干货整理！10个Python图像处理工具，入门必看，提效大法

（给Python开发者加星标，提升Python技能）

来源：量子位

【前言】在图像处理领域，一库在手，相当于天下已有。但是今天给大家推荐10个好用的库，快来看看有哪些吧

有一位搞数据科学的小姐姐Parul Pandey，整理了一份实用Python图像处理工具，内含十大经典Python库。

这份资源中的工具可用于图像处理中的常见任务，包括裁剪、翻转、旋转、图像分割、分类和特征提取、图像恢复和图像识别等。可谓干货满满，图像处理提升效率必备。

量子位取其重点，将文章翻译整理如下：

---

1、scikit Image

scikit-image是一个与numpy数组配合使用的开源Python包，在学术研究、教育和行业领域都可应用。

即使是那些刚接触Python生态系统的人，也会觉得这是一个相当简单直接的库。

通过这个包能完成很多任务，比如图像过滤：

import matplotlib.pyplot as plt

%matplotlib inline

from skimage import data,filters

image=ata.coins()

edges=filters.sobel(image)

plt.imshow(edges,cmap='gray'

使用match_template 函数进行模板匹配：

官方地址：https://scikit-image.org/

用户指南：https://scikit-image.org/docs/stable/user_guide.html

2、Numpy

Numpy是Python的核心库之一，也能支持数组，图像本质上是包含数据点像素的标准Numpy数组。

因此，通过基本的NumPy操作，可以修改图像的像素值。

也可以使用skimage加载图像并用matplotlib显示。使用方法也和简单，比如需要mask一张图像时：

import numpy as np
from skimage import data
import matplotlib.pyplot as plt

%matplotlib inline
image=data.camera()
type(image)
numpy.ndarray
mask=image<87
image[mask]=255
plt.imshow(image,cmap='gray')

官方地址：http://www.numpy.org/

3. Scipy

scipy是Python中另一个核心模块，可用于基本的图像操作和处理任务。

特别需要注意的是，子模块scipy.ndimage提供在n维NumPy数组上运行的功能。这个包目前包括线性和非线性滤波器、二元形态、B-spline插值和物体测量等功能。

可以用高斯过滤用Scipy模糊高斯滤波器：

from scipy import misc,ndimage

face=misc.face()
blu_face=ndimage.gaussian_filter(face,sigma=3)
very_blu=ndimage.gaussian_filter(face,sigma=5)

plt.imshow(<image to be displayed>)

官方资料：

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

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，操作和保存不同图像文件格式的支持。

其分支Pillow更易于安装，在所有主要操作系统上运行并支持Python 3。这个库包含基本的图像处理功能，包括点操作、使用一组内置卷积核滤波及颜色空间转换。

当用ImageFilter增强Pillow中的图像时，操作是这样的：

from PIL import Image,ImageFilter

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

im.show()

from PIL import ImageEnhance

enh=ImageEnhance.Contrast(im)

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

官方介绍：https://pillow.readthedocs.io/en/3.1.x/index.html

5、OpenCV-Python

OpenCV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。

总体来说，因为后台由用C / C ++编写，因此OpenCV-Python不仅速度快，也易于编程和部署。这使其成为执行计算密集型视觉程序的绝佳选择。

来看一下用例，下图展示的是OpenCV-Python在Image Blending中使用Pyramids创建一个名为’Orapple’的新水果的功能。

上手指南：https://github.com/abidrahmank/OpenCV2-Python-Tutorials

6、SimpleCV

SimpleCV也是广泛被使用的构建计算机视觉应用程序的开源框架。

手握SimpleCV，你可以访问几个高性能的视觉库，而无需先了解图像色深（bit depth）、文件格式、色彩空间等。

SimpleCV拥护者的支持理由有两个，一是初学者也可以借此编写简单的视觉任务，二是无论是相机、视频文件、图像和视频流可互相操作。

用户指南：https://simplecv.readthedocs.io/en/latest/

7、Mahotas

Mahotas包含传统的图像处理功能，如滤波和图像形态学处理，以及用于特征计算，比如兴趣点检测和局部描述子等。

这个库适用于快速开发，算法是用C++实现的，并且针对速度进行了调整。

官方地址：https://mahotas.readthedocs.io/en/latest/

用户指南：https://mahotas.readthedocs.io/en/latest/index.html

8、 SimpleITK

ITK是一个开源的跨平台系统，提供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，促进其在简化原型、教育和解释语言中的应用。

SimpleITK是一个图像分析工具包，内含大量组件，支持一般滤波操作、图像分割和图形配准。

SimpleITK本身是用C++编写的，但也适用于包括Python在内的大量编程语言。

下面就是用SimpleITK和Python创建的可视化的CT/MR图：

官方地址：https://itk.org/

学习资料：http://insightsoftwareconsortium.github.io/SimpleITK-Notebooks/

9、GraphicsMagick

GraphicsMagick号称图像处理领域的瑞士军刀。代码短小却提供了一个鲁棒、高效的工具和库集合，可用来处理图像的读取、写入和操作。

支持超过88种图像格式，包括重要的DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM和TIFF。

将它用于图像边缘提取任务，效果如下：

官方资料：https://pypi.org/project/pgmagick/

相关资源：https://github.com/hhatto/pgmagick

10、Pycairo

pyCairo是一个Python的2D图形渲染库，可用于绘制矢量图形的2D图形，在调整大小或变换时不会丢失清晰度。

下面这个用例是用Pycairo绘制线条、基本形状和径向梯度。

官方介绍：https://cairographics.org/

相关资源：https://github.com/pygobject/pycairo

博客原文地址：

https://towardsdatascience.com/image-manipulation-tools-for-python-6eb0908ed61f

- EOF -

推荐阅读  点击标题可跳转

觉得本文对你有帮助？请分享给更多人

推荐关注「Python开发者」，提升Python技能

点赞和在看就是最大的支持❤️