10 个 Python 图像编辑工具 | Linux 中国

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[1] 是一个结合 NumPy[2] 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，并且通过了同行评审peer review。

资源

scikit-image 的文档[3]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image filtering：

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')

Image filtering in scikit-image

使用 match_template()[4] 方法实现模板匹配template matching：

Template matching in scikit-image

在展示页面[5]可以看到更多相关的例子。

2、NumPy

NumPy[6] 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、掩膜mask、花式索引fancy indexing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[6]中提供了完整的代码文档和资源列表。

示例

使用 NumPy 对图像进行掩膜mask操作：

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')

NumPy

3、SciPy

像 NumPy 一样，SciPy[7] 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[8] 子模块，它提供了在 n 维 NumPy 数组上的运行的函数。SciPy 目前还提供了线性和非线性滤波linear and non-linear filtering、二值形态学binary morphology、B 样条插值B-spline interpolation、对象测量object measurements等方面的函数。

资源

在官方文档[9]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[10]对图像进行模糊处理：

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>)

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[11]，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[12]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：

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")

Enhancing an image in Pillow using ImageFilter

◈ 源码[13]

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[14] 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[15] 这份文档。

示例

使用 OpenCV-Python 中的金字塔融合Pyramid Blending将苹果和橘子融合到一起：

Image blending using Pyramids in OpenCV-Python

◈ 源码[16]

6、SimpleCV

SimpleCV[17] 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，同时不需要去了解位深度bit depth、文件格式、色彩空间color space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[18]简单易懂，同时也附有大量的学习用例。

示例

SimpleCV

7、Mahotas

Mahotas[19] 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，它也支持特征计算feature computation、兴趣点检测interest point detection、局部描述符local descriptors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[20]了解更多详细信息。

资源

文档[21]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[22] 游戏：

Finding Wally problem in Mahotas

Finding Wally problem in Mahotas

◈ 源码[23]

8、SimpleITK

ITK[24]（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[25] 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[26]，可以支持常规的滤波、图像分割、图像配准registration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[27] 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： https://img.linux.net.cn/data/attachment/album/201904/03/113931lfirzfq3z7eqypq3.gif 

◈ 源码[28]

9、pgmagick

pgmagick[29] 是使用 Python 封装的 GraphicsMagick 库。GraphicsMagick[30] 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[31]中有相关的安装说明、依赖列表，以及详细的使用指引[32]。

示例

图像缩放：

Image scaling in pgmagick

◈ 源码[33]

边缘提取：

Edge extraction in pgmagick

◈ 源码[34]

10、Pycairo

Cairo[35] 是一个用于绘制矢量图的二维图形库，而 Pycairo[36] 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[37]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[38]。

示例

使用 Pycairo 绘制线段、基本图形、径向渐变radial gradients：

Pycairo

◈ 源码[39]

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。

---

via: https://opensource.com/article/19/3/python-image-manipulation-tools