Python 图像处理的必备 9 个库

Python 是一种多功能编程语言，允许开发人员完成各种任务。在图像处理方面，Python 提供了众多的库，使用户能够轻松地执行复杂的操作。今天我们将探讨九个最流行的图像处理 Python 库，并提供全面的指南，包括每个库的功能示例。

OpenCV： OpenCV 是 Python 中使用最广泛的图像处理库之一，由英特尔开发。它提供了丰富的图像和视频处理算法，支持多平台，并用于图像过滤、对象检测和图像拼接等任务。示例：

<code>import cv2 # 加载图像 image = cv2.imread('image.jpg') # 应用高斯模糊 blurred_image = cv2.GaussianBlur(image, (15,15), 0) # 显示原始图像和模糊图像 cv2.imshow('Original Image', image) cv2.imshow('Blurred Image', blurred_image) cv2.waitKey(0) cv2.destroyAllWindows()</code>

Pillow： Pillow 提供了丰富的图像处理功能，包括调整大小、裁剪、旋转和应用滤镜等操作。它支持多种图像文件格式，例如 JPEG、PNG 和 TIFF。示例：

<code>from PIL import Image # 打开图像 image = Image.open('image.jpg') # 将图像大小调整为原始大小的50% resized_image = image.resize((image.width // 2, image.height // 2)) # 保存调整大小后的图像 resized_image.save('resized_image.jpg')</code>

scikit-image： scikit-image（skimage）是另一个流行的图像处理库，提供了各种图像分割、特征提取和增强算法。它设计用于用户友好和易于集成。示例：

<code>from skimage import data, segmentation import matplotlib.pyplot as plt # 加载图像 image = data.camera() # 使用 Felzenszwalb 算法进行图像分割 segments = segmentation.felzenszwalb(image, scale=100, sigma=0.5, min_size=50) # 显示原始图像和分割区域 fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6)) ax1.imshow(image, cmap='gray') ax2.imshow(segments, cmap='Spectral') plt.show()</code>

NumPy： NumPy 是 Python 中科学计算的基础库，虽然主要不是专注于图像处理，但提供了有效处理 n 维数组的基本功能。由于其多功能性和性能，NumPy 数组经常用作表示图像的数据结构。示例：

<code>import numpy as np from PIL import Image # 打开图像 image = Image.open('image.jpg') # 将图像转换为 NumPy 数组 image_array = np.array(image) # 显示图像形状 print(image_array.shape)</code>

SciPy： SciPy 是一个强大的 Python 科学计算库，其中的子包 scipy.ndimage 提供了图像处理功能，包括插值、过滤和形态学操作。SciPy 是 NumPy 的补充，可以用于执行高级图像处理任务。示例：

<code>import numpy as np import scipy.ndimage as ndimage from PIL import Image # 打开图像 image = Image.open('image.jpg') # 将图像转换为灰度图 grayscale_image = image.convert('L') # 使用 3x3 邻域应用中值滤波器 filtered_image = ndimage.median_filter(np.array(grayscale_image), size=3) # 显示原始图像和滤波后的图像 image.show() Image.fromarray(filtered_image).show()</code>

PyTorch： PyTorch 是一个流行的深度学习库，提供图像处理和计算机视觉的高级功能。用户可以使用 PyTorch 构建和训练神经网络，执行图像分类、对象检测和图像生成等任务。PyTorch 与其他图像处理库无缝集成，是研究和生产的多功能工具。示例：

<code>import torch from torchvision import models, transforms from PIL import Image # 加载预训练模型 model = models.resnet50(pretrained=True) model.eval() # 加载和预处理图像 transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) image = Image.open('image.jpg') input_image = transform(image).unsqueeze(0) # 通过模型进行前向传播 with torch.no_grad(): output = model(input_image) # 获取预测的类标签 _, predicted_idx = torch.max(output, 1) print(f'Predicted class: {predicted_idx.item()}')</code>

Mahotas： Mahotas 是一个用 C++ 实现但具有 Python 绑定的计算机视觉和图像处理库。它提供了广泛的功能，例如阈值处理、特征提取和形态学操作，并强调效率和速度优化。示例：

<code>import mahotas as mh from PIL import Image # 打开图像 image = Image.open('image.jpg') # 转换图像为灰度图 grayscale_image = image.convert('L') # 应用 Otsu 阈值处理 thresholded_image = mh.otsu(np.array(grayscale_image)) # 显示阈值处理后的图像 mh.imshow(thresholded_image)</code>

SimpleCV： SimpleCV 是一个用户友好的计算机视觉库，旨在使初学者能够进行图像处理。它提供了简化的界面，执行对象跟踪、边缘检测和颜色操作等常见任务，并与 OpenCV 和 NumPy 等库无缝集成。示例：

<code>from SimpleCV import Image # 加载图像 image = Image('image.jpg') # 使用 Canny 算法执行边缘检测 edge_image = image.edges() # 显示原始图像和边缘检测后的图像 image.show() edge_image.show()</code>

ImageIO： ImageIO 是一个轻量级库，提供了简单的接口来读写各种图像文件格式。它支持 JPEG、PNG 和 BMP 等流行格式，允许开发人员轻松加载和保存图像，无需复杂的配置，且兼容 Python 2.7 和 3.x。示例：

<code>import imageio # 读取图像 image = imageio.imread('image.jpg') # 将图像保存为 PNG 文件 imageio.imsave('image.png', image)</code>

这些库提供了广泛的功能，涵盖了图像处理的各个方面，从基本操作到深度学习应用，满足了不同需求的开发人员和研究人员的要求。