scikit-image：Python 图像处理的标准工具箱

scikit-image：Python 图像处理的标准工具箱

scikit-image 在 GitHub 上拿到了 6,522 个 Star。

如果你用 Python 写过图像处理，大概率已经用过它。这个库 2014 年在 PeerJ 发了论文，十多年下来成了科学 Python 生态里绕不开的一块拼图。

1、这个库干什么的

一句话讲清楚：用 NumPy 数组表示图像，然后对数组做各种变换和计算。

scikit-image 建立在 NumPy 和 SciPy 之上，把图像看成多维 ndarray。灰度图是 2D 数组，彩色图是 3D 数组。所有算法都直接操作这些数组，输出也是数组。这个设计让它能无缝接到 NumPy、SciPy、matplotlib、scikit-learn 这些库的管道里。

提供了几百个图像处理函数，覆盖读图、滤波、分割、特征提取、几何变换的完整流程。

2、跟 OpenCV 有什么不同

OpenCV 是 C++ 写的，Python 接口套了一层。scikit-image 是纯 Python 写的，核心计算用 Cython 加速。

区别在三个地方：

数据类型：OpenCV 的 BGR 跟 matplotlib 的 RGB 得来回转，scikit-image 直接用 NumPy 原生的 RGB 或灰度格式，省掉了颜色空间转换这一步。

API 风格：OpenCV 函数命名偏 C++，参数多、标志位多。scikit-image 的 API 统一风格，每个模块下面函数命名一致，参数命名也一致。

生态整合：scikit-image 数据类型和 NumPy、SciPy、matplotlib、scikit-learn 完全一致，数据在这些库之间流转不需要任何转换。

实际项目里很多人两个都用：OpenCV 做视频流、摄像头采集这类偏工程的事，scikit-image 做算法原型、科学分析这类偏研究的事。

3、能干什么

滤波和增强：高斯滤波、中值滤波、Sobel 边缘检测、直方图均衡化，都是基础功能。

分割：分水岭算法、阈值分割、随机游走、SLIC 超像素分割、活动轮廓模型。分割算法种类比 OpenCV 多不少，这是 scikit-image 的强项。

特征检测：Canny 边缘、Harris 角点、HOG 描述子、ORB、BRIEF，还有基于文本的方法。

形态学操作：膨胀、腐蚀、开闭运算、骨架化、凸包。

色彩空间：RGB、HSV、Lab、XYZ 之间的转换，以及色适应变换。

几何变换：缩放、旋转、仿射变换、极坐标映射、图像配准。

所有这些操作都是 NumPy 数组进、NumPy 数组出。中间随时可以停下来画图、检查、做统计分析，Scientific Python 生态里的任何工具都能接上去。

4、安装和上手

pip install scikit-image

或者 conda：

conda install -c conda-forge scikit-image

装完就能用。读一张图，加个高斯模糊，显示：

from skimage import io, filters
import matplotlib.pyplot as plt

image = io.imread('photo.jpg')
blurred = filters.gaussian(image, sigma=2)
plt.imshow(blurred)
plt.show()

整个 API 的设计思路是"一个函数干一件事"：skimage.filters.gaussian 只管高斯滤波，skimage.filters.sobel 只管 Sobel 边缘检测。函数名本身就说明了功能，不用翻文档大概也能猜到。

5、适合谁用

• 做计算机视觉研究、需要快速验证算法的研究生和研究员
• 用 Python 做科学计算、需要分析图像数据的科学家
• 教图像处理课程的老师，API 干净，学生不用花时间理解框架就能直接上手写算法
• 在 Jupyter Notebook 里做探索性图像分析的数据工程师
• 需要把图像处理步骤嵌入 scikit-learn pipeline 的机器学习工程师