使用 Python 的 scikit-image 模块进行图像分割

图像分割是将图像划分为多个子区域的过程，每个子区域中的像素具有类似的特征，例如颜色、纹理、形状等。这在计算机视觉、医学影像分析、自动驾驶等领域中应用广泛。scikit-image 是一个基于 Python 的图像处理库，提供了许多常用的图像分割算法和工具。

安装 scikit-image

在使用 scikit-image 之前，需要安装该库。在命令行中使用以下命令来安装：

!pip install scikit-image

加载图像数据

在本次介绍中，我们将使用一张著名的图像——Lena，它是数字图像处理领域中使用最广泛的标准测试图像之一。我们使用 skimage 中的 io 模块读取该图像：

from skimage import io

image = io.imread('lena.png')

基于阈值的分割

阈值分割是最简单的图像分割方法之一。在这个方法中，将像素值与一个预设的阈值进行比较，将大于阈值的像素分为一个部分，将小于阈值的像素分为另一个部分。这里我们使用 threshold_otsu 方法来估计图像的合适阈值：

from skimage.filters import threshold_otsu

threshold = threshold_otsu(image)
binary = image > threshold

基于聚类的分割

聚类方法是将像素分组成多个类别，每个类别中的像素彼此相似。这里我们使用 k-means 算法将图像划分为两个区域：

from skimage.filters import rank
from skimage.color import rgb2gray
from skimage.morphology import disk
from sklearn.cluster import KMeans

gray = rgb2gray(image)
smoothed = rank.mean(gray, disk(10))
X = smoothed.reshape((-1, 1))
kmeans = KMeans(n_clusters=2).fit(X)
kmeans_labels = kmeans.labels_.reshape(gray.shape)

基于边缘的分割

边缘分割是将图像中的边缘检测出来，并将边缘作为分割的标志。这里我们使用 Canny 算法检测图像中的边缘：

from skimage.feature import canny

edges = canny(gray, sigma=2)

结论

以上是 scikit-image 中基于阈值、聚类和边缘的图像分割方法的示例。通过这些示例，能够了解到如何使用 scikit-image，快速实现图像分割任务，其它更多图像分割方法和工具，可以在官方文档中找到。