10个Python图像处理工具|极客笔记

10个Python图像处理工具

在本教程中，我们将讨论Python库，这些库提供了一种简单直观的方法来转换图像并理解其背后的数据。

当今世界充斥着大量的数据，其中大部分是图像数据。但是为了以任何方式使用这些数字图像，需要对其进行处理和分析，以提高图像质量或获取可利用的信息。

常见的图像处理任务包括显示；简单的操作，例如翻转、裁剪等。图像分割，特征提取，图像修复以及图像识别。由于Python作为一种基于科学的编程语言日益流行，以及其库中众多先进的图像处理工具的开放获取，因此Python是执行这些图像处理任务的绝佳选择。

本文将介绍十个最常用的Python库，用于执行图像处理任务。这些库提供了一种简单直观的方法，用于修改图像并理解其背后的数据。

1. scikit-image

Scikit-image可以被描述为一个使用NumPy数组的开源Python程序。它是一个用于实施算法和实用程序的工具，可用于研究、教育以及工业应用。即使对于那些不熟悉Python生态系统的人来说，它也是一个易于使用和简单的库。代码质量很高，经过同行评审，并由一大群志愿者编写。

资源

Scikit-image详细地解释了很多示例和实际应用的情况。

用法

它加载在 skimage 中，并且大多数函数都包含在子模块中。

import matplotlib.pyplot as mplot  
%matplotlib inline

from skimage import data
from skimage import filters

image1 = data.coins()   # ... or any other NumPy array!  
edges1 = filters.sobel(image)  
mplot.imshow(edges, cmap = 'gray')

输出：

10个Python图像处理工具

使用match_template函数进行模板匹配：

10个Python图像处理工具

2. NumPy

NumPy是Python编程中最重要的库之一。它还支持数组。图像本质上是一个包含像素数据的标准NumPy数组。因此，可以使用标准的NumPy技术，如裁剪、遮罩或高级索引，来更改图像中的像素值。它还可以使用skimage程序加载，并使用Matplotlib显示。

使用方法

使用NumPy来遮罩图像：

import numpy as nmp
from skimage import data 
import matplotlib.pyplot as mplot
%matplotlib inline

image1 = data.camera()  
type(image1)
nmp.ndarray 
#Image is a NumPy array: 

mask = image < 87  
image[mask] = 255  
mplot.imshow(image1, cmap ='gray')

输出：

10个Python图像处理工具

3. SciPy

SciPy是Python的另一个主要科学模块（就像NumPy一样），可用于对图像进行基本操作和处理。特别是在SciPy v1.1.0中有一个子模块叫做 scipy.ndimage，它提供了在n维NumPy数组上操作的函数。该软件包目前具备非线性和线性滤波、B样条插值、二值形态学以及对象测量等功能。

使用方法

使用SciPy通过高斯滤波器来模糊图像：

10个Python图像处理工具

4. PIL/Pillow

PIL （Python Imaging Library）是一款免费的Python库。它是用于Python编程语言的库，提供了对打开、操作和保存各种图像格式的支持。然而，它的开发速度已经放缓，最后一次发布是在2009年。不过， 有一个替代品，Pillow，它是PIL的一个活跃开发的替代品，更易于安装，在所有主要平台上可用，也支持Python 3。该库提供了基本的图像处理函数，包括点、滤波器、内置的卷积核，以及颜色空间转换。

用途

通过将图像放入Pillow并使用ImageFilter来增强图像。

10个Python图像处理工具

5. OpenCV-Python

OpenCV（开源计算机视觉库）是最常用的计算机视觉程序之一。 **OpenCV-Python 是OpenCV的Python API。 OpenCV-Python不仅因为后台是使用C/C++编写的代码而高效，同时也因为它简单易用（因为前台有Python封装器）。这使得它成为运行计算密集型计算机视觉应用的理想选择。

用法

在OpenCV Python中使用图像金字塔混合技术，可以创建“Orapple”：

10个Python图像处理工具

6. SimpleCV

SimpleCV 是一个用于创建计算机视觉应用程序的不同的开源框架。它提供了对许多强大的计算机视觉软件库（如OpenCV）的访问，但您无需了解位深度和颜色空间、文件格式以及色彩空间。 SimpleCV的学习曲线明显低于OpenCV（正如其标语所说），”使计算机视觉变得简单。” SimpleCV的几个优点包括：

即使是新手也可以编写基本的机器视觉测试。
摄像头、视频文件、视频和图像都是可互操作的。

用法

10个Python图像处理工具

7. Mahotas

Mahotas 可以被描述为Python中可用的又一个用于图像和计算机视觉的软件。它除了拥有传统的图像处理工具（如滤波和形态学处理），还具备现代的计算机视觉工具，用于特征计算，包括兴趣点检测和局部描述符。接口采用Python语言，适合快速开发。然而，算法是用C++编写并进行了优化以提高速度。Mahotas库非常快速，代码量和依赖性都很小。阅读官方出版物以获取更多洞见。

资源

这份文档包括安装说明、示例和一些指南，以帮助您快速开始使用Mahotas。

用法

Mahotas库依赖简洁的代码来完成任务。例如，它非常出色地解决了”寻找沃利”问题，只需少量编程即可完成。

解决”寻找沃利”问题的方法：

10个Python图像处理工具

8. SimpleITK

ITK （Insight Segmentation and Registration Toolkit）是一款“开源、跨平台的软件，为开发人员提供了大量工具来辅助图像分析。” SimpleITK 是构建在ITK之上的一种奇特层，旨在简化快速原型设计和教育。该工具包还包括图像分析，具有支持图像分割、图像过滤和配准等通用滤波功能的各种组件。SimpleITK是用C++编写的，但它与像Python之类的大量编程语言兼容。

资源

有许多 Jupyter Notebooks 展示了如何在研究和教育中使用SimpleITK。笔记本演示了如何使用SimpleITK以及Python和R编程语言进行交互式图像分析。

用法

使用Python和SimpleITK创建的CT/MR严格配准过程的可视化。Python：

10个Python图像处理工具

9. pgmagick

The pgmagick 是一个基于Python的包装器，与GraphicsMagick库兼容。它是GraphicsMagick图像处理系统，通常被描述为”图像处理领域的瑞士军刀”。它可靠且功能强大的库和工具集允许在超过88种格式（包括DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM和TIFF）中读取、写入和操作图像。

资源

Pgmagick的GitHub存储库包含安装说明和规范。它还有一个全面的用户指南。

用法

图像缩放：

10个Python图像处理工具