图像处理软件都有哪些(精选这5款图像处理软件)-众学网

编译：ronghuaiyang

导读

10个常用的可以进行图像处理的Python库的介绍，可能有些你还没用过，可以试试看！

介绍

我们这个世界充满了数据，而图像是这些数据的重要组成部分。然而，要想使用这些图像，需要对它们进行处理。因此，图像处理是分析和处理数字图像的必要的过程，其主要目的是提高图像质量或从中提取一些信息，然后加以利用。

图像处理中常见的任务包括图像显示、裁剪、翻转、旋转等基本操作、图像分割、分类和特征提取、图像恢复和图像识别。Python成为这种图像处理任务的合适选择。这是因为它作为一种科学编程语言越来越受欢迎，而且在其生态系统中有许多最先进的图像处理工具可以免费使用。

我们来看一些用于图像处理任务的常用Python库。

1. scikit Image

scikit-image是一个开源的Python包，可以使用numpy数组。它实现了用于研究、教育和工业应用的算法和实用程序。它是一个相当简单和直接的库，即使对于Python生态系统的新手也是如此。这些代码是由活跃的志愿者社区编写的，具有高质量和同行评审的特性。

资源

它已经通过大量的例子和实际的用例很好地文档化了。阅读文档：(http://scikit-image.org/docs/stable/user_guide.html)。

使用

包被导入为skimage，大多数函数都在子模块中可以找到。skimage的一些例子包括：

图像滤波

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’)

使用match template函数进行模板匹配

2. Numpy

Numpy是Python编程中的核心库之一，提供对数组的支持。图像本质上是一个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，如切片、屏蔽和花式索引，我们可以修改图像的像素值。可以使用skimage加载图像，并使用matplotlib显示图像。

资源

完整的资源和文档列表可以在Numpy的官方文档页面上找到。

使用

使用Numpy来对图像做掩模

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，类似于Numpy，可用于基本的图像处理和处理任务。特别是子模块scipy.ndimage。提供在n维NumPy数组上操作的函数。该软件包目前包括线性和非线性滤波、二元形态学、b样条插值和物体测量功能。

资源

获取由scipy.ndimage提供的完整函数列表，请参考文档(https://docs.scipy.org/doc/scipy/reference/tutorial/ndimage.html#correlation-and-convolution)。

使用

用SciPy，使用高斯滤波器来做图像的模糊：

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Python编程语言的一个免费库，它支持打开、操作和保存许多不同的图像文件格式。然而，随着2009年最后一次发布，它的开发停滞不前。幸运的是，有Pillow，这是PIL的一个积极开发的分支，更容易安装，支持所有主要的操作系统，并支持Python3。该库包含基本的图像处理功能，包括点操作、使用一组内置卷积核进行过滤和颜色空间转换。

资源

文档：https://pillow.readthedocs.io/en/3.1.x/index.html提供了安装说明以及库中每个模块的示例。

使用

在Pillow中使用ImageFilter增强图像：

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(开放源码计算机视觉库)是最广泛使用的计算机视觉应用程序库之一。*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，而且易于编码和部署(由于前台有Python包装器)。这使得它成为执行计算密集型计算机视觉程序的一个很好的选择。

资源

OpenCV2-Python-Guide：https://github.com/abidrahmank/OpenCV2-Python-Tutorials让使用OpenCV-Python变得很容易。

使用

下面的例子展示了OpenCV-Python在Image blend中使用金字塔创建一个名为’Orapple’的新水果。

6. SimpleCV

SimpleCV也是一个用于构建计算机视觉应用程序的开源框架。有了它，你可以访问几个高性能的计算机视觉库，如OpenCV，而不必首先了解位深度、文件格式、颜色空间等。学习曲线大大小于OpenCV，正如他们的口号所说：让计算机视觉变得容易”。一些拥护SimpleCV的观点是：

即使是初学者也可以编写简单的机器视觉测试

摄像头、视频文件、图像和视频流都是可互操作的

资源

官方的文档非常容易理解，并且有大量的例子和用例可以遵循。

使用

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，以及更现代的计算机视觉功能，用于特征计算，包括兴趣点检测和局部描述符。该接口是用Python编写的，适合于快速开发，但是算法是用c 实现的，并且针对速度进行了调优。Mahotas库速度快，代码简洁，甚至具有最小的依赖性。阅读他们的官方论文以获得更多的了解。

资源

官方文档包含安装说明、示例甚至一些教程，可以帮助你轻松地开始使用。

使用

Mahotas库依赖于使用简单的代码来完成任务。对于“查找Wally”的问题，Mahotas做得很好，而且只需要最少的代码。这是源代码。

8. SimpleITK

ITK或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套广泛的图像分析软件工具。其中，SimpleITK是构建在ITK之上的一个简化层，旨在促进其在快速原型设计、教育和解释语言中的使用。SimpleITK是一个图像分析工具包，包含大量支持一般过滤操作、图像分割和注册的组件。SimpleITK本身是用c 编写的，但是可以用于包括Python在内的许多编程语言。

资源

提供了大量Jupyter Notebooks，用来说明SimpleITK用于教育和研究活动。这些Notebooks演示了使用SimpleITK使用Python和R编程语言进行交互式图像分析。

使用

下面的动画是用SimpleITK和Python创建的准确的CT/MR登记过程的可视化。阅读源代码在此处：https://github.com/insightsoftwareassocitium/simpleitk-notebooks/blob/master/ties/intro_anim.py。

9. pgmagick

pgmagick是GraphicsMagick库的一个基于python的包装器。图像处理系统有时被称为图像处理的瑞士军刀。它提供了一个健壮而高效的工具和库集合，支持以88种主要格式(包括重要格式，如DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM和TIFF)读取、写入和操作图像。

资源

有一个专门用于PgMagick的Github Repository，其中有安装和需求说明。还有一个关于这个主题的详细user guid。

使用

使用pgmagick可以执行的图像处理活动很少：

图像缩放：