10个Python图像处理工具-白红宇

10个Python图像处理工具

阅读量：2522 次

发布时间：2019-05-11

本文共 4913 字，大约阅读时间需要 16 分钟。

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

是一个与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'      
     )

使用函数进行模板匹配：

您可以在找到更多示例。

2. 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

。

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

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（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。

用法

使用SciPy使用进行模糊处理：

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（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"      
     )

Enhancing an image in Pillow using ImageFilter

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。是的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

《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”：

Image blending using Pyramids in OpenCV-Python

6. 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

官方非常容易遵循，并且包含大量示例和用例。

用法

7. 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。阅读其以获得更多见解。

资源资源

该包含安装说明，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，它用最少的代码很好地解决问题。

解决“发现沃利”问题：

8. SimpleITK

（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。