原标题：Python学习教程,Python学习路线：10大Python图像处理工具
Python学习教程,Python学习路线：10大Python图像处理工具
话说程序员配拥有爱情吗？算了，说起这个话题就扎心，我还是老老实实跟你们更新Python学习教程，你们可别虐我哈！
Python学习教程,Python学习路线：10大Python图像处理工具
今天跟大家总结了10个Python图像处理工具。
这些Python库提供了一种简单直观的方法来转换图像并理解底层数据。
图像是数据的重要组成部分。但是，在使用之前，必须对这些数字图像进行 分析和操作，以提高其质量或提取一些可以使用的信息。
常见的图像处理任务包括显示； 基本操作如裁剪，翻转，旋转等;；图像分割，分类和特征提取；图像恢复；图像识别。Python是这些图像处理任务的绝佳选择，因为它作为一种科学编程语言日益普及，并且在其生态系统中免费提供许多最先进的图像处理工具。
这里着眼于10个最常用的Python库，用于图像处理任务。这些库提供了一种简单直观的方法来转换图像并理解底层数据。
1. scikit-image
scikit-image是一个与NumPy数组一起使用的开源Python包。它实现了用于研究，教育和行业应用的算法和实用程序。它是一个相当简单直接的库，即使对那些不熟悉Python生态系统的人也是如此。代码质量高，经过同行评审，由一个活跃的志愿者社区编写。
资源
scikit-image文档丰富，有很多示例和实际使用方法。
用法
该包通过skimage导入，大多数功能可以在子模块中找到。
图像过滤：
使用match_template函数进行模板匹配：
你可以在gallery中找到更多的例子。
2. NumPy
NumPy是Python编程中的核心库之一，并为数组提供支持。图像本质上是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slicing，masking和fancy indexing)，您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。
资源
NumPy的官方文档页面提供了完整的资源和文档列表。
用法
使用Numpy来mask图片：
3. SciPy
SciPy是Python的另一个核心科学模块(如NumPy)，可用于基本的图像操作和处理任务。特别是，子模块 scipy.ndimage(在SciPy v1.1.0中)提供了在n维NumPy数组上运行的函数。该软件包目前包括线性和非线性滤波，二进制形态，B样条插值和对象测量等功能。
资源
有关scipy.ndimage包所提供的完整功能列表，请参阅文档。
用法
使用SciPy通过高斯滤波器进行模糊
4. PIL/Pillow
PIL(Python Imaging Library)是一个免费的Python编程语言库，它增加了对打开，操作和保存许多不同图像格式的支持。然而，它的发展停滞不前，其最后一版发布于2009年。幸运的是，Pillow是一个积极开发的PIL分支，它更易于安装，可在所有主流操作系统上运行，并支持Python 3。该库包含基本图像处理功能，包括点操作，使用一组内置卷积内核进行过滤以及颜色空间转换。
资源
文档包含安装说明以及涵盖库的每个模块的示例。
用法
使用ImageFilter增强Pillow中的图像：
5. OpenCV-Python
OpenCV(Open Source Computer Vision Library)是计算机视觉应用中使用最广泛的库之一。OpenCV-Python是OpenCV的Python API。因为后台由C / C ++编写的代码组成，OpenCV-Python速度很快快，但它也很容易编码和部署(由于前端的Python包装器)。这使其成为执行计算密集型计算机视觉程序的绝佳选择。
资源
通过OpenCV2-Python-Guide可以很容易上手OpenCV-Python
用法
使用OpenCV-Python中的 Image Blending using Pyramids创建一个“Orapple”：
6. SimpleCV
SimpleCV是另一个用于构建计算机视觉应用程序的开源框架。它提供访问几个高性能计算机视觉库，如OpenCV，的接口，但无需了解位深度，文件格式，色彩空间等。它的学习曲线远小于OpenCV，并且(如其标语所示)，“它令计算机视觉变得简单。”支持SimpleCV的一些观点是：
即使是初学者也可以编写简单的机器视觉测试
摄像机，视频文件，图像和视频流都可以互操作
资源
很容易按照官方文档的指导进行操作，并有大量的示例和用例可供遵循。
用法
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，如过滤和形态操作，以及用于特征计算的更现代的计算机视觉功能，包括兴趣点检测和局部描述符。使用Python编写接口，适用于快速开发，但算法是用C ++实现的，并且针对速度进行了优化。Mahotas库运行快速，代码简约，依赖性小。阅读其官方文章以获得更多了解。
资源
文档包含安装说明，示例，甚至一些教程帮助您轻松开始使用Mahotas。
用法
Mahotas库依靠简单的代码来完成工作。例如，使用最少量的代码Finding Wally问题就可以很好地解决。
解决Finding Wally问题:
8. SimpleITK
ITK(Insight Segmentation and Registration Toolkit)是一个“开源，跨平台系统，为开发人员提供了一套用于图像分析的广泛软件工具。SimpleITK是一个基于ITK构建的简化层，旨在促进其在快速原型设计，交易以及解释语言方面的应用。”它也是一个图像分析工具包，具有大量组件，支持一般过滤操作，图像分割和配准。SimpleITK是用C ++编写的，但它可用包括Python在内的大量编程语言进行操作。
资源
有大量的Jupyter Notebook说明了SimpleITK在教育和研究活动中的应用。Notebooks使用Python和R编程语言演示如何使用SimpleITK进行交互式图像分析。
用法
使用SimpleITK和Python创建可视化的严格CT / MR配准过程：
9. pgmagick
pgmagick是基于Python的GraphicsMagick库的包装器。GraphicsMagick图像处理系统，有时也被称为图像处理的瑞士军刀。其强大而高效的工具和库集合支持在超过88种主要格式(包括DPX，GIF，JPEG，JPEG-2000，PNG，PDF，PNM和TIFF)上读取，写入和操作图像。
资源
pgmagick的GitHub respository有安装说明和要求。还有一个详细的用户指南。
用法
图像缩放：
边缘提取：
10. Pycairo
Pycairo是Cairo图形库的一组Python绑定。Cairo是一个用于绘制矢量图形的2D图形库。矢量图形很有趣，因为它们在调整大小或变换时不会失去清晰度。Pycairo可以从Python调用Cairo命令。
资源
Pycairo GitHub respository是一个很好的资源，包含有关安装和使用的详细说明。还有一个入门指南，有一个关于Pycairo的简短教程。
用法
用Pycairo绘制线条，基本形状和径向渐变：
结论
这些图像处理库，大家可视情况选择，大家520安心做码农哈！更多的Python学习教程和Python学习路线的更新可继续关注哦！返回搜狐，查看更多
责任编辑：

https://github.com/Zaledzl/picture_processing/tree/master

放在github里面了

这是一个用python做图像处理的教程 里面包含了，阈值化，局部阈值化，各种分割算法，膨胀腐蚀，孔洞填充，批量处理，特征提取，神经网络分类算法等等， 而且有相当全面的中文注释做支撑，欢迎大家学习交流

本文实例讲述了Python基于Tensor FLow的图像处理操作。分享给大家供大家参考，具体如下：
在对图像进行深度学习时，有时可能图片的数量不足，或者希望网络进行更多的学习，这时可以对现有的图片数据进行处理使其变成一张新的图片，在此基础上进行学习，从而提高网络识别的准确率。
1、图像解码显示
利用matplot库可以方便简洁地在jupyter内对图片进行绘制与输出，首先通过tf.gfile打开图片文件，并利用函数tf.image.decode_jpeg将jpeg图片解码为三位矩阵，之后便可以通过matplot绘制与显示图片信息了
import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np
#读取图像文件
image_raw=tf.gfile.GFile('D:\Temp\MachineLearning\data\cat.jpeg','rb').read()
with tf.Session() as sess:
#对jpeg图像解码得到图像的三位矩阵数据
image_data=tf.image.decode_jpeg(image_raw)
print(image_data.eval())
plt.imshow(image_data.eval())
plt.show()
可以看到打印的图片三维矩阵信息和显示的图片：
                             
2、图像缩放
tensorflow还自带了许多图像处理函数，比如resize_image对图片进行大小的缩放。其中第一个参数代表图片数据源，第二个数组代表缩放后的大小，第三个method代表采用的缩放方法，默认0是双线性插值法，1代表最近邻插值法，2代表双立方插值法，3代表像素区域插值法。
#对图片大小进行缩放
image_resize=tf.image.resize_images(image_data,[500,500],method=0)
#tensorflow处理后的图片是float32格式的，需要转化为uint8才能正确输出
image_resize=np.asarray(image_resize.eval(),dtype='uint8')
plt.imshow(image_resize)
plt.show()
3、图像裁切
函数tf.image.resize_image_with_crop_or_pad可以在保证图片原始比例的条件下对图片进行裁切或填充。
函数tf.image.random_crop是随机对图片进行选取裁剪，而不是以中心。
#图片裁剪
image_crop=tf.image.resize_image_with_crop_or_pad(image_data,500,500)
plt.imshow(image_crop.eval())
plt.show()
#随机裁剪
img_random=tf.image.random_crop(image_data,[300,300,3])
plt.imshow(img_random.eval())
plt.show()
                               
resize_image_with_crop_or_pad第一个参数是图片资源，后两个参数是裁切后的图片大小，当原始图片大于目标值时将裁去两边多余部分，当图片小于目标值时将用黑色填充，例如上图左右被裁剪，上下用黑色填充。
random_crop第一个参数是图片资源，第二个参数是一个三位张量，代表目标图像大小。
4、图像翻转
通过函数实现图片的上下、左右翻转，在模型训练时，可以将原本的样本图片进行反转，作为新的特征值进行输入供模型训练。
#上下翻转
img_down=tf.image.flip_up_down(image_data)
plt.imshow(img_down.eval())
plt.show()
#左右翻转
img_left=tf.image.flip_left_right(image_data)
plt.imshow(img_left.eval())
plt.show()
5、调整对比度、明度、饱和度
通过tf.image.adjust_contrast可以对图像对比度进行调整，当参数大于1代表加深，小于1代表减淡
tf.image.random_contrast可以在指定范围内随即调整对比度
类似的还有adjust_brightness、adjust_saturation、adjust_hue对明度、饱和度、色相进行调整
#加深对比度
img_deep=tf.image.adjust_contrast(image_data,2)
plt.imshow(img_deep.eval())
plt.show()
#降低对比度
img_fade=tf.image.adjust_contrast(image_data,0.5)
plt.imshow(img_fade.eval())
plt.show()
#随机对比度
img_contrast=tf.image.random_contrast(image_data,0.5,2)
plt.imshow(img_contrast.eval())
plt.show()
6、对VGG网络的输入图片进行处理
Vgg网络训练中传入的图片参数x_img是以batch_size为单位的四维数据，例如传入20张32×32的3通道图片，其数据为[20,32,32,3]。但是tensorflow的图片处理函数只可以处理三维的单张图片。因此需要首先通过split()函数将20张图片拆分成单张[1,32,32,3]，再通过reshape()函数转化为三维数据[32,32,3]，之后再调用图片处理函数对图片进行处理，将处理后的图片恢复成四维，然后放在数组res_arr中，拼接成原来的一组20×32×32×3的数据。
# 将一批batch_size张图片在第一维上切分为单张图片
img_arr=tf.split(x_img,batch_size,axis=0)
res_arr=[]
# 遍历每个图片对其进行处理
for img in img_arr:
# 将单张四维的图片[1,32,32,3]处理成三维[32,32,3]
img=tf.reshape(img,[32,32,3])
# 对单张图片进行图像增强
img_flip=tf.image.random_flip_left_right(img)   # 翻转图片
img_bright=tf.image.random_brightness(img_flip,max_delta=63)  # 随机调整亮度
img_contrast=tf.image.random_contrast(img_bright,lower=0.2, upper=1.8) # 调整对比度
# 将增强后的图片再变回原来的四维格式
img=tf.reshape(img_contrast,[1,32,32,3])
# 将每个处理后的图片放在一个数组
res_arr.append(img)
# 将处理后的单个图片重新拼接在一起
img_aug=tf.concat(res_arr,axis=0)
希望本文所述对大家Python程序设计有所帮助。

1.图像读取
使用cv2.imread(filepath,flags)读入图像
filepath: 读入图像完整路径(绝对路径，相对路径)
flags: 读入图像标志
cv2.IMREAD_COLOR：默认参数，读入一副彩色图，忽略alpha通道；可以通过1指定
cv2.IMREAD_GRAYSCALE：读入灰度图片 也通过0指定
cv2.IMREAD_UNCHANGED：读入完整图片，包括alpha通道
import cv2
img1 = cv2.imread('C:/star.png',1)
img2 = cv2.imread('C:/star.png',0)
2.图像显示
使用函数cv2.imshow(wname,img)显示图像
wname: 显示图像窗口名字
img: 图像(其实是类型矩阵)
cv2.waitKey(delay)函数的功能是不断刷新图像，频率时间为delay，单位为ms
返回值为当前键盘按键值
cv2.waitKey(0) 等待按键
import cv2
img = cv2.imread('C:/star.png',1)
print(type(img))#
cv2.imshow('img',img)
cv2.waitKey(0)
'''
#按键返回
k=cv2.waitKey(0)
if k == 27:
cv2.destroyAllWindows()
elif k == ord('s'):
cv2.imwrite('F:/gray.jpg',img)
cv2.destroyAllWindows()
'''
3.图像保存
cv2.imwrite(imageName, Image)
imageName: 需要写入的文件名就行了(包含后缀)
有第三个参数，表示为特定格式保存的参数编码，有默认值，一般不需要填写
import cv2
img = cv2.imread('C:/star.png',1)
cv2.imread('D:/star.png',img)
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持python博客。