scikit-image Python (Cómo funciona: una guía para desarrolladores)

Scikit-image es una colección de algoritmos diseñados para el procesamiento de imágenes en Python. Está disponible de forma gratuita y sin restricciones, y cuenta con código de alta calidad revisado por pares de una activa comunidad de voluntarios. El proyecto Scikit-image comenzó en Google en 2009 como parte del programa Google Summer Code bajo la mentoría de Stefan van der Walt y otros colaboradores de Scikit-image. Tenía como objetivo crear una biblioteca de Python para el procesamiento de imágenes que fuera fácil de usar, eficiente y ampliable para aplicaciones académicas e industriales. En este artículo, aprenderemos sobre la biblioteca de imágenes de Python Scikit-image y una biblioteca de generación de PDF de IronSoftware llamada IronPDF.

Primeros pasos

Para aprender sobre Scikit-image, visita el sitio web oficial. Además, Data Carpentry ofrece una excelente lección sobre procesamiento de imágenes en Python utilizando Scikit.

Instalación mediante pip

• Asegúrate de tener Python instalado (al menos la versión 3.10).

• Abre tu terminal o símbolo del sistema.

  • Actualizar pip:

python -m pip install -U pip

py

• Instale scikit-image a través de pip o scikit image conda:

python -m pip install -U scikit-image

py

• Para acceder a los conjuntos de datos de demostración, use:

python -m pip install -U scikit-image[data]

py

• Para paquetes científicos adicionales, incluidas las capacidades de procesamiento paralelo:

python -m pip install -U scikit-image[optional]

py

Ejemplo básico

import skimage.io
import matplotlib.pyplot as plt
image = skimage.io.imread(fname='land.jpg')
plt.imshow(image) # show binary image
plt.show()

py

Filtros

import skimage as ski
image = ski.data.coins()  # Load sample image
edges = ski.filters.sobel(image)
ski.io.imshow(edges)
ski.io.show()

py

Scikit-image, a menudo abreviado como skimage, es una potente biblioteca de Python para tareas de procesamiento de imágenes. Está construido sobre arrays de NumPy, SciPy y matplotlib, y proporciona varias funciones y algoritmos para manipular y analizar imágenes. skimage importar datos coins se puede usar para acceder a imágenes de muestra de la biblioteca. skimage import filters se puede usar para acceder a filtros integrados y funciones utilitarias.

Características clave de Scikit-image

1. Filtrado de Imágenes y Detección de Bordes

from skimage import io, filters
# Load an image
image = io.imread('image.jpg')
# Apply Gaussian blur
blurred_image = filters.gaussian(image, sigma=1.0)
# Apply Sobel edge detection
edges = filters.sobel(image)
# Display the original image, blurred image, and edges
io.imshow_collection([image, blurred_image, edges])
io.show()

py

Salida

2. Extracción de características con HOG (Histograma de Gradientes Orientados)

from skimage import io, color, feature
# Load an example image and convert to grayscale
image = io.imread('image.jpg')
gray_image = color.rgb2gray(image)
# Compute HOG features
hog_features, hog_image = feature.hog(gray_image, visualize=True)
# Display the original image and the HOG image
io.imshow_collection([image, gray_image, hog_image])
io.show()

py

Salida

3. Transformación Geométrica - Redimensionar y Rotación

from skimage import io, transform
# Load an image
image = io.imread('image.jpg')
# Resize image
resized_image = transform.resize(image, (image.shape[0] // 2, image.shape[1] // 2))
# Rotate image
rotated_image = transform.rotate(image, angle=45)
# Display the original image, resized image, and rotated image
io.imshow_collection([image, resized_image, rotated_image])
io.show()

py

Salida

4. Eliminación de ruido en imágenes con filtro de variación total

from skimage import io, restoration
# Load a noisy image
image = io.imread('image.jpg')
# Apply total variation denoising
denoised_image = restoration.denoise_tv_chambolle(image, weight=0.1)
# Display the noisy image and the denoised image
io.imshow_collection([image, denoised_image])
io.show()

py

Salida

Puedes encontrar más sobre el procesamiento de imágenes y el array de NumPy en la página oficial.

Presentación de IronPDF

IronPDF es una robusta biblioteca Python diseñada para manejar la creación, edición y firma de documentos PDF utilizando HTML, CSS, imágenes y JavaScript. Prioriza la eficiencia del rendimiento y funciona con un uso mínimo de memoria. Las características clave incluyen:

• Conversión de HTML a PDF: Convierte archivos HTML, cadenas HTML y URLs en documentos PDF, aprovechando capacidades como el renderizado de páginas web utilizando el motor de renderizado PDF de Chrome.
• Soporte multiplataforma: Compatible con Python 3+ en Windows, Mac, Linux y varias plataformas en la nube. IronPDF también es accesible para entornos .NET, Java, Python y Node.js.
• Edición y firma: Personaliza las propiedades del PDF, aplica medidas de seguridad como contraseñas y permisos, y aplica firmas digitales de manera fluida.
• Plantillas y configuraciones de página: Crea diseños de PDF con características como encabezados, pies de página, números de página, márgenes ajustables, tamaños de papel personalizados y diseños responsivos.
• Cumplimiento de estándares: Se adhiere estrictamente a los estándares PDF como PDF/A y PDF/UA, garantiza la compatibilidad de codificación de caracteres UTF-8 y gestiona hábilmente activos como imágenes, hojas de estilo CSS y fuentes.

Instalación

pip install ironpdf 
pip install scikit-image

py

Generar documentos PDF usando IronPDF y Scikit Image

Requisitos previos

1. Asegúrate de que Visual Studio Code esté instalado como editor de código

2. Python versión 3 está instalado

   Para empezar, creemos un archivo Python para añadir nuestros scripts.

   Abre Visual Studio Code y crea un archivo, scikitDemo.py.

   Instale las bibliotecas necesarias:

pip install scikit-image
pip install ironpdf

py

A continuación, añade el siguiente código en Python para demostrar el uso de los paquetes de Python IronPDF y scikit-image.

from skimage import io, filters
from ironpdf import * 
# Apply your license key
License.LicenseKey = "key"
# Load an image
image = io.imread('image.jpg')
# Apply Gaussian blur
blurred_image = filters.gaussian(image, sigma=1.0)
# Apply Sobel edge detection
edges = filters.sobel(image)
# Display the original image, blurred image, and edges
io.imshow_collection([image, blurred_image, edges]).savefig('ironPdf-skimage.png')
ImageToPdfConverter.ImageToPdf("ironPdf-skimage.png").SaveAs("ironPdf-skimage.pdf")
io.show()

py

Código Explicación

Este fragmento de código demuestra cómo usar scikit-image (skimage\) e IronPDF juntos para procesar una imagen y convertir los resultados en un documento PDF. Aquí tienes una explicación de cada parte:

1. Declaraciones de Importación: Importa funciones necesarias de scikit-image para carga de imágenes (io.imread) y filtrado de imágenes (filters.gaussian, filters.sobel) e importa la funcionalidad de IronPDF.

2. Aplicando la clave de licencia: License.LicenseKey = "Key": Establece la clave de licencia para IronPDF. Este paso es necesario para usar las funcionalidades de IronPDF.3. Cargar y procesar una imagen: Carga una imagen llamada `'image.jpg'` usando la función `io.imread` de scikit-image. Luego aplica un desenfoque gaussiano a la imagen cargada usando `filters.gaussian` con un valor sigma de 1.0. Posteriormente, aplica detección de bordes de Sobel a la imagen cargada usando `filters.sobel`.

3. Mostrando y Guardando Resultados: io.imshow_collection([image, blurred_image, edges]).savefig('ironPdf-skimage.png'): Muestra una colección de imágenes (original, desenfocada y bordes) usando `io.imshow_collection` y guarda la colección mostrada como `'ironPdf-skimage.png'`.

   ImageToPdfConverter.ImageToPdf("ironPdf-skimage.png").SaveAs("ironPdf-skimage.pdf"): Convierte la imagen PNG guardada ('ironPdf-skimage.png') en un documento PDF utilizando `ImageToPdfConverter.ImageToPdf` de IronPDF y la guarda como `'ironPdf-skimage.pdf'`.5. Muestra de la imagen: io.show(): Muestra las imágenes en una ventana gráfica.

   Este fragmento de código combina las capacidades de scikit-image para el procesamiento de imágenes y IronPDF para convertir imágenes procesadas en documentos PDF. Demuestra la carga de una imagen, la aplicación de un desenfoque Gaussiano y detección de bordes de Sobel, la visualización de los resultados, su guarda como un archivo PNG, la conversión del PNG a PDF utilizando IronPDF, y la visualización de las imágenes procesadas. Esta integración es útil para tareas en las que las imágenes necesitan ser procesadas, analizadas y documentadas en formato PDF, como en investigaciones científicas, informes de análisis de imágenes o flujos de trabajo de generación de documentos automatizados.

Salida

PDF

Licencia IronPDF

IronPDF se ejecuta con la clave de licencia para Python. IronPDF for Python ofrece una licencia de prueba gratuita para permitir a los usuarios probar sus extensas características antes de la compra.

Coloca la clave de licencia al inicio del script antes de usar el paquete IronPDF:

from ironpdf import * 
# Apply your license key
License.LicenseKey = "key"

py

Conclusión

scikit-image permite a los desarrolladores de Python abordar tareas relacionadas con imágenes de manera eficiente. Ya sea que estés trabajando en visión por computadora, imágenes médicas o proyectos artísticos, este paquete tiene todo lo que necesitas. scikit-image es una biblioteca versátil y potente para el procesamiento de imágenes en Python, que ofrece una amplia gama de funciones y algoritmos para tareas como filtrado, segmentación, extracción de características y transformaciones geométricas. Su integración perfecta con otras bibliotecas científicas lo convierte en una opción preferida para investigadores, desarrolladores e ingenieros que trabajan con análisis de imágenes y aplicaciones de visión por computadora.

IronPDF es una biblioteca de Python que facilita la creación, edición y manipulación de documentos PDF dentro de aplicaciones de Python. Ofrece funciones como la generación de archivos PDF a partir de diversas fuentes como HTML, imágenes o PDFs existentes. Además, IronPDF admite tareas como la fusión o división de documentos PDF, la adición de anotaciones, marcas de agua o firmas digitales, la extracción de texto o imágenes de PDFs, y la gestión de propiedades de documentos como metadatos y configuraciones de seguridad. Esta biblioteca proporciona una manera eficiente de manejar tareas relacionadas con PDF de forma programática, lo que la hace adecuada para aplicaciones que requieren generación de documentos, creación de informes o funcionalidades de gestión de documentos.

Junto con ambas bibliotecas, los usuarios pueden trabajar con imágenes, procesarlas de manera eficiente y almacenar los resultados en documentos PDF para fines de archivo.