据雷锋网AI技术评论介绍，ImagePy是一个Python开源图像处理框架，其UI界面支持开放插件。 在github上，不仅有这个图像处理软件的详细介绍，还有一些使用示例。 雷锋网AI技术评论接下来将详细介绍这个开源图像处理框架。
ImagePy是一个基于imagej等插件的图像处理框架。 它可以与 scipy.ndimage、scikit-image、opencv、simpleitk、mayavi 和任何基于 numpy 的库结合使用。 它的地址是。
介绍
ImagePy 是一个用 python 编写的开源图像处理框架。 其UI界面、图像数据结构和表数据结构分别基于wxpython、numpy和pandas。 此外，它支持任何基于 numpy 和 pandas 的插件，可以轻松地在 scipy.ndimage、scikit-image、simpleitk、opencv 和其他图像处理库之间进行通信。
概述、鼠标测量、几何变换、过滤、分割、计数等。
如果您更喜欢IJ风格，请尝试使用“Windows -> Windows Style”进行切换
图像Py：
该项目的长期目标是成为 ImageJ 和 SPSS 的联合体。
地址：
安装：
支持的系统：python2.7和python3及以上版本的windows、linux、mac系统。
ImagePy是一个基于wxpython的UI框架，在Linux上无法使用pip安装。 您需要下载与您的linux系统匹配的whl文件。
因为ImagePy会写入一些配置信息，所以在linux和mac系统上可能会出现权限问题，所以从sudo命令开始。 如果使用pip安装，请添加用户参数，如下：pipsinstall --user imagepy。
如果你在anaconda虚拟环境中安装ImagePy，你可能会遇到错误：此程序需要屏幕访问。 请使用 python 构建的框架来运行它，并且仅当您已经登录到主监视器时才执行此操作。 如果遇到此问题，请从 pythonw -m 映像开始。
基本操作：
ImagePy拥有非常丰富的功能，这里我们用一个具体的例子来向大家展示ImagePy的这些功能。 我们选择官方使用scikit-image分币的例子，因为这个例子简单又全面。
打开图像
打开菜单：文件 -> 本地样本 -> 硬币，打开 ImagePy 中的样本图像。 ps：ImagePy支持bmp、jpg、png、gif、tif等常用文件格式。 通过安装ITK插件，还可以读取/保存dicom、nii等格式的医学图像。 如果安装了opencv，还可以读写wmv、avi等格式的视频。
硬币
过滤和分段
选择复合滤波器对图像进行sobel梯度提取，然后使用上下阈值作为标记，最后对梯度图进行分水岭分割。 过滤和分割是图像处理工具包中的关键技术，也是测量成功与失败的最终区别。 还支持自适应阈值、分水岭等分割方法。
上下分水岭分裂
面具
二值化
菜单打开：进程 -> 二进制 -> 二进制补洞
分割后得到的掩模图像比较干净，但仍然存在一些孔洞和杂质，干扰计数和测量。 ImagePy支持腐蚀、膨胀、开环和闭环等二值运算，以及轮廓提取、中心轴提取和距离转换。
填补漏洞
几何过滤
菜单打开：分析 -> 区域分析 -> 几何过滤器
ImagePy可以根据面积、周长、拓扑、稳定性和偏心率等参数进行几何过滤。 您还可以使用多个条件进行过滤。 每个数字可以是正数（或负数），表示所保存对象的对应参数大于（或小于）相对值。 保存的对象将设置为前面颜色图像处理软件源码，拒绝的对象将设置为背景颜色。 在此演示中，背景颜色设置为 100，以便您可以看到哪些对象被过滤掉。 对结果满意后，将背景颜色设置为 0。此外，ImagePy 还支持灰度密度过滤、颜色过滤、颜色聚类等功能。
几何过滤
几何分析
菜单打开：处理->区域分析->几何分析计数，计算面积并分析参数。 通过选择 cov 选项，ImagePy 使用根据协方差计算的椭圆来拟合每个区域。 这里计算前面步骤中显示的参数，例如面积、周长、偏心率和稳定性。 其实上一步的过滤就是为这一步做准备。
几何分析
生成结果表（背景为黑色以强调椭圆）
按区域对表格进行排序
菜单打开：表 -> 统计 -> 表按键排序
选择主键作为区域，选择降序，表格将按区域降序排序。 表格是除图像之外的另一个重要数据。 从某种意义上来说，很多时候我们需要获取图像的相关信息，然后以表格的形式对数据进行后续处理。 ImagePy 支持表 I/O（xls、xlsx、csv）、过滤、切片、统计分析、排序等（右键单击列标题可设置文本颜色、小数精度、行样式等）。
表面
图表
菜单打开：表格 -> 图表 -> 历史图表
我们经常需要使用表格数据来绘制图表。 在这里，我们绘制了一个区域及其周围列的直方图。 ImagePy表格可用于绘制条形图、饼图、直方图、散点图等常见图表（基于matplotlib）。 图表具有缩放、移动等功能，并且可以保存为图像。
直方图
3D桌子
菜单打开：kit3d -> 3d 查看器 -> 2d 表面
图像的表面重建。 该图以三种方式展示了重建结果：索贝尔梯度图、高阈值和低阈值。 它显示了上下分水岭的工作原理：
ImagePy可以完成图像的3D滤波、3D轮廓构建、3D拓扑分析、2D表面重建和3D表面可视化。 3D视图可以自由拖动和旋转，结果可以保存为.stl文件。
3D可视化
宏录制与执行
菜单打开：窗口 -> 开发工具套件
宏记录器出现在开发人员工具面板中。 我们手动执行图像分割。 然而，以这种方式同时处理 10 张以上的图像是非常繁琐的。 因此，假设处理这些问题时的步骤具有高度可重复性和鲁棒性，我们可以录制一个宏，将多个流程组合成一个一键式程序。 宏录音机与广播录音机类似。 打开后，它会记录每一步操作。 我们可以点击暂停按钮停止录音，或者点击播放按钮开始录音。 当宏运行时，记录的命令将按顺序执行，使其简单且可重现。
宏保存到 .mc 文件中。 将文件拖放到 ImagePy 底部的状态栏中，宏将自动执行。 我们也可以将.mc文件复制到ImagePy文件目录下的菜单的子菜单中。 当启动ImagePy时，宏文件将被解析到相应位置的菜单项中。 通过单击菜单图像处理软件源码，将执行宏。
宏录制
工作流程
宏是一系列预定义的命令。 您可以通过将一系列固定动作录制到宏中来提高工作效率。 然而，宏缺乏灵活性。 例如，有时主要步骤是固定的，但参数调整需要人工参与。 这种情况下，工作流就可以解决这个问题。 ImagePy 中的工作流程是一个可视化流程图，分为两个层次：章节和部分。 本章对应工作流程中的矩形区域，这部分是矩形区域中的按钮和命令，并有图文说明。 当鼠标悬停在右侧消息窗口时，会显示相应的功能说明。 点击右上角“详细文档”，查看整个流程的文档。
工作流程实际上是用MarkDown（一种标记语言）编写的，但是编写时需要遵守以下规范：
标题=====
＃＃ 第1章
1.第1节第1节的一些评论...
2....
＃＃ 第2章
...
工作流程
过滤器插件
上一节我们介绍了宏和工作流程，方便连接现有功能。 但有时我们需要创建新功能。 在本节中，我们将尝试向 ImagePy 添加新功能。 ImagePy 提供对任何基于 numpy 的函数的轻松访问。 我们以 scikit-image 的 canny 运算符为例。
示例代码如下：
从 skimage 导入功能
从 imagepy.core.engine 导入过滤器
类插件（过滤器）：
标题 = '精明'
注意= [ '全部' , 'auto_msk' , 'auto_snap' , '预览' ]
参数 = { 'sigma': 1.0 , 'low_threshold' : 10 , 'high_threshold' : 20 }
视图 = [ ( 浮动 , '西格玛' , ( 0 , 10 ) , 1 , '西格玛' , '像素' ) ,
( '幻灯片' , 'low_threshold' , ( 0, 50 ) , 4 , 'low_threshold' ) ,
('幻灯片', 'high_threshold', ( 0 , 50 ) , 4 , 'high_threshold' ) ]
def run ( self , ips , snap , img , para = None ):
return feature.canny (snap, para[ 'sigma' ], para[ 'low_threshold' ],
para[ 'high_threshold' ] , mask = ips.get_msk ) * 255
Canny 过滤器示例
创建自己的过滤器的步骤：
导入对应的库，一般是第三方库。
继承过滤器类。
该标题将用作菜单名称和参数对话框的标题，也用作宏录制的命令。
在注释中告诉框架它需要为你做什么，是否进行类型检查，是否支持选择，是否支持UNDO等。
para 是一个参数字典，包含函数所需的参数。
为视图中的每个参数定义交互方法，框架将通过读取这些信息自动生成一个用于参数调优的对话框。
编写main函数运行。 img 是当前图像，para 是用户输入的参数。 如果note中设置了auto_snap，snap将是img的副本。 我们可以处理这个副本并将结果存储在 img 中。 如果函数不支持指定的输出，我们也可以返回结果，框架会帮我们将结果复制到img中并显示。
将文件保存为 xxx_plg.py，然后复制到菜单文件夹并重新启动 ImagePy。 它将作为菜单项加载。
这个框架对我们有什么作用？
该框架以正式的方式将复杂的任务整合在一起，并帮助我们执行：
表面
如前所述，表格是除了图像之外的另一种非常重要的数据类型。 同样，ImagePy 也支持表扩展。 这里我们给出前面描述中使用的按键排序的示例。
代码是：
从 imagepy.core.engine 导入表
将 pandas 导入为 pd
类插件（表）：
title = '表格按键排序'
para = { '主要': 无 , '次要' : 无 , '下降' : False }
view = [ ('领域', '主要', '主要', '关键'),
('领域', '次要', '次要', '关键'),
( bool , '下降' , '下降' ) ]
def run( self , tps , data , snap , para = None ) :
by = [ para[ '主要' ] , para[ '次要' ] ]
data.sort_values( by = [ i for i in by if i != 'None' ],
轴 = 0 ，升序 = 不是 para[ 'descend' ] ， inplace = True )
表排序示例
该表的工作原理
与过滤器一样，表格也有标题、注释、参数和视图等参数。 当插件运行时，框架将根据视图生成一个对话框。 选择paras后，将它们与当前表一起传递给run函数进行处理。 表数据是当前表中的pandas.Dataframe对象，存储在tps中。 还可以从 tps 检索附加信息，例如 tps.rowmsk、tps.colmsk，以获取当前所选表的行和列掩码。
其他类型的插件
上面提到的过滤器和表格是两个最重要的插件，但是 ImagePy 还支持一些其他类型的插件扩展。 目前它支持九个插件，它们是：
Filter：主要用于图像处理；
simple：类似于滤镜，但关注图像的整体特征，例如ROI操作、假色操作、面积测量，或者整个图像的三维分析和可视化等；
free：与图像无关的操作。 用于打开图片、关闭软件等；
工具：使用鼠标在图表上进行交互，并在工具栏上显示画笔等小图标；
table：对表格进行操作，如统计分析、排序、绘图等；
Widget：面板中显示的Widget，如右侧导航栏、宏录制器等；
markdown：标记语言，点击时会弹出单独的窗口显示文档；
宏：用于串行固定操作过程的命令序列文件；
工作流程：结合宏和 Markdown 创建交互式引导流程。
动机和目标
Python是一门简单、优雅、功能强大的语言，它拥有非常丰富的与科学计算相关的第三方库。 一方面，基于numpy的scipy、scikit-image、scikit-learning等科学计算库，基于通用矩阵结构和相应规则，给科学研究带来了极大的便利。 另一方面，通过科学计算和图像处理，越来越多的生物学、材料科学等科学研究问题可以得到高效、准确的解决。
然而，仍然有许多研究人员缺乏编程技能。 因此，让更多的研究人员能够使用基于 numpy 的科学计算库至关重要。 ImagePy使非程序员的研究人员能够使用计算机进行科学计算，因此他们不需要关注UI和交互设计，只需关注算法本身，最终加速开源工具的构建甚至商业产品的孵化。 同时，这些工具让更多不擅长编程的人能够获取、推广和普及图像处理、统计学等科学知识。
