pythonmatlab图像处理

⑴ 使用python或者Matlab程序，文件夹里提取图片，每隔100张提取一个图片。

用matlab就能做到，把文件夹发过来，我可以给你写程序。

⑵ 针对绘图方面的需求，matlab，python和R哪个更加强大

绘图的话，matlab功能强大且代码非常简洁，操作也很方便（相对于python和R来说），但缺点是曲线有锯齿，不光滑，不太美观。
python的matlabplot绘图曲线没有锯齿，比较光滑，但3D的绘图比matlab麻烦。
R我不熟悉，估计跟python差不多。

如果是简单的绘图，建议使用matlab。如果是专业的绘图需要，建议用python的其他绘图库（seaborn用法跟matplotlab相似，图形很漂亮；
pygal和bokeh的优点是可交互，图形也比较好看；
geoplotlib用于绘制地理图形，比如一些地图；
ggplot简单易学，但图形不如seaborn美观）

⑶ matlab和python的区别

都不难，都很好上手。具体学那个，就得根据你本身的需要了。

matlab和Python的上手程度其实差不多，matlab和Python相较于其他编程软件都很好掌握。

Python语言的优势：

Python相对于Matlab最大的优势：免费。可能国内不是很在乎这个，但国外这个是很关键的。

Python次要的优势：开源。你可以大量更改科学计算的算法细节。可移植性，Matlab必然不如Python，不过这方面需求一般不是很高。

第三方生态，Matlab不如Python，比如说3D的绘图工具包，GUI，更方便的进行，使用GPU，Functional等等;长期来讲，Python的科学计算生态要比Matlab好。Python语言更加优美，如果有一定的OOP需求，构建较大一点的科学计算系统，直接用Python比用Matlab方案要简洁很多;而Python作为一种通用编程语言，可以做Web开发、网络爬虫、脚本、人工智能、机器学习等，用途是非常广泛的。

Matlab的优势

Matlab可以说是一个工具，学术界大量使用它来做仿真，做研究的话更容易找到代码参考。语法相对Python更灵活一些，Matlab写程序基本不用套路。

Matlab可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。

⑷ 在医学图像领域，python可以取代matlab吗

python完全能取代Matlab。实际上身边很多人就不用Matlab做医学图像方面的research
有几个原因。
Python有人说是个glue语言，就是可以把一些其他语言写成的脚本，软件等，用python做个wrapper。医学图像经常需要处理大量文件，多个目录，各种预处理，需要各种不同的软件。Matlab不擅长处理这些，python更好。
如果直接用python写算法，scikit0-image等python的工具已经具备基本的图像处理的而功能。Matlab里面有些所谓高级算法，一般也用不着。如果处理3D的数据，算法包当然首推ITK。楼上说的ITKSnap就是基于ITK的。这个跟matlab没关系。文件格式，Python支持nifti等很多格式。
另一个3D slicer处理三维图像的软件，也是有python接口的。 这是主流的医学图像的开源软件。还有个Mevislab，好像也有python接口。
python作图和Matlab相比，差不多，看个人喜好。
我在boston Mabla工作的同学说，他们公司现在Matlab都不怎么开发，专注企业用户，专注simulink了。
上边有人问“值化、边缘检测、滤波、骨骼化、形态学上的膨胀与腐蚀、成像后的数据格式转化”，这些都可以在python里面做，ITK还有python借口，可以处理三维图像，当然也可以处理二维。
未来是python的。

⑸ Python实操：手把手教你用Matplotlib把数据画出来

作者：迈克尔·贝耶勒（Michael Beyeler）

如需转载请联系华章 科技

如果已安装Anaconda Python版本，就已经安装好了可以使用的 Matplotlib。否则，可能要访问官网并从中获取安装说明：

http://matplotlib.org

正如使用np作为 NumPy 的缩写，我们将使用一些标准的缩写来表示 Matplotlib 的引入：

在本书中，plt接口会被频繁使用。

让我们创建第一个绘图。

假设想要画出正弦函数sin(x)的线性图。得到函数在x坐标轴上0≤x＜10内所有点的值。我们将使用 NumPy 中的 linspace 函数来在x坐标轴上创建一个从0到10的线性空间，以及100个采样点：

可以使用 NumPy 中的sin函数得到所有x点的值，并通过调用plt中的plot函数把结果画出来：

你亲自尝试了吗？发生了什么吗？有没有什么东西出现？

实际情况是，取决于你在哪里运行脚本，可能无法看到任何东西。有下面几种可能性：

1. 从.py脚本中绘图

如果从一个脚本中运行 Matplotlib，需要加上下面的这行调用：

在脚本末尾调用这个函数，你的绘图就会出现！

2. 从 IPython shell 中绘图

这实际上是交互式地执行Matplotlib最方便的方式。为了让绘图出现，需要在启动 IPython 后使用所谓的%matplotlib魔法命令。

接下来，无须每次调用plt.show()函数，所有的绘图将会自动出现。

3. 从 Jupyter Notebook 中绘图

如果你是从基于浏览器的 Jupyter Notebook 中看这段代码，需要使用同样的%matplotlib魔法命令。然而，也可以直接在notebook中嵌入图形，这会有两种输出选项：

在本书中，将会使用inline选项：

现在再次尝试一下：

上面的命令会得到下面的绘图输出结果：

如果想要把绘图保存下来留作以后使用，可以直接在 IPython 或者 Jupyter Notebook 使用下面的命令保存：

仅需要确保你使用了支持的文件后缀，比如.jpg、.png、.tif、.svg、.eps或者.pdf。

作为本章最后一个测试，让我们对外部数据集进行可视化，比如scikit-learn中的数字数据集。

为此，需要三个可视化工具：

那么开始引入这些包吧：

第一步是载入实际数据：

如果没记错的话，digits应该有两个不同的数据域：data域包含了真正的图像数据，target域包含了图像的标签。相对于相信我们的记忆，我们还是应该对digits稍加 探索 。输入它的名字，添加一个点号，然后按Tab键：digits.<TAB>，这个操作将向我们展示digits也包含了一些其他的域，比如一个名为images的域。images和data这两个域，似乎简单从形状上就可以区分。

两种情况中，第一维对应的都是数据集中的图像数量。然而，data中所有像素都在一个大的向量中排列，而images保留了各个图像8×8的空间排列。

因此，如果想要绘制出一副单独的图像，使用images将更加合适。首先，使用NumPy的数组切片从数据集中获取一幅图像：

这里是从1797个元素的数组中获取了它的第一行数据，这行数据对应的是8×8=64个像素。下面就可以使用plt中的imshow函数来绘制这幅图像：

上面的命令得到下面的输出：

此外，这里也使用cmap参数指定了一个颜色映射。默认情况下，Matplotlib 使用MATLAB默认的颜色映射jet。然而，在灰度图像的情况下，gray颜色映射更有效。

最后，可以使用plt的subplot函数绘制全部数字的样例。subplot函数与MATLAB中的函数一样，需要指定行数、列数以及当前的子绘图索引（从1开始计算）。我们将使用for 循环在数据集中迭代出前十张图像，每张图像都分配到一个单独的子绘图中。

这会得到下面的输出结果：

关于作者：Michael Beyeler，华盛顿大学神经工程和数据科学专业的博士后，主攻仿生视觉计算模型，用以为盲人植入人工视网膜（仿生眼睛），改善盲人的视觉体验。 他的工作属于神经科学、计算机工程、计算机视觉和机器学习的交叉领域。同时他也是多个开源项目的积极贡献者。

本文摘编自《机器学习：使用OpenCV和Python进行智能图像处理》，经出版方授权发布。