Python中的十大图像处理工具(小结)

站长资源 2024/11/26 佚名

2 0 1

Python之成为图像处理任务的最佳选择，是因为这一科学编程语言日益普及，并且其自身免费提供许多最先进的图像处理工具。本文主要介绍了一些简单易懂最常用的Python图像处理库。

当今世界充满了各种数据，而图像是其中高的重要组成部分。然而，若想其有所应用，我们需要对这些图像进行处理。图像处理是分析和操纵数字图像的过程，旨在提高其质量或从中提取一些信息，然后将其用于某些方面。

图像处理中的常见任务包括显示图像，基本操作(如裁剪、翻转、旋转等)，图像分割，分类和特征提取，图像恢复和图像识别等。 Python之成为图像处理任务的最佳选择，是因为这一科学编程语言日益普及，并且其自身免费提供许多最先进的图像处理工具。

让我们看一下用于图像处理任务的一些常用Python库。

1. scikit Image

scikit-image是一个基于numpy数组的开源Python包。它实现了用于研究、教育和工业应用的算法和实用程序。即使是对于那些刚接触Python的人，它也是一个相当简单的库。此库代码质量非常高并已经过同行评审，是由一个活跃的志愿者社区编写的。

使用说明文档：https://scikit-image.org/docs/stable/user_guide.html

用法举例：图像过滤、模版匹配

可使用“skimage”来导入该库。大多数功能都能在子模块中找到。

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')

模版匹配(使用match_template函数)

gallery上还有更多例子。

https://scikit-image.org/docs/dev/auto_examples/

2. Numpy

Numpy是Python编程的核心库之一，支持数组结构。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、脱敏和花式索引，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。

使用说明文档：http://www.numpy.org/

用法举例：使用Numpy来对图像进行脱敏处理

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. Scipy

scipy是Python的另一个核心科学模块，就像Numpy一样，可用于基本的图像处理和处理任务。值得一提的是，子模块scipy.ndimage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。

使用说明文档：

https://docs.scipy.org/doc/scipy/reference/tutorial/ndimage.html#correlation-and-convolution

用法举例：使用SciPy的高斯滤波器对图像进行模糊处理

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/ Pillow

PIL (Python Imaging Library)是一个免费的Python编程语言库，它增加了对打开、处理和保存许多不同图像文件格式的支持。然而，它的发展停滞不前，其最后一次更新还是在2009年。幸运的是， PIL有一个正处于积极开发阶段的分支Pillow，它非常易于安装。Pillow能在所有主要操作系统上运行并支持Python 3。该库包含基本的图像处理功能，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。

使用说明文档：https://pillow.readthedocs.io/en/3.1.x/index.html

用法举例：使用ImageFilter增强Pillow中的图像

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")

5. OpenCV-Python

OpenCV( 开源计算机视觉库，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。 OpenCV-Python不仅速度快(因为后台由用C / C ++编写的代码组成)，也易于编码和部署(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。

使用说明文档：https://github.com/abidrahmank/OpenCV2-Python-Tutorials

用法举例：使用Pyramids创建一个名为'Orapple'的新水果的功能

6. SimpleCV

SimpleCV也是用于构建计算机视觉应用程序的开源框架。通过它可以访问如OpenCV等高性能的计算机视觉库，而无需首先了解位深度、文件格式或色彩空间等。学习难度远远小于OpenCV，并且正如他们的标语所说，“ 它使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交互操作

使用说明文档：https://simplecv.readthedocs.io/en/latest/

用法举例

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(如滤波和形态学操作)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)。该接口使用Python，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库运行很快，它的代码很简单，(对其它库的)依赖性也很小。建议阅读他们的官方文档以了解更多内容。

使用说明文档：

https://mahotas.readthedocs.io/en/latest/install.html

用法举例

Mahotas库使用简单的代码来完成工作。对于“ 寻找Wally ”的问题，Mahotas完成的得很好，而且代码量非常小。

8. SimpleITK

ITK(Insight Segmentation and Registration Toolkit)是一个开源的跨平台系统，为开发人员提供了一整套用于图像分析的软件工具。其中， SimpleITK是一个建立在ITK之上的简化层，旨在促进其在快速原型设计、教育以及脚本语言中的使用。SimpleITK是一个包含大量组件的图像分析工具包，支持一般的过滤操作、图像分割和配准。 SimpleITK本身是用C++编写的，但可用于包括Python在内的大量编程语言。

使用说明文档：https://github.com/hhatto/pgmagick

这里有大量说明了如何使用SimpleITK进行教育和研究活动的Jupyter notebook。notebook中演示了如何使用SimpleITK进行使用Python和R编程语言的交互式图像分析。

用法举例：

下面的动画是使用SimpleITK和Python创建的可视化的严格CT / MR配准过程。

9. pgmagick

pgmagick是GraphicsMagick库基于Python的包装器。GraphicsMagick 图像处理系统有时被称为图像处理的瑞士军刀。它提供了强大而高效的工具和库集合，支持超过88种主要格式图像的读取、写入和操作，包括DPX，GIF，JPEG，JPEG-2000，PNG，PDF，PNM和TIFF等重要格式。

使用说明文档：https://github.com/hhatto/pgmagick

用法举例：图片缩放、边缘提取