用途：scikit-image 是 Python 科学图像处理库，图像以 NumPy 数组表示，可与 NumPy、SciPy、matplotlib、pandas 配合，常用于荧光显微镜、组织学与通用生物图像分析。
主要能力：读写图像（TIFF、PNG、JPEG）；滤波与预处理，如高斯、中值、顶帽背景扣除、Sobel/Laplace 边缘、DoG、CLAHE 对比度增强；阈值分割（Otsu、Li、Triangle、Yen）与分水岭分割；形态学操作（腐蚀、膨胀、开闭、填洞、骨架化）；区域测量（面积、周长、强度统计、偏心率、质心、边界框）；特征检测（blob_log、blob_dog、Harris 角点）；几何变换与配准（rescale、rotate、phase_cross_correlation）。
使用方式：环境需 Python 3.9+，安装命令 pip install scikit-image numpy scipy matplotlib；读取专有显微格式可 pip install tifffile aicsimageio；验证命令 python -c "import skimage; print(skimage.version)"。典型流程为先 img_as_float 转浮点，再滤波、阈值、去除小对象，随后 watershed 分离粘连对象，最后用 measure.regionprops 测量并导出 CSV。像素测量可按显微镜元数据换算为微米。
适用场景：荧光细胞核分割与 GFP 强度测量、批量图像处理、斑点强度测量、多通道共阳性掩膜、出版级叠加图。
限制：实时视频或 GPU 加速宜用 OpenCV；深度学习细胞分割宜用 CellPose；交互式多维可视化宜用 napari；全切片分块宜用 PathML 或 histolab。大多数算法要求 float64 且数值范围 [0,1]，整数类型运算可能溢出，需先转换；分水岭易过分割，需调整 peak_local_max 的 min_distance；Otsu 对非双峰直方图效果有限。具体收费、价格与平台信息暂未提供。