本文介绍

今天的世界充斥着数据，而图像是这些数据的重要组成部分。然而，要想使用这些图像，先要对它们进行处理。因此，图像处理是分析和处理数字图像的过程，其主要目的是提高数字图像的质量或从中提取一些信息，然后加以利用。

图像处理中常见的任务包括图像显示、裁剪、翻转、旋转等基本操作、图像分割、分类和特征提取、图像恢复和图像识别。Python之所以成为这种图像处理任务的合适选择，是因为它作为一种科学编程语言的日益流行，以及其生态系统中免费提供许多最先进的图像处理工具。

让我们来看看一些用于图像操作任务的常用Python库。

1. scikit Image

scikit-image是一个使用numpy数组的开放源码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。它是一个相当简单和直接的库，即使对于刚刚接触Python生态系统的新手也是如此。此代码是由活跃的志愿者组成的社区所编写的，具有高质量同行评审的准则。

使用

这个包作为skimage导入，大多数功能都在子模块中找到。skimage的一些示例包括：

• Image filtering

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函数匹配模板

2. Numpy

Numpy是Python编程中的核心库之一，提供对数组的支持。图像本质上是一个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，如切片、屏蔽和花式索引，我们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。

使用

使用numpy屏蔽图像。

import numpy as np

from skimage import data

import matplotlib.pyplot as plt 

%matplotlib inlineimage = data.camera()

type(image)numpy.ndarray #Image is a numpy arraymask = 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，类似于Numpy，可用于基本的图像处理和处理相关任务。特别是子模块 scipy.ndimage提供在n维NumPy数组上操作的函数。该软件包目前包括线性和非线性滤波、二元形态学、b样条插值和对象测量功能。

使用

使用SciPy模糊使用高斯滤波器:

from scipy import misc,ndimageface = misc.face()

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

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

plt.imshow()

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文件格式的支持。然而，随着2009年最后一次发布，它的开发停滞不前。幸运的是，有Pillow，一个积极发展的PIL分支，更容易安装;可运行在所有主要的操作系统，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和颜色空间转换。

使用

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)是计算机视觉应用中应用最广泛的库之一。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，而且易于编码和部署(由于前台有Python包装器)。这使得它成为执行计算密集型计算机视觉程序的一个很好的选择。

使用

下面是一个例子，展示了Open-Cvpython在图像混合中使用金字塔创建一个新的“水果”“Orapple”的能力。

6. SimpleCV

SimpleCV也是一个用于构建计算机视觉应用程序的开源框架。有了它，您可以访问几个高性能的计算机视觉库，如OpenCV，而不必首先了解位深度、文件格式、颜色空间等。学习曲线大大小于OpenCV，正如他们的口号所说，“从此计算机视觉变得容易”。一些赞成SimpleCV的观点是:

• 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、图像和视频流都是可互操作的

使用

7. Mahotas

Mahotas是Python的另一个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，以及更现代的用于特征计算的计算机视觉功能，包括兴趣点检测和局部描述符。该接口是用Python编写的，适合于快速开发，但是算法是用c++实现的，并且针对速度进行了调优。Mahotas库速度快，代码简洁，甚至具有最小的依赖性。

使用

Mahotas库依赖于使用简单的代码来完成任务。在“寻找Wally”的问题上，Mahotas做得很好，而且代码也很简单。下面是源代码。

8. SimpleITK

ITK或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套广泛的图像分析软件工具。其中，SimpleITK是构建在ITK之上的一个简化层，旨在促进其在快速原型设计、教育和解释语言中的使用。SimpleITK是一个图像分析工具包，包含大量支持一般过滤操作、图像分割和注册的组件。SimpleITK本身是用c++编写的，但是可以用于包括Python在内的许多编程语言。

使用

下面的动画是使用SimpleITK和Python创建的刚性CT/MR注册过程的可视化。

9. pgmagick

pgmagick是GraphicsMagick库的一个基于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。它提供了一个强大而高效的工具和库集合，支持以88种主要格式(包括重要格式，如DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM和TIFF)读取、写入和操作图像。

使用

使用pgmagick可以进行的图像处理活动很少:

图像缩放:



边缘提取:



10. Pycairo

Pycairo是图形库cairo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转换时不会失去清晰度。Pycairo是cairo的一组绑定，可用于从Python调用cairo命令。

使用

使用Pycairo绘制线条、基本形状和径向梯度

结论

这些是Python中一些有用且免费可用的图像处理库。有些众所周知，有些对你来说也许陌生。但是无论怎样，既然要入行了，就一定试着去了解他们、学习他们。