【计算机视觉 | Python】十个 Python 图像处理工具，建议点赞收藏

一、前言

这些 Python 库提供了一种简单直观的方法来转换图像并理解底层数据。

今天的世界充满了数据，图像是这些数据的重要组成部分。但是，在使用它们之前，必须对这些数字图像进行处理 - 分析和操作，以提高其质量或提取一些可以使用的信息。

常见的图像处理任务包括显示：

• 基本操作如裁剪，翻转，旋转等
• 图像分割，分类和特征提取
• 图像恢复
• 图像识别

Python 是这些图像处理任务的绝佳选择，因为它作为一种科学编程语言日益普及，并且在其生态系统中免费提供许多最先进的图像处理工具。

本文着眼于10个最常用的 Python 库，用于图像处理任务。

二、常见的库

2.1 scikit-image

scikit-image 是一个与 NumPy 数组一起使用的开源 Python 包。它实现了用于研究，教育和行业应用的算法和实用程序。它是一个相当简单直接的库，即使对那些不熟悉 Python 生态系统的人也是如此。代码质量高，经过同行评审，由一个活跃的志愿者社区编写。

scikit-image 文档丰富，有很多示例和实际使用方法。该包通过 skimage 导入，大多数功能可以在子模块中找到。

图像过滤：

import matplotlib.pyplot as plt
%matplotlib inline
from skimage import data,filters
image = data .coins()
edges = filters.sobel(imageplt.imshow(edges , cmap= "gray")

使用 match_template 函数进行模板匹配：

你可以在 gallery 中找到更多的例子。

2.2 NumPy

NumPy 是 Python 编程中的核心库之一，并为数组提供支持。图像本质上是包含数据点像素的标准 NumPy 数组。因此，通过使用基本的 NumPy 操作（如 slicing，masking 和 fancy indexing），您可以修改图像的像素值。可以使用 skimage 加载图像并使用 Matplotlib 显示。

使用 Numpy 来 mask 图片：

import numpy as np
from skimage import data
import matplotlib.pyplot as plt
%matplotlib inline
image = data .camera( )
type(image)
numpy.ndarray
mask = image < 87
image[mask] = 255
olt.imshow(image, cmap = 'gray')

2.3 SciPy

SciPy 是 Python 的另一个核心科学模块（如 NumPy），可用于基本的图像操作和处理任务。特别是，子模块 scipy.ndimage（在 SciPy v1.1.0 中）提供了在 n 维 NumPy 数组上运行的函数。该软件包目前包括线性和非线性滤波，二进制形态，B 样条插值和对象测量等功能。

使用SciPy通过高斯滤波器进行模糊：

from scipy import misc,ndimage
face = misc.face()
blurred face = ndimage .gaussian filter(face, sigma=3)
very blurred= ndimage.gaussian filter(face, sigma=5)
plt.imshow(<image to be displayed>)

2.4 PIL / Pillow

PIL（ Python Imaging Library ）是一个免费的 Python 编程语言库，它增加了对打开，操作和保存许多不同图像格式的支持。

然而，它的发展停滞不前，其最后一版发布于2009年。

幸运的是，Pillow 是一个积极开发的 PIL 分支，它更易于安装，可在所有主流操作系统上运行，并支持 Python 3。

该库包含基本图像处理功能，包括点操作，使用一组内置卷积内核进行过滤以及颜色空间转换。

使用 ImageFilter 增强 Pillow 中的图像：

2.5 OpenCV-Python

OpenCV（Open Source Computer Vision Library）是计算机视觉应用中使用最广泛的库之一。OpenCV-Python 是 OpenCV 的 Python API。因为后台由 C / C ++ 编写的代码组成，OpenCV-Python 速度很快快，但它也很容易编码和部署（由于前端的 Python 包装器）。这使其成为执行计算密集型计算机视觉程序的绝佳选择。

通过 OpenCV2-Python-Guide 可以很容易上手 OpenCV-Python，使用 OpenCV-Python 中的 Image Blending using Pyramids 创建一个 “Orapple”：

2.6 SimpleCV

SimpleCV 是另一个用于构建计算机视觉应用程序的开源框架。它提供访问几个高性能计算机视觉库，如 OpenCV，的接口，但无需了解位深度，文件格式，色彩空间等。它的学习曲线远小于OpenCV，并且（如其标语所示），“它令计算机视觉变得简单。”支持 SimpleCV 的一些观点是：

即使是初学者也可以编写简单的机器视觉测试。

摄像机，视频文件，图像和视频流都可以互操作。

2.7 Mahotas

Mahotas 是另一个用于 Python 的计算机视觉和图像处理库。它包含传统的图像处理功能，如过滤和形态操作，以及用于特征计算的更现代的计算机视觉功能，包括兴趣点检测和局部描述符。

使用 Python 编写接口，适用于快速开发，但算法是用 C ++ 实现的，并且针对速度进行了优化。 Mahotas 库运行快速，代码简约，依赖性小。阅读其官方文章以获得更多了解。

Mahotas 库依靠简单的代码来完成工作。例如，使用最少量的代码 Finding Wally 问题就可以很好地解决。解决 Finding Wally 问题：

2.8 SimpleITK

ITK（Insight Segmentation and Registration Toolkit）是一个“开源，跨平台系统，为开发人员提供了一套用于图像分析的广泛软件工具。

SimpleITK 是一个基于 ITK 构建的简化层，旨在促进其在快速原型设计，交易以及解释语言方面的应用。”它也是一个图像分析工具包，具有大量组件，支持一般过滤操作，图像分割和配准。 SimpleITK 是用 C ++ 编写的，但它可用包括 Python 在内的大量编程语言进行操作。

有大量的 Jupyter Notebook 说明了 SimpleITK 在教育和研究活动中的应用。

Notebooks 使用 Python 和 R 编程语言演示如何使用 SimpleITK 进行交互式图像分析。

使用 SimpleITK 和 Python 创建可视化的严格 CT / MR 配准过程：

2.9 pgmagick

pgmagick 是基于 Python 的 GraphicsMagick 库的包装器。GraphicsMagick 图像处理系统，有时也被称为图像处理的瑞士军刀。其强大而高效的工具和库集合支持在超过88种主要格式（包括 DPX，GIF，JPEG，JPEG-2000，PNG，PDF，PNM 和 TIFF）上读取，写入和操作图像。

图像缩放：

边缘提取：

2.10 Pycairo

Pycairo 是 Cairo 图形库的一组 Python 绑定。Cairo 是一个用于绘制矢量图形的 2D 图形库。矢量图形很有趣，因为它们在调整大小或变换时不会失去清晰度。Pycairo 可以从 Python 调用 Cairo 命令。

用 Pycairo 绘制线条，基本形状和径向渐变：