen de 512x512 pixeles. El tercer número indica que tenemos tres capas o canales del módelo de color RGB, en el cual la primer capa representa el rojo, la segunda el verde y la tercera el azul. Así, toda la gama de colores para un pixel en específico se puede obtener mediante la combinación de estos tres colores primarios.
Un poco de gris...
Ahora, ya sabemos leer y mostrar imágenes. Vamos a operar un poco y a convertir nuestra matriz RGB de entrada en una matriz de intensidades en escala de grises, o en pocas palabras vamos a transformar una matriz de color en una en tono de grises. Para ello vamos a importar el módulo color y a utilizar la función rgb2gray:
from skimage import io,color
img = io.imread("lenna.png")
img_gris = color.rgb2gray(img)
io.imshow(img_gris)
io.show()
¿Y qué pasa si queremos mostrar ambas imágenes en una misma ventana?, bueno, para ello podemos hacer uso de la función subplot de Matplotlib:
import matplotlib.pyplot as plt
from skimage import io,color
img = io.imread("lenna.png")
img_gris = color.rgb2gray(img)
plt.subplot(211)
io.imshow(img)
plt.subplot(212)
io.imshow(img_gris)
io.show()
Hasta aquí esta breve introducción a scikit-image, una librería que sin duda vale la pena revisar y que proporciona una cantidad razonable de algoritmos que pueden ser muy útiles en el procesamiento digital de imágenes. Posteriormente se hablará de algunos tópicos básicos adicionales, como la binarización, segmentación, y otras operaciones típicas.
