scikit-image（Scikit-image 是用于图像处理的 Python 包，使用原生的 NumPy 数组作为图像对象）
https://cloud.tencent.com/developer/doc/1221
昨天搜索一个函数时无意间发现这个网站，今天来学习一下，仅作学习笔记。
measure
| skimage.measure.approximate_polygon（coords，...） |
近似具有指定公差的多边形链。 |
|---|---|
| skimage.measure.block_reduce（image，block_size） |
通过对局部块应用函数来下采样图像。 |
| skimage.measure.compare_mse（im1，im2） |
计算两幅图像之间的均方差。 |
| skimage.measure.compare_nrmse（im_true，im_test） |
计算两幅图像之间的归一化均方根误差（NRMSE）。 |
| skimage.measure.compare_psnr（im_true，im_test） |
计算图像的峰值信噪比（PSNR）。 |
| skimage.measure.compare_ssim（X，Y，...） |
计算两幅图像之间的平均结构相似性指数。 |
| skimage.measure.correct_mesh_orientation（...） |
网格面的正确方向。 |
| skimage.measure.find_contours（数组，级别） |
对于给定的水平值，在二维数组中找到等值的轮廓。 |
| skimage.measure.grid_points_in_poly（shape，verts） |
测试指定网格上的点是否在多边形内。 |
| skimage.measure.label（输入，邻居，...） |
标记整数数组的连接区域。 |
| skimage.measure.marching_cubes（volume，...） |
Lewiner推进立方体算法来查找3D体积数据中的曲面。 |
| skimage.measure.marching_cubes_classic（体积） |
经典的游动立方体算法，用于查找3D体积数据中的曲面。 |
| skimage.measure.marching_cubes_lewiner（体积） |
marching_cubes（）的别名。 |
| skimage.measure.mesh_surface_area（verts，faces） |
计算表面积，给定顶点和三角形面 |
| skimage.measure.moments（图片，订单） |
计算所有原始图像时刻达到一定的顺序。 |
| skimage.measure.moments_central（image，cr，cc） |
计算所有的中心图像时刻达到一定的顺序。 |
| skimage.measure.moments_hu（NU） |
计算胡的一组图像时刻。 |
| skimage.measure.moments_normalized（mu，order） |
计算所有归一化的中心图像时刻，达到一定的顺序。 |
| skimage.measure.perimeter（图片，邻居） |
计算二进制图像中所有对象的总周长。 |
| skimage.measure.points_in_poly（点，垂直） |
测试点是否位于多边形内。 |
| skimage.measure.profile_line（img，src，dst） |
返回沿扫描线测量的图像的强度分布。 |
| skimage.measure.ransac（data，model_class，...） |
使用RANSAC（随机样本一致性）算法将模型拟合到数据。 |
| skimage.measure.regionprops（label_image，...） |
测量标记的图像区域的属性。 |
| skimage.measure.shannon_entropy（image，base） |
计算图像的香农熵。 |
| skimage.measure.structural_similarity（X，Y） |
弃用功能。改用compare_ssim。 |
| skimage.measure.subdivide_polygon（coords，...） |
使用B样条对多边形曲线进行细分。 |
| skimage.measure.CircleModel（） |
2D圆圈的总体最小二乘估计量。 |
| skimage.measure.EllipseModel（） |
2D椭圆的总体最小二乘估计量。 |
| skimage.measure.LineModel（） |
2D线的总最小二乘估计量。 |
| skimage.measure.LineModelND（） |
N维线的总体最小二乘估计量。 |
| skimage.measure.block |
|
| skimage.measure.entropy |
|
| skimage.measure.fit |
|
| skimage.measure.pnpoly |
|
| skimage.measure.profile |
|
| skimage.measure.simple_metrics |
|
参考
compare_ssim
skimage.measure.compare_ssim(X, Y, win_size=None, gradient=False, data_range=None, multichannel=False, gaussian_weights=False, full=False, dynamic_range=None, **kwargs)
计算两幅图像之间的平均结构相似性指数。
| 参数： |
X，Y：ndarray图片。任何维度。 win_size：int或None用于比较的滑动窗口的边长。必须是奇数值。如果gaussian_weights为True，则忽略它，窗口大小将取决于西格玛。 渐变：布尔，可选如果为True，也会返回渐变。 data_range：int，可选输入图像的数据范围（最小和最大可能值之间的距离）。默认情况下，这是从图像数据类型估计的。 多通道：bool，可选如果为True，则将数组的最后一个维度视为通道。 相似性计算是针对每个通道独立完成的，然后进行平均。gaussian_weights：bool，可选如果为True，则每个补丁均具有由宽度为sigma = 1.5的归一化高斯内核进行空间加权的均值和方差。full：bool，可选如果为True， |
|---|---|
| 返回： |
mssim：float图像上的平均结构相似度。 grad：ndarray X和Y R333之间的结构相似性指数的梯度。这仅在梯度设置为True时才会返回。 S：ndarray完整的SSIM图像。这仅在full设置为True时才会返回。 |
| 其他参数：|
| | use_sample_covariance：bool如果为真，用N-1归一化协方差而不是N，其中N是滑动窗口内的像素数。K1：浮点算法参数，K1（小常量，参见R332）K2：浮点算法参数，K2（小常量，参见R332）sigma：当gaussian_weights为真时为高斯浮点数。|