scikit-image 是 Python 的科学图像处理库，构建于 NumPy、SciPy 和 Cython 之上，专注研究级图像分析。图像被视为 NumPy 数组：灰度图为二维 (M, N)，彩色图为 (M, N, 3)，多通道三维体数据为 (P, M, N, C)。坐标原点 (0, 0) 在左上角，坐标以 (行, 列) 表示。数据类型与范围包括 uint8（0–255）、uint16（0–65535）、float（-1 到 1 或 0 到 1）。
主要用途：科学图像预处理（降噪、对比度增强）、图像分割（分离细胞、颗粒或感兴趣区域）、特征提取（边缘、角点、斑点、纹理）、几何变换（缩放、旋转、变形）、形态学操作（细化、骨架化、孔洞填充）、对象属性测量（面积、周长、离心率）、退化图像恢复（反卷积、修复）。
安装：pip install scikit-image。常用导入：import numpy as np；from skimage import io, filters, segmentation, feature, measure, morphology, color, util。基本流程为读取图像、必要时转灰度、滤波处理，再用 io.imshow 与 io.show 显示。
核心模块：skimage.filters 提供降噪与边缘检测、Otsu 等自动阈值；skimage.morphology 提供腐蚀、膨胀、开闭运算、骨架化与去除小对象；skimage.segmentation 提供分水岭、SLIC 超像素等；skimage.feature 提供 LBP 纹理、Harris 角点、DoG 斑点检测；skimage.measure 提供连通域标记、regionprops 属性与轮廓提取。
使用建议：用 util.img_as_float、util.img_as_ubyte 做类型转换以自动缩放，避免 image / 255.0 或 astype(float) 造成数值范围错误；多数特征提取与分割算法期望二维灰度数组；处理前检查 image.shape 与 image.dtype；用 NumPy 向量化代替逐像素循环；先滤波再分割；用 measure.label 统计连通对象。注意 scikit-image 使用 (行, 列) 坐标，与 Matplotlib 的 (x, y) 绘图顺序不同，可视化时需显式交换。函数通常返回新数组，不修改输入。多通道图像不直接套用部分滤波器，需转灰度或按通道处理；大噪声图像先 remove_small_objects 再标记以节省内存。性能上许多函数已由 Cython 优化，批量处理可用 joblib 或 multiprocessing 并行。
官方文档：https://scikit-image.org/；用户指南：https://scikit-image.org/docs/stable/user_guide.html。