10个Python图像处理工具

当今世界充满了数据，图像构成了这些数据的重要部分。 但是，在使用这些数字图像之前，必须对其进行处理（分析和处理），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，例如裁剪，翻转，旋转等； 图像分割，分类和特征提取； 图像恢复； 和图像识别。 Python作为一种科学编程语言越来越受欢迎，并且在其生态系统中免费提供了许多最新的图像处理工具，因此Python是这些类型的图像处理任务的绝佳选择。

本文介绍了10种最常用的Python库用于图像处理任务。 这些库提供了一种简单直观的方法来转换图像并理解基础数据。

1. scikit图片

scikit -image是一个与NumPy数组一起使用的开源Python软件包。 它实现了用于研究，教育和行业应用的算法和实用程序。 即使对于Python生态系统的新手来说，它也是一个相当简单明了的库。 该代码是高质量的，经过同行评审，由活跃的志愿者社区编写。

资源资源

scikit-image的文档非常详尽，包含许多示例和实际用例。

用法

该软件包作为skimage导入，大多数功能都在子模块中找到。

图像过滤：

   
   

    
    
 
     
     import matplotlib. 
     
     pyplot 
     
     as plt   
     
     

%matplotlib inline
     
     

        
     
     


     
     from skimage 
     
     import data 
     
     , filters
     
     

        
     
     

image 
     
     = data. 
     
     coins 
     
     ( 
     
     )   
     
     # ... or any other NumPy array!   
     
     

edges 
     
     = filters. 
     
     sobel 
     
     ( image 
     
     )  
     
     

plt. 
     
     imshow 
     
     ( edges 
     
     , cmap 
     
     = 
     
     'gray' 
     
     ) 
    
    
   
   

使用match_template函数进行模板匹配：

您可以在图库中找到更多示例。

2. NumPy

NumPy是Python编程的核心库之一，并提供对数组的支持。 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（例如切片，遮罩和花式索引），可以修改图像的像素值。 可以使用skimage加载图像，并使用Matplotlib显示图像。

资源资源

官方文档页面 。

用法

使用Numpy遮罩图像：

   
   

    
    
 
     
     import numpy 
     
     as np
     
     


     
     from skimage 
     
     import data
     
     


     
     import matplotlib. 
     
     pyplot 
     
     as plt 
     
     

%matplotlib inline
     
     

    
     
     

image 
     
     = data. 
     
     camera 
     
     ( 
     
     )  
     
     


     
     type 
     
     ( image 
     
     ) 
     
     

numpy. 
     
     ndarray 
     
     #Image is a NumPy array:  
     
     


     
     

mask 
     
     = image 
     
     < 
     
     87  
     
     

image 
     
     [ mask 
     
     ] 
     
     = 
     
     255  
     
     

plt. 
     
     imshow 
     
     ( image 
     
     , cmap 
     
     = 
     
     'gray' 
     
     ) 
    
    
   
   

3.科学

SciPy是Python的另一个核心科学模块（如NumPy），可用于基本的图像处理和处理任务。 特别是，子模块scipy.ndimage （在SciPy v1.1.0中）提供在n维NumPy数组上运行的函数。 该软件包当前包含用于线性和非线性滤波，二进制形态，B样条插值和对象测量的功能。

资源资源

有关scipy.ndimage包提供的功能的完整列表，请参阅文档 。

用法

使用SciPy使用高斯滤波器进行模糊处理：

   
   

    
    
 
     
     from scipy 
     
     import misc 
     
     , ndimage
     
     

    
     
     

face 
     
     = misc. 
     
     face 
     
     ( 
     
     )  
     
     

blurred_face 
     
     = ndimage. 
     
     gaussian_filter 
     
     ( face 
     
     , sigma 
     
     = 
     
     3 
     
     )  
     
     

very_blurred 
     
     = ndimage. 
     
     gaussian_filter 
     
     ( face 
     
     , sigma 
     
     = 
     
     5 
     
     ) 
     
     

   
     
     


     
     #Results   
     
     

plt. 
     
     imshow 
     
     ( 
     
     < image to be displayed 
     
     > 
     
     ) 
    
    
   
   

4. PIL /枕头

PIL （Python影像库）是Python编程语言的免费库，它增加了对打开，操作和保存许多不同图像文件格式的支持。 但是，其发展停滞不前，其最新版本是2009年。幸运的是，有一个Pillow （积极开发的PIL分支），易于安装，可以在所有主要操作系统上运行，并且支持Python3。该库包含基本映像。处理功能，包括点运算，使用一组内置的卷积内核进行过滤以及颜色空间转换。

资源资源

该文档包含安装说明以及涵盖该库每个模块的示例。

用法

使用ImageFilter在枕头中增强图像：

   
   

    
    
 
     
     from PIL 
     
     import Image 
     
     , ImageFilter  
     
     


     
     #Read image  
     
     

im 
     
     = Image. 
     
     open 
     
     ( 
     
     'image.jpg' 
     
     ) 
     
     


     
     #Display image   
     
     

im. 
     
     show 
     
     ( 
     
     ) 
     
     

    
     
     


     
     from PIL 
     
     import ImageEnhance  
     
     

enh 
     
     = ImageEnhance. 
     
     Contrast 
     
     ( im 
     
     )  
     
     

enh. 
     
     enhance 
     
     ( 
     
     1.8 
     
     ) . 
     
     show 
     
     ( 
     
     "30% more contrast" 
     
     ) 
    
    
   
   

^{图片源代码}

5. OpenCV-Python

OpenCV （开源计算机视觉库）是计算​​机视觉应用程序中使用最广泛的库之一。 OpenCV-Python是OpenCV的Python API。 OpenCV-Python不仅速度快，因为其背景由用C / C ++编写的代码组成，而且还易于编码和部署（由于前景中的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。

资源资源

《 OpenCV2-Python指南》使您可以轻松开始使用OpenCV-Python。

用法

在OpenCV-Python中使用金字塔使用图像混合来创建“ Orapple”：

^{图片源代码}

6. SimpleCV

SimpleCV是用于构建计算机视觉应用程序的另一个开源框架。 它提供了访问一些高性能计算机视觉库（例如OpenCV）的权限，而无需了解位深度，文件格式，色彩空间等。它的学习曲线明显小于OpenCV的学习曲线，并且（如其标语所示），“这使计算机视觉变得容易。” 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，图像和视频流均可互操作

资源资源

官方文档非常容易遵循，并且包含大量示例和用例。

用法

7. Mahotas

Mahotas是另一个适用于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（例如过滤和形态运算），以及用于特征计算（包括兴趣点检测和局部描述符）的更现代的计算机视觉功能。 该接口使用Python进行开发，适合于快速开发，但是算法是用C ++实现并进行了速度调整。 Mahotas的库以最少的代码甚至最小的依赖关系快速运行。 阅读其官方论文以获得更多见解。

资源资源

该文档包含安装说明，示例，甚至包括一些教程，可帮助您轻松开始使用Mahotas。

用法

Mahotas库依靠简单的代码来完成工作。 例如，它用最少的代码就能很好地解决Finding Wally问题。

解决“发现沃利”问题：

^{图片源代码}

^{图片源代码}

8. SimpleITK

ITK （Insight细分和注册工具包）是一个“开源，跨平台系统，为开发人员提供了用于图像分析的大量软件工具。SimpleITK是构建在ITK之上的简化层，旨在促进其快速使用。原型，教育和[和]解释语言。” 它也是一个图像分析工具包，其中包含大量支持常规过滤操作，图像分割和配准的组件。 SimpleITK用C ++编写，但可用于许多编程语言，包括Python。

资源资源

有大量的Jupyter笔记本说明了SimpleITK在教育和研究活动中的使用。 这些笔记本演示了如何使用SimpleITK通过Python和R编程语言进行交互式图像分析。

用法

使用SimpleITK和Python创建的刚性CT / MR注册过程的可视化：

^{图片源代码}

9. pgmagick

pgmagick是GraphicsMagick库的基于Python的包装器。 GraphicsMagick图像处理系统有时也称为图像处理的瑞士军刀。 它强大而有效的工具和库集合支持以超过88种主要格式读取，写入和处理图像，包括DPX，GIF，JPEG，JPEG-2000，PNG，PDF，PNM和TIFF。

资源资源

pgmagick的GitHub存储库具有安装说明和要求。 也有详细的用户指南 。

用法

图像缩放：

^{图片源代码}

边缘提取：

^{图片源代码}

10.皮开罗

Pycairo是用于Cairo图形库的一组Python绑定。 开罗是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后不会失去清晰度。 Pycairo可以从Python调用Cairo命令。

资源资源

Pycairo GitHub存储库是一个很好的资源，其中包含有关安装和使用的详细说明。 还有一个入门指南 ，其中包含有关Pycairo的简短教程。

用法

使用Pycairo绘制线条，基本形状和径向渐变：

^{图片源代码}

结论

这些是Python中一些有用且免费的图像处理库。 有些是众所周知的，而另一些可能对您来说是新的。 试试看他们，以了解更多关于他们！

翻译自: https://opensource.com/article/19/3/python-image-manipulation-tools