Python中的十大图像处理工具(小结)
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:
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。
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:
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:
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:
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:
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:
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:
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:
用法举例:图片缩放、边缘提取
图片缩放
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进行变换时不会降低清晰度。pycairo库可以从python调用cairo命令。
使用说明文档:
用法:pycairo可以绘制线条、基本形状和径向渐变
以上就是一些免费的优秀图像处理python库。有些很知名,你可能已经知道或者用过,有些可能对你来说还是新的。那正好现在就上手操作一下,试一试吧。希望对大家的学习有所帮助,也希望大家多多支持。