当前位置：首页 > news >正文

常用的python库-安装与使用

news 来源：原创 2025/5/18 10:25:26

常用的python库函数

yield关键字
openslide库
- openslide库的安装-linux
- openslide的使用
- openslide对象的常用属性
cv2库
numpy库
ASAP库-multiresolutionimageinterface库
- ASAP库的安装
- ASAP库的使用
concurrent.futures.ThreadPoolExecutor
xml.etree.ElementTree库
skimage库
PIL.Image库 PIL.Image.Image
detectron2库
- 数据增强
- MaskFormerSemanticDatasetMapper类：
- MetadataCatalog类常见属性
faiss库-聚类

yield关键字

yield关键字：定义生成器函数。
生成器函数：允许在迭代过程中逐步生成值，而不是一次性返回所有值。
yield语句会暂停函数的执行，并返回一个值给调用者。下一次调用生成器的__next()__方法，函数会从暂停的地方继续执行。
生成器函数：节省内存，按需求生成值，而不是一次性将所有值加载到内存中。

openslide库

openslide库的安装-linux

很多虚拟环境都需要额外装openslide库，所以记录一下过程：

cd /home/liusn/00apps
conda activate 环境名
pip install openslide_bin-4.0.0.5-py3-none-manylinux_2_27_x86_64.whl
pip install openslide-python==1.3.1

在这里插入图片描述

openslide的使用

openslide库是一个读取和操作显微镜图像的python库，支持.svs，.vms和.tiff等格式。
支持图像金字塔格式：在不同的分辨率下访问图像数据。
可以从原始图像中提取特定区域，不需要加载整个图像。
能够访问图像的元数据，如放大倍数、图像尺寸等。

import openslide  
# 打开显微镜图像 
slide = openslide.OpenSlide(wsi_path)  # 获取特定金字塔层级的图像尺寸 
# level从0开始，0表示最高分辨率 
# w, h表示指定层级的图像宽度和高度 
w, h = slide.level_dimensions[level]  # 获取level层的下采样比例 
# 下采样比例: 特定层级的像素大小与最高分辨率像素大小的比例关系 
# 如果下采样比例为(2,2), 图像的宽和高都被缩小为原来的1/2 
factor = slide.level_downsamples[level]  
# 从显微镜图像中读取指定区域 
# location: tuple, 左上角坐标; level: 金字塔层级 
# size: (w, h), 要读取的区域大小; 返回一个PIL对象 
image = slide.read_region(location, level, size)

openslide对象的常用属性

self.level_downsamples[level]：获取level层的下采样比例，相对于最高分辨率而言。
self.level_dimension[level]：level层的图像尺寸。

cv2库

import cv2  # 在图像上绘制多边形 
# img: 要在其上绘制的图像; pts: 一个包含多边形顶点的ndarray; 
# color: 填充的颜色, (255)表示白色 
cv2.fillPoly(img, pts, color)  # 在图像上绘制文本 
# img: 要绘制文本的图像; text: 要绘制的文本字符串 
cv2.putText(img, text)

numpy库

import numpy as np  
# 找到数组中满足条件的元组索引 
# condition: bool数组, 返回所有为True的行, 列索引 
X_idx, Y_idx = np.where(condition)  # 根据条件condition进行数组的元素选择和替换 
# condition为True时, 返回value1, 否则返回value2 inst_map = np.where(condition, value1, value2)  
# 将数组按行的方向堆叠起来 
# tup: 一个列表/元组, 返回一个新数组(总行数, 列数) 
# 总行数 = 所有输入数组的行数之和 np.vstack(tup)  
selected_x[..., 0:1] # ...表示前面所有的维度

ASAP库-multiresolutionimageinterface库

处理金字塔类型的数据结构。处理多分辨率图像的python库，适合医学图像和显微镜图像的分析。支持不同分辨率的访问与操作。

ASAP库的安装

安装ASAP linux（ubuntu18.04-A6000）：https://www.freesion.com/article/4489476959/
安装ASAP linux（ubuntu22.04-4x3090）的安装步骤：

在ASAP官网下载最新版：ASAP 2.2，适配ubuntu2204。
安装ASAP的依赖包：用sudo apt-get install 命令。apt-get install是用于命令行操作的软件包管理工具，该命令是安装软件包。
离线安装ASAP的安装包：dpkg -i ASAP-2.2-Ubuntu2204.deb ，手动安装本地的deb文件。
看ASAP安装的位置：dpkg -L asap 。
把ASAP放入PYTHONPATH，然后可以import了。

PYTHONPATH="/opt/ASAP/bin":"${PYTHONPATH}" 
export PYTHONPATH

ASAP库的使用

ASAP库是一个C++写的软件，所以不能读源码。少量的python调用文档见：https://academic.oup.com/gigascience/article/7/6/giy065/5026175

ASAP官网：https://github.com/computationalpathologygroup/ASAP/releases

通过python 访问tif数据：
在这里插入图片描述
将XML注释数据转换为tif图像，假设注释里的多边形坐标是基于图像最高分辨率级别的。

示例代码：

import multiresolutionimageinterface as mir  # 创建图像接口 
reader = mir.MultiResolutionImageReader()  # 打开和加载多分辨率图像文件 
mr_image = reader.open(path) # 获取level 6的图像尺寸 level=2 
w, h = mr_image.getLevelDimensions(level) 
ds = mr_image.getLevelDownsample(level) # 从level 6获取一个patch, patch左上角的坐标为(0,0), 返回的tile是一个numpy对象 
tile = image.getUCharPatch(0, 0, w, h, 6) # 读取一个 300 像素宽、200 像素高的图像块，从level=2 的 (568, 732) XY 坐标开始 
# ds是下采样倍数, 在level=2的坐标乘以ds, 得到level=0的坐标 
tile = image.getUCharPatch(int(568 * ds), int(732 * ds), 300, 200, level)  
# 存储和管理多分辨率图像相关的注释数据 
annotation_list = mir.AnnotationList() 
# 将注释数据转换以xml格式存储 
xml_repository = mir.XmlRepository(annotation_list) 
# 设置or更新xml文件的源路径 xml_repository.setSource(path) 
# 从xml文件加载数据 xml_repository.load() 
# 将注释数据转换为二值掩码 
annotation_mask = mir.AnnotationToMask() 
# 将提供的注释annotation_list转换为二值掩码 
annotation_mask.convert(annotation_list, output_path,image_dimensions, image_spacing)

concurrent.futures.ThreadPoolExecutor

管理线程池并高效地执行多线程任务，可以加快I/O密集型任务的处理速度。通过提交任务来执行并发操作。

from concurrent.futures import ThreadPoolExecutor  # 创建对象, max_workers指定最大线程数, 如果没有指定, python根据系统的线程数进行调整 
executor = ThreadPoolExecutor(max_workers=3)  # 使用map()提交多个任务 
executor.map(task, range(5))  # 关闭线程池 
executor.shutdown(wait=True)

xml.etree.ElementTree库

解析和创建xml文档，用于读取、修改和生成xml。

import xml.etree.ElementTree as ET  # 从指定文件中读取xml数据, 并解析为一个树结构 ElementTree对象 
tree = ET.parse(annot_path)  # 获取根元素: xml文档最外层的元素 
root = tree.getroot()

skimage库

import skimage  # 生成多边形的像素坐标 
# x: 一维数组, 多边形的列坐标; y: 一维数组, 多边形的行坐标 
# shape: 指定输出坐标的图像形状 
# rows, cols: 多边形内部像素的行和列坐标 
# 多边形内部是指，所有的多边形都被填充好了 
rows, cols = skimage.draw.polygon(x, y, shape)

PIL.Image库 PIL.Image.Image

from PIL import Image  image = Image.open(path)  
# 查看image的mode和channel nums 
print(f"Image mode: {image.mode}") 
print(f"Number of channels: {len(image.getbands())}")  
# 转换mode mask = mask.convert("P")

detectron2库

数据增强

允许同时增强多种数据类型，如图像、边界框、掩码。
允许应用一系列静态声明的增强。
允许添加自定义新数据类型来增强，如旋转边界框、视频剪辑。
处理和操纵增强增强应用的operations。
如何在编写新的数据加载器时使用增强，如何编写新的增强。

MaskFormerSemanticDatasetMapper类：

从file_name读取image
将几何变换应用到image和annotation
查找合适的cropping，将其应用于image和annotation
把image和annotation变成Tensors

MetadataCatalog类常见属性

stuff_classes：每个stuff类别的名称list，用于语义分割和全景分割。
stuff_colors：每个stuff类别的预定义颜色（0-255），用于可视化。如果没有指定，则使用随机颜色。list[tuple(r, g, b)].
ignore_label：int，gt中带有该类别标签的像素将在评估里被忽略，用于语义和全景分割任务。

faiss库-聚类

Faiss库的使用：

faiss索引包括：IndexFlatL2（小规模数据集）、IndexIVFFlat（大规模数据集）、IndexHNSW（高维数据）。
查询相似度 D, I = index.search(features, k)。对每个样本，查询与其他样本的相似度，D是距离矩阵，I是索引矩阵，返回每个样本的前k个最近邻。