本文主要介绍一些简单易懂的Python图像处理库。
如今，世界上充斥着各种各样的数据，其中图像是重要的一部分。然而，如果我们想要它的应用，我们需要处理这些图像。图像处理是对数字图像进行分析和处理的过程，目的是提高图像质量或从中提取一些信息，然后在某些方面加以利用。
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。计算机编程语言
它是图像处理任务的最佳选择，因为这种科学的编程语言越来越流行，并且它免费提供了许多高级图像处理工具。
让我们来看看一些常用于图像处理任务的Python库。
# scikit图像
Scikit-image是一个基于numpy数组的开源Python包。它为研究、教育和工业应用实现算法和实用程序。即使是刚接触的人。
Python，它也是一个相当简单的库。该库代码质量很高，已经过同行评审。是一个活跃的志愿者社区写的。
用法举例:图像滤波，模板匹配。
您可以使用“浏览”来导入库。大多数功能可以在子模块中找到。
将matplotlib.pyplot导入为PLT % matplotlib inlinefrom skimage导入数据，filtersimage=data.coins()#.或者任何其他NumPy数组！edges=filters . Sobel(image)PLT . imshow(edges，cmap='gray ')
模版匹配（使用 match_template 函数）
# 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。
切片、脱敏和花式索引等操作可以修改图像的像素值。您可以使用skimage加载图像，并使用matplotlib显示它。
用法举例:使用Numpy使图像变得不敏感。
将numpy作为npfrom skimage导入数据导入matplotlib.pyplot作为PLT % matplotlib inline Image=data . camera()type(Image)numpy . ndarray # Image是numpy arraymask=Image 87 Image[mask]=255 pl . imshow(Image，cmap='gray ')
# Scipy
Scipy是Python的另一个核心科学模块，就像Numpy一样，可以用于基本的图像处理和处理任务。值得一提的是，子模块scipy . ndi image。
提供在n维NumPy数组上运行的函数。目前，该软件包包括线性和非线性滤波、二值形态学、B样条插值和目标测量。
用法举例:使用SciPy的高斯滤波器模糊图像。
来自scipy import misc，ndimage face=misc . face()fuzzy _ face=ndimage . Gaussian _ filter(face，sigma=3)very _ fuzzy=ndimage . Gaussian _ filter(face，sigma=5)#Resultsplt.imshow()
src='https://p26.toutiaoimg.com/large/pgc-image/dbde860f0853462dba007601ddc75b85' alt='Python中的十大图像处理工具' /># 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。
用法举例：使用 ImageFilter 增强 Pillow 中的图像
from PIL import Image, ImageFilter#Read imageim = Image.open( 'image.jpg' )#Display imageim.show()from PIL import ImageEnhanceenh = ImageEnhance.Contrast(im)enh.enhance(1.8).show("30% more contrast")
# 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。
用法举例：使用 Pyramids 创建一个名为 'Orapple'的新水果的功能
# 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
用法举例
# 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。
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。
# 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。
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。
# 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。
用法举例：图片缩放、边缘提取
图片缩放
边缘提取
# 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。
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！
