一、OpenCV

OpenCV是最著名和应用最广泛的开源库之一，用于图像处理、目标检测、人脸检测、图像分割、人脸识别等计算机视觉任务。除此之外，它还可以用于机器学习任务。

这是英特尔在2002年开发的。它是用C++编写的，但是开发人员已经提供了Python和java绑定。它易于阅读和使用。

为了建立计算机视觉和机器学习模型，OpenCV有超过2500种算法。这些算法对于执行各种任务非常有用，例如人脸识别、目标检测等。让我们看一些可以使用OpenCV执行的示例：

灰度缩放

灰度缩放是一种将3通道图像（如RGB、HSV等）转换为单通道图像（即灰度）的方法。最终的图像在全白和全黑之间变化。灰度缩放的重要性包括降维（将3通道图像转换为单通道图像）、降低模型复杂度等。

下面的代码片段显示了OpenCV中的灰度缩放

import cv2 as cv
img = cv.imread('example.jpg')
cv.imshow('Original', img)
cv.waitKey()
#Use cvtColor, to convert to grayscale
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow('Grayscale', gray_img)
cv.waitKey(0)

旋转图像

OpenCV有助于使用从0到360度的任意角度旋转图像。

检查以下代码以将图像旋转180度。

import cv2 as cv
import matplotlib.pyplot as plt
img = cv.imread('example.jpg')
h, w = image.shape[:2]
rot_matrix = cv.getRotationMatrix2D((w/2,h/2), -180, 0.5)
rot_image = cv.warpAffine(img, rot_matrix, (w, h))
plt.imshow(cv.cvtColor(rot_image, cv.COLOR_BGR2RGB))

OpenCV还提供了除我们到目前为止讨论的功能之外的其他功能。除此之外，它还有助于人脸检测、图像分割、特征提取、目标检测、三维重建等。

有关更多信息，请查看官方文档：https://opencv.org/

二、Scikit-Image

Scikit Image是另一个伟大的开源图像处理库。它几乎适用于任何计算机视觉任务。它是最简单、最直接的库之一。这个库的某些部分是用Cython编写的（它是python编程语言的超集，旨在使python比C语言更快）。

它提供了大量的算法，包括分割、颜色空间操作、几何变换、滤波、形态学、特征检测等。

Scikit Image使用Numpy数组作为图像对象。让我们看看如何在scikit图像中执行活动轮廓操作。活动轮廓描述图像中形状的边界。

检查以下活动轮廓操作代码：

import numpy as np
import matplotlib.pyplot as plt
from skimage.color import rgb2gray
from skimage import data
from skimage.filters import gaussian
from skimage.segmentation import active_contour
image = data.astronaut()
# Data for circular boundary
s = np.linspace(0, 2*np.pi, 400)
x = 220 + 100*np.cos(s)
y = 100 + 100*np.sin(s)
init = np.array([x, y]).T
# formation of the active contour
centre = active_contour(gaussian(image, 3),init, alpha=0.015, beta=10, gamma=0.001)
figure, axis = plt.subplots(1, 2, figsize=(7, 7))
ax[0].imshow(image, cmap=plt.cm.gray)
ax[0].set_title("Original Image")
ax[1].imshow(image, cmap=plt.cm.gray)

有关更多信息，请查看官方文档：https://scikit-image.org/docs/stable/auto_examples/

三、Scipy

SciPy主要用于数学和科学计算，但有时也可以使用子模块SciPy.ndimage用于基本的图像操作和处理任务。

归根结底，图像只是多维数组，SciPy提供了一组用于操作n维Numpy操作的函数。SciPy提供了一些基本的图像处理操作，如人脸检测、卷积、图像分割、读取图像、特征提取等。

除此之外，还可以执行过滤，在图像上绘制轮廓线。

请检查以下代码以使用SciPy模糊图像：

from scipy import ndimage, misc
from matplotlib import pyplot as plt
f = misc.face()
b_face = ndimage.gaussian_filter(f, sigma=3)
figure, axis = plt.subplots(1, 2, figsize=(16, 8))

有关更多信息，请查看官方文档：https://docs.scipy.org/doc/scipy/reference/ndimage.html

四、Python Image Library (Pillow/PIL)

它是一个用于图像处理任务的开放源码python库。它提供了其他库通常不提供的特殊功能，如过滤、打开、操作和保存图像。这个库支持多种文件格式，这使它更高效。PIL还支持图像处理、图像显示和图像存档等功能。让我们看看使用Pillow/PIL的图像增强。

更改图像的清晰度：

有关更多信息，请查看官方文档：https://pillow.readthedocs.io/en/stable/index.html

五、Matplotlib

Matplotlib主要用于二维可视化，如散点图、条形图、直方图等，但我们也可以将其用于图像处理。从图像中提取信息是有效的。它不支持所有的文件格式。

背景颜色更改操作后，请检查以下图像：

有关更多信息，请查看官方文档：https://matplotlib.org/stable/tutorials/introductory/images.html

六、SimpleITK

它也称为图像分割和注册工具包。它是一个用于图像注册和图像分割的开源库。像OpenCV这样的库将图像视为一个数组，但是这个库将图像视为空间中某个区域上的一组点。检查以下示例：

图像分割

有关更多信息，请查看官方文档：https://itk.org/

七、Numpy

它是一个用于数值分析的开放源码python库。它包含一个矩阵和多维数组作为数据结构。但是NumPy也可以用于图像处理任务，例如图像裁剪、操作像素和像素值的蒙版。

检查下图以从图像中提取绿色/红色/蓝色通道：

有关更多信息，请查看官方文档：https://scikit-image.org/docs/dev/user_guide/numpy_images.html

八、Mahotas

它是另一个用于计算机视觉和图像处理的开放源码python库。它是为生物信息学而设计的。它提供了很多算法，这些算法是用C++编写的，速度很快，使用了一个好的Python接口。它以NumPy数组读取和写入图像。

使用Mahotas检查下面的模板匹配图像：

有关更多信息，请查看官方文档：https://mahotas.readthedocs.io/en/latest/#

到此这篇关于2021年用于图像处理的Python库总结的文章就介绍到这了,更多相关Python图像处理常用库内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！