前言
正如IDC所指出的，数字信息将飙升至175ZB，而这些信息中的巨大一部分是图片。数据科学家需要（预先）测量这些图像，然后再将它们放入人工智能和深度学习模型中。在愉快的部分开始之前，他们需要做重要的工作。
为了快速地处理大量信息，科学家需要利用图像准备工具来完成人工智能和深度学习任务。
在本文中，将深入研究Python中最有用的图像处理库，这些库正在人工智能和深度学习任务中得到大力利用。
1、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、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2022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：
（1）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。
下面的代码片段展示了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)
（2）旋转图像
OpenCV有助于使用从0到360度的任意角度旋转图像。
检查以下代码将图像旋转180度：
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、目标检测和三维重建等。
有关更多信息，请查看官方文档：https://opencv.org/
2、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有Cython编写的（它是Python编程语言的超集，旨在使python比C语言要快）。
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。
查看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/
3、Scipy
Scipy 主要用于数据和科学计算，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。
请查看以下代码使用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
4、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
5、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，请查看以下图像：
使用Matplotlib绘制多曲线图：
# plot_multi_curve.py import numpy as np import matplotlib.pyplot as plt x = np.linspace(0.1, 2 * np.pi, 100) y_1 = x y_2 = np.square(x) y_3 = np.log(x) y_4 = np.sin(x) plt.plot(x,y_1) plt.plot(x,y_2) plt.plot(x,y_3) plt.plot(x,y_4) plt.show()
有关更多信息，请查看官方文档：https://matplotlib.org/stable/tutorials/introductory/images.html
6、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。
有关更多信息，请查看官方文档：https://itk.org/
7、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：
我们可以在示例中对比下纯Python与使用Numpy库在计算列表sin值的速度对比：
import numpy as np import math import random import time start = time.time() for i in range(10): list_1 = list(range(1,10000)) for j in range(len(list_1)): list_1[j] = math.sin(list_1[j]) print("使用纯Python用时{}s".format(time.time()-start)) start = time.time() for i in range(10): list_1 = np.array(np.arange(1,10000)) list_1 = np.sin(list_1) print("使用Numpy用时{}s".format(time.time()-start))
从如下运行结果，可以看到使用Numpy库的速度快于纯 Python 编写的代码：
- 使用纯Python用时0.017444372177124023s
- 使用Numpy用时0.001619577407836914s
有关更多信息，请查看官方文档：http://：https://scikit-image.org/docs/dev/user_guide/numpy_images.html
8、Pandas
Pandas 是一个快速、强大、灵活且易于使用的开源数据分析和操作工具，Pandas可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据，可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征。Pandsa 广泛应用在学术、金融、统计学等各个数据分析领域。
import matplotlib.pyplot as plt import pandas as pd import numpy as np ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000)) ts = ts.cumsum() df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list("ABCD")) df = df.cumsum() df.plot() plt.show()
9、Seaborn
Seaborn 是在Matplotlib是基础上进行了更高级的API封装的Python数据可视化库，从而使得作图更加容易，应该把 Seaborn 视为 Matplotlib 的补充，而不是替代物。
import seaborn as sns import matplotlib.pyplot as plt sns.set_theme(style="ticks") df = sns.load_dataset("penguins") sns.pairplot(df, hue="species") plt.show()
10、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：
使用Mathotas加载图像，并对像素进行操作：
import numpy as np import mahotas import mahotas.demos from mahotas.thresholding import soft_threshold from matplotlib import pyplot as plt from os import path f = mahotas.demos.load('lena', as_grey=True) f = f[128:,128:] plt.gray() # Show the data: print("Fraction of zeros in original image: {0}".format(np.mean(f==0))) plt.imshow(f) plt.show()
参考：小白学视觉
