10 個 Python 影象編輯工具 | Linux 中國

當今的世界充滿了資料，而影象資料就是其中很重要的一部分。但只有經過處理和分析，提高影象的質量，從中提取出有效地資訊，才能利用到這些影象資料。

常見的影象處理操作包括顯示影象，基本的影象操作，如裁剪、翻轉、旋轉；影象的分割、分類、特徵提取；影象恢復；以及影象識別等等。Python 作為一種日益風靡的科學程式語言，是這些影象處理操作的最佳選擇。同時，在 Python 生態當中也有很多可以免費使用的優秀的影象處理工具。

下文將介紹 10 個可以用於影象處理任務的 Python 庫，它們在編輯影象、檢視影象底層資料方面都提供了簡單直接的方法。

1、scikit-image

scikit-image[1] 是一個結合 NumPy[2] 陣列使用的開源 Python 工具，它實現了可用於研究、教育、工業應用的演演算法和應用程式。即使是對於剛剛接觸 Python 生態圈的新手來說，它也是一個在使用上足夠簡單的庫。同時它的程式碼質量也很高，因為它是由一個活躍的志願者社群開發的，並且透過了同行評審peer review。

資源

scikit-image 的檔案[3]非常完善，其中包含了豐富的用例。

示例

可以透過匯入 skimage 使用，大部分的功能都可以在它的子模組中找到。

影象濾波image filtering：

1. import matplotlib.pyplot as plt
2. %matplotlib inline
4. from skimage import data,filters
6. image = data.coins() # ... or any other NumPy array!
7. edges = filters.sobel(image)
8. plt.imshow(edges, cmap='gray')

Image filtering in scikit-image

使用 match_template()[4] 方法實現模板匹配template matching：

Template matching in scikit-image

在展示頁面[5]可以看到更多相關的例子。

2、NumPy

NumPy[6] 提供了對陣列的支援，是 Python 程式設計的一個核心庫。影象的本質其實也是一個包含畫素資料點的標準 NumPy 陣列，因此可以透過一些基本的 NumPy 操作（例如切片、掩膜mask、花式索引fancy indexing等），就可以從畫素級別對影象進行編輯。透過 NumPy 陣列儲存的影象也可以被 skimage 載入並使用 matplotlib 顯示。

資源

在 NumPy 的官方檔案[6]中提供了完整的程式碼檔案和資源串列。

示例

使用 NumPy 對影象進行掩膜mask操作：

1. import numpy as np
2. from skimage import data
3. import matplotlib.pyplot as plt
4. %matplotlib inline
6. image = data.camera()
7. type(image)
8. numpy.ndarray #Image is a NumPy array:
10. mask = image < 87
11. image[mask]=255
12. plt.imshow(image, cmap='gray')

NumPy

3、SciPy

像 NumPy 一樣，SciPy[7] 是 Python 的一個核心科學計算模組，也可以用於影象的基本操作和處理。尤其是 SciPy v1.1.0 中的 scipy.ndimage[8] 子模組，它提供了在 n 維 NumPy 陣列上的執行的函式。SciPy 目前還提供了線性和非線性濾波linear and non-linear filtering、二值形態學binary morphology、B 樣條插值B-spline interpolation、物件測量object measurements等方面的函式。

資源

在官方檔案[9]中可以查閱到 scipy.ndimage 的完整函式串列。

示例

使用 SciPy 的高斯濾波[10]對影象進行模糊處理：

1. from scipy import misc,ndimage
3. face = misc.face()
4. blurred_face = ndimage.gaussian_filter(face, sigma=3)
5. very_blurred = ndimage.gaussian_filter(face, sigma=5)
7. #Results
8. plt.imshow(<image to be displayed>)

Using a Gaussian filter in SciPy

4、PIL/Pillow

PIL (Python Imaging Library) 是一個免費 Python 程式設計庫，它提供了對多種格式影象檔案的開啟、編輯、儲存的支援。但在 2009 年之後 PIL 就停止釋出新版本了。幸運的是，還有一個 PIL 的積極開發的分支 Pillow[11]，它的安裝過程比 PIL 更加簡單，支援大部分主流的作業系統，並且還支援 Python 3。Pillow 包含了影象的基礎處理功能，包括畫素點操作、使用內建摺積核心進行濾波、顏色空間轉換等等。

資源

Pillow 的官方檔案[12]提供了 Pillow 的安裝說明自己程式碼庫中每一個模組的示例。

示例

使用 Pillow 中的 ImageFilter 模組實現影象增強：

1. from PIL import Image,ImageFilter
2. #Read image
3. im = Image.open('image.jpg')
4. #Display image
5. im.show()
7. from PIL import ImageEnhance
8. enh = ImageEnhance.Contrast(im)
9. enh.enhance(1.8).show("30% more contrast")

Enhancing an image in Pillow using ImageFilter

5、OpenCV-Python

OpenCV（Open Source Computer Vision 庫）是計算機視覺領域最廣泛使用的庫之一，OpenCV-Python[14] 則是 OpenCV 的 Python API。OpenCV-Python 的執行速度很快，這歸功於它使用 C/C++ 編寫的後臺程式碼，同時由於它使用了 Python 進行封裝，因此呼叫和部署的難度也不大。這些優點讓 OpenCV-Python 成為了計算密集型計算機視覺應用程式的一個不錯的選擇。

資源

入門之前最好先閱讀 OpenCV2-Python-Guide[15] 這份檔案。

示例

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

Image blending using Pyramids in OpenCV-Python

6、SimpleCV

SimpleCV[17] 是一個開源的計算機視覺框架。它支援包括 OpenCV 在內的一些高效能運算機視覺庫，同時不需要去瞭解位深度bit depth、檔案格式、色彩空間color space之類的概念，因此 SimpleCV 的學習曲線要比 OpenCV 平緩得多，正如它的口號所說，“將計算機視覺變得更簡單”。SimpleCV 的優點還有：

資源

官方檔案[18]簡單易懂，同時也附有大量的學習用例。

示例

SimpleCV

7、Mahotas

Mahotas[19] 是另一個 Python 影象處理和計算機視覺庫。在影象處理方面，它支援濾波和形態學相關的操作；在計算機視覺方面，它也支援特徵計算feature computation、興趣點檢測interest point detection、區域性描述符local descriptors等功能。Mahotas 的介面使用了 Python 進行編寫，因此適合快速開發，而演演算法使用 C++ 實現，並針對速度進行了最佳化。Mahotas 盡可能做到程式碼量少和依賴項少，因此它的運算速度非常快。可以參考官方檔案[20]瞭解更多詳細資訊。

資源

檔案[21]包含了安裝介紹、示例以及一些 Mahotas 的入門教程。

示例

Mahotas 力求使用少量的程式碼來實現功能。例如這個 Finding Wally[22] 遊戲：

Finding Wally problem in Mahotas

Finding Wally problem in Mahotas

8、SimpleITK

ITK[24]（Insight Segmentation and Registration Toolkit）是一個為開發者提供普適性影象分析功能的開源、跨平臺工具套件，SimpleITK[25] 則是基於 ITK 構建出來的一個簡化層，旨在促進 ITK 在快速原型設計、教育、解釋語言中的應用。SimpleITK 作為一個影象分析工具包，它也帶有大量的元件[26]，可以支援常規的濾波、影象分割、影象配準registration功能。儘管 SimpleITK 使用 C++ 編寫，但它也支援包括 Python 在內的大部分程式語言。

資源

有很多 Jupyter Notebooks[27] 用例可以展示 SimpleITK 在教育和科研領域中的應用，透過這些用例可以看到如何使用 Python 和 R 利用 SimpleITK 來實現互動式影象分析。

示例

使用 Python + SimpleITK 實現的 CT/MR 影象配準過程： https://img.linux.net.cn/data/attachment/album/201904/03/113931lfirzfq3z7eqypq3.gif

9、pgmagick

pgmagick[29] 是使用 Python 封裝的 GraphicsMagick 庫。GraphicsMagick[30] 通常被認為是影象處理界的瑞士軍刀，因為它強大而又高效的工具包支援對多達 88 種主流格式影象檔案的讀寫操作，包括 DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM、TIFF 等等。

資源

pgmagick 的 GitHub 倉庫[31]中有相關的安裝說明、依賴串列，以及詳細的使用指引[32]。

示例

影象縮放：

Image scaling in pgmagick

邊緣提取：

Edge extraction in pgmagick

10、Pycairo

Cairo[35] 是一個用於繪製向量圖的二維圖形庫，而 Pycairo[36] 是用於 Cairo 的一組 Python 系結。向量圖的優點在於做大小縮放的過程中不會丟失影象的清晰度。使用 Pycairo 可以在 Python 中呼叫 Cairo 的相關命令。

資源

Pycairo 的 GitHub 倉庫[37]提供了關於安裝和使用的詳細說明，以及一份簡要介紹 Pycairo 的入門指南[38]。

示例

使用 Pycairo 繪製線段、基本圖形、徑向漸變radial gradients：

Pycairo

總結

以上就是 Python 中的一些有用的影象處理庫，無論你有沒有聽說過、有沒有使用過，都值得試用一下並瞭解它們。