介绍

如今的世界存在了大量的数据，图像数据是重要的组成部分。如果要利用这些图片，需要对图像进行处理，提高图片质量或提取图片内容信息。

图像处理的常见操作包括图像显示，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。Python是图像处理的合适选择，因为它作为一种科学编程语言日益普及，并且提供了许多免费实用的图像处理工具。

下面将介绍10个用于图像处理的python库，它们在处理图像等方面都提供了简单方便的方法。

1. scikit Image

scikit-image(https://scikit-image.org/)是一个与numpy一起使用的开源Python工具。它实现了用于研究，教育和行业应用的算法和实用程序。即使是刚接触Python的人也可以轻松使用。它的代码由活跃的志愿者编写，由高质量的同行进行评审。

资源

有完善的文档和丰富的示例(http://scikit-image.org/docs/stable/user_guide.html)。

示例

导入skimage，大多数函数都在它的子模块中。下面是一些 skimage 的例子：

图像过滤

import matplotlib.pyplot as plt 

%matplotlib inline

from skimage import data,filters

image = data.coins()

# ... 或者其他的 Numpy 数组

edges = filters.sobel(image)

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

使用match_template函数进行模板匹配

在gallery中有更多例子。

2. Numpy

Numpy是Python的核心库之一，它为数组提供了支持。一个图像本质上是包含像素数据的标准Numpy数组。因此，通过使用基本的Numpy操作，例如切片，掩膜（mask）和花式索引（fancy indexi）等直接修改图像的像素值。可以使用skimage加载图像并用matplotlib显示。

资源

Numpy的官方文档提供了完整的文档和资源列表(http://www.numpy.org/)。

示例

使用Numpy对图像进行掩膜操作。

import numpy as np

from skimage import data

import matplotlib.pyplot as plt 

%matplotlib inline

image = data.camera()

type(image)

numpy.ndarray #图像是一个numpy数组

mask = image < 87

image[mask]=255

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

3. Scipy

scipy是一个类似Numpy的核心科学计算模块，可用于基本的图像处理任务。特别是子模块scipy.ndimage提供了操作n维Numpy数组的函数。该软件包目前包括线性、非线性滤波，二值形态（binary morphology），B样条插值（B-spline interpolatio）和对象测量（object measurements）等功能。

资源

scipy.ndimage的完整函数列表：https://docs.scipy.org/doc/scipy/reference/tutorial/ndimage.html#correlation-and-convolution

示例

SciPy高斯过滤：

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函数库，它增加了打开、操作和保存多种不同图像格式的支持。然而，它已经停止了开发，最后一次发布是2009年。幸运的是，PIL有一个活跃的分支Pillow，它更易于安装，支持所有主要的操作系统并支持Python 3。该库包含了基本的图像处理功能，包括像素操作，使用内置卷积内核进行过滤以及颜色空间转换。

资源

该文档包含了安装指引以及每个模块的示例。

示例

使用Pillow中的ImageFilter增强图像：

from PIL import Image, ImageFilter

#读入图像

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

#显示图像

im.show()

from PIL import ImageEnhance

enh = ImageEnhance.Contrast(im)

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

5. OpenCV-Python

OpenCV（Open Source Computer Vision Library）是视觉应用中使用最广的库之一。OpenCV-Python是OpenCV的python API。OpenCV-Python不仅速度快，因为后台使用C/C++编写，而且易于编码和部署（由于前端的Python包装器）。这使其成为执行计算密集型视觉程序的绝佳选择。

资源

OpenCV2-Python-Guide使你更容易上手OpenCV-Python。

示例

下面的示例是使用OpenCV-Python的金字塔融合创建名为'Orapple'的新水果的功能。

6. SimpleCV

SimpleCV也是一个构建视觉应用的开源框架。有了它，您可以使用如OpenCV等几个高性能的计算机视觉库，不需要了解位深度，文件格式，色彩空间等概念。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”。SimpleCV的其他优点还有：

初学者也可以编写简单的机器视觉测试

摄像机，视频文件，图像和视频流可以相互操作

资源

官方文档简单易懂，还有大量的案例参考。

示例

7. Mahotas

Mahotas是另一个Python计算机视觉和图像处理库。它包含了传统的图像处理功能，如过滤和形态学操作，以及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。该接口使用Python，可以快速开发，算法使用C++实现，并且针对速度进行了优化。Mahotas库具有尽量少的代码甚至最小的依赖。阅读他们的{官方文章](https://openresearchsoftware.metajnl.com/articles/10.5334/jors.ac/)获取更多信息。

资源

该文档包含了安装说明，示例和教程，帮助你轻松地使用mahotas。

示例

Mahotas尽量使用简单的代码实现功能。例如“Finding Wally”问题，Mahotas使用最少的代码实现了较好的结果。这里是它的源代码。

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是一个基于ITK的简化层，旨在促进快速原型设计，教育，解释语言中的使用。SimpleITK是一个图像分析工具包，具有大量的组件，支持过滤操作，图像分割和配准。SimpleITK使用C++编写，也可以用于包括Python在内的大量编程语言。

资源

有许多Jupyter Notebooks展示了SimpleITK在教育和研究中的使用。使用SimpleITK进行Python和R编程语言的交互式图像分析。

示例

下面是使用SimpleITK和Python实现的CT/MR配准过程的可视化。源代码。

9. pgmagick

pgmagick是使用Python包装的GraphicsMagick库。GraphicsMagick有时被称为图像处理中的瑞士军刀。它提供了强大高效的工具和库集合，支持超过88种主要图像格式的读取，写入和操作，包括DPX，GIF，JPEG，JPEG-2000，PNG，PDF，PNM和TIFF等重要格式。

资源

Github仓库，有安装和要求说明，详细的用户指南。

示例

一些使用 pgmagick 的图像操作：

图像缩放：

边缘提取：

10. Pycairo

Pycairo是cairo图形库的一组python绑定。Cairo是一个绘制矢量图形的2D图形库。矢量图形在调整大小或变换时不会丢失清晰度。Pycairo可使用Python调用cairo命令。

资源

Pycairo GitHub仓库有安装和使用的详细说明。以及Pycairo的简要教程。

示例

使用Pycairo绘制线段，基本形状和径向渐变（radial gradients）。