来自 技术 2019-04-17 的文章

10个Python图像编辑工具,学好python就靠它们!

以下提到的这些 Python 工具在编辑图像、操作图像底层数据方面都提供了简单直接的方法。

当今的世界充满了数据,而图像数据就是其中很重要的一部分。但只有经过处理和分析,提高图像的质量,从中提取出有效地信息,才能利用到这些图像数据。

常见的图像处理操作包括显示图像,基本的图像操作,如裁剪、翻转、旋转;图像的分割、分类、特征提取;图像恢复;以及图像识别等等。Python 作为一种日益风靡的科学编程语言,是这些图像处理操作的最佳选择。同时,在 Python 生态当中也有很多可以免费使用的优秀的图像处理工具。

下文将介绍 10 个可以用于图像处理任务的 Python 库,它们在编辑图像、查看图像底层数据方面都提供了简单直接的方法。

1、scikit-image

scikit-image是一个结合NumPy数组使用的开源 Python 工具,它实现了可用于研究、教育、工业应用的算法和应用程序。即使是对于刚刚接触 Python 生态圈的新手来说,它也是一个在使用上足够简单的库。同时它的代码质量也很高,因为它是由一个活跃的志愿者社区开发的,并且通过了<ruby>同行评审<rt>peer review</rt></ruby>。

资源

scikit-image 的文档非常完善,其中包含了丰富的用例。

示例

可以通过导入skimage使用,大部分的功能都可以在它的子模块中找到。

图像滤波:

1.`importmatplotlib.pyplotasplt`2.`%matplotlibinline`4.`fromskimageimportdata,filters`6.`image=data.coins()#...oranyotherNumPyarray!`7.`edges=filters.sobel(image)`8.`plt.imshow(edges,cmap='gray')`

使用match_template()方法实现<ruby>模板匹配<rt>template matching</rt></ruby>:

在展示页面可以看到更多相关的例子。

2、NumPy

NumPy提供了对数组的支持,是 Python 编程的一个核心库。图像的本质其实也是一个包含像素数据点的标准 NumPy 数组,因此可以通过一些基本的 NumPy 操作(例如切片、<ruby>掩膜<rt>mask</rt></ruby>、<ruby>花式索引<rt>fancy indexing</rt></ruby>等),就可以从像素级别对图像进行编辑。通过 NumPy 数组存储的图像也可以被 skimage 加载并使用 matplotlib 显示。

资源

在 NumPy 的官方文档中提供了完整的代码文档和资源列表。

示例

使用 NumPy 对图像进行<ruby>掩膜<rt>mask</rt></ruby>操作:

1.`importnumpyasnp`2.`fromskimageimportdata`3.`importmatplotlib.pyplotasplt`4.`%matplotlibinline`6.`image=data.camera()`7.`type(image)`8.`numpy.ndarray#ImageisaNumPyarray:`10.`mask=image<87`11.`image[mask]=255`12.`plt.imshow(image,cmap='gray')`

NumPy

3、SciPy

像 NumPy 一样,SciPy是 Python 的一个核心科学计算模块,也可以用于图像的基本操作和处理。尤其是 SciPy v1.1.0 中的scipy.ndimage子模块,它提供了在 n 维 NumPy 数组上的运行的函数。SciPy 目前还提供了<ruby>线性和非线性滤波<rt>linear and non-linear filtering</rt></ruby>、<ruby>二值形态学<rt>binary morphology</rt></ruby>、<ruby>B 样条插值<rt>B-spline interpolation</rt></ruby>、<ruby>对象测量<rt>object measurements</rt></ruby>等方面的函数。

资源

在官方文档中可以查阅到scipy.ndimage的完整函数列表。

示例

使用 SciPy 的高斯滤波对图像进行模糊处理:

1.`fromscipyimportmisc,ndimage`3.`face=misc.face()`4.`blurred_face=ndimage.gaussian_filter(face,sigma=3)`5.`very_blurred=ndimage.gaussian_filter(face,sigma=5)`7.`#Results`8.`plt.imshow(<imagetobedisplayed>)`

Using a Gaussian filter in SciPy

4、PIL/Pillow

PIL (Python Imaging Library) 是一个免费 Python 编程库,它提供了对多种格式图像文件的打开、编辑、保存的支持。但在 2009 年之后 PIL 就停止发布新版本了。幸运的是,还有一个 PIL 的积极开发的分支Pillow,它的安装过程比 PIL 更加简单,支持大部分主流的操作系统,并且还支持 Python 3。Pillow 包含了图像的基础处理功能,包括像素点操作、使用内置卷积内核进行滤波、颜色空间转换等等。

资源

Pillow 的官方文档提供了 Pillow 的安装说明自己代码库中每一个模块的示例。

示例

使用 Pillow 中的 ImageFilter 模块实现图像增强:

1.`fromPILimportImage,ImageFilter`2.`#Readimage`3.`im=Image.open('image.jpg')`4.`#Displayimage`5.`im.show()`7.`fromPILimportImageEnhance`8.`enh=ImageEnhance.Contrast(im)`9.`enh.enhance(1.8).show("30%morecontrast")`

Enhancing an image in Pillow using ImageFilter

  • 源码

    5、OpenCV-Python

    OpenCV(Open Source Computer Vision 库)是计算机视觉领域最广泛使用的库之一,OpenCV-Python则是 OpenCV 的 Python API。OpenCV-Python 的运行速度很快,这归功于它使用 C/C++ 编写的后台代码,同时由于它使用了 Python 进行封装,因此调用和部署的难度也不大。这些优点让 OpenCV-Python 成为了计算密集型计算机视觉应用程序的一个不错的选择。

    资源

    入门之前最好先阅读OpenCV2-Python-Guide这份文档。

    示例

    使用 OpenCV-Python 中的<ruby>金字塔融合<rt>Pyramid Blending</rt></ruby>将苹果和橘子融合到一起:

    • 源码

      6、SimpleCV

      SimpleCV是一个开源的计算机视觉框架。它支持包括 OpenCV 在内的一些高性能计算机视觉库,同时不需要去了解<ruby>位深度<rt>bit depth</rt></ruby>、文件格式、<ruby>色彩空间<rt>color space</rt></ruby>之类的概念,因此 SimpleCV 的学习曲线要比 OpenCV 平缓得多,正如它的口号所说,“将计算机视觉变得更简单”。SimpleCV 的优点还有:

      • 即使是刚刚接触计算机视觉的程序员也可以通过 SimpleCV 来实现一些简易的计算机视觉测试
      • 录像、视频文件、图像、视频流都在支持范围内

        资源

        官方文档简单易懂,同时也附有大量的学习用例。

        示例

        SimpleCV

        7、Mahotas

        Mahotas是另一个 Python 图像处理和计算机视觉库。在图像处理方面,它支持滤波和形态学相关的操作;在计算机视觉方面,它也支持<ruby>特征计算<rt>feature computation</rt></ruby>、<ruby>兴趣点检测<rt>interest point detection</rt></ruby>、<ruby>局部描述符<rt>local descriptors</rt></ruby>等功能。Mahotas 的接口使用了 Python 进行编写,因此适合快速开发,而算法使用 C++ 实现,并针对速度进行了优化。Mahotas 尽可能做到代码量少和依赖项少,因此它的运算速度非常快。可以参考官方文档了解更多详细信息。

        资源

        文档包含了安装介绍、示例以及一些 Mahotas 的入门教程。

        示例

        Mahotas 力求使用少量的代码来实现功能。例如这个Finding Wally游戏:

        Finding Wally problem in Mahotas

        Finding Wally problem in Mahotas

        • 源码

          8、SimpleITK

          ITK(Insight Segmentation and Registration Toolkit)是一个为开发者提供普适性图像分析功能的开源、跨平台工具套件,SimpleITK则是基于 ITK 构建出来的一个简化层,旨在促进 ITK 在快速原型设计、教育、解释语言中的应用。SimpleITK 作为一个图像分析工具包,它也带有大量的组件,可以支持常规的滤波、图像分割、<ruby>图像配准<rt>registration</rt></ruby>功能。尽管 SimpleITK 使用 C++ 编写,但它也支持包括 Python 在内的大部分编程语言。

          资源

          有很多Jupyter Notebooks用例可以展示 SimpleITK 在教育和科研领域中的应用,通过这些用例可以看到如何使用 Python 和 R 利用 SimpleITK 来实现交互式图像分析。

          示例

          使用 Python + SimpleITK 实现的 CT/MR 图像配准过程:

          SimpleITK animation

          SimpleITK animation

          • 源码

            9、pgmagick

            pgmagick是使用 Python 封装的 GraphicsMagick 库。GraphicsMagick通常被认为是图像处理界的瑞士军-刀,因为它强大而又高效的工具包支持对多达 88 种主流格式图像文件的读写操作,包括 DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM、TIFF 等等。

            资源

            pgmagick 的GitHub 仓库中有相关的安装说明、依赖列表,以及详细的使用指引。

            示例

            图像缩放:

            • 源码

              边缘提取:

              • 源码

                10、Pycairo

                Cairo是一个用于绘制矢量图的二维图形库,而Pycairo是用于 Cairo 的一组 Python 绑定。矢量图的优点在于做大小缩放的过程中不会丢失图像的清晰度。使用 Pycairo 可以在 Python 中调用 Cairo 的相关命令。

                资源

                Pycairo 的GitHub 仓库提供了关于安装和使用的详细说明,以及一份简要介绍 Pycairo 的入门指南。

                示例

                使用 Pycairo 绘制线段、基本图形、<ruby>径向渐变<rt>radial gradients</rt></ruby>:

                Pycairo

                • 源码

                  总结

                  以上就是 Python 中的一些有用的图像处理库,无论你有没有听说过、有没有使用过,都值得试用一下并了解它们。

                  标签:   java后台项目联系      c语言导出数据txt   
                  上一篇:没有了
                  下一篇:没有了