介紹
正如IDC所指出的，數字資訊將飆升至175 ZB，而這些資訊中的巨大一部分是圖片。資料科學家需要（預先）測量這些影象，然後再將它們放入人工智慧和深度學習模型中。在愉快的部分開始之前，他們需要做重要的工作。
為了快速地處理大量資訊，科學家需要利用影象準備工具來完成人工智慧和深度學習任務。
在本文中，我將深入研究Python中最有用的影象處理庫，這些庫正在人工智慧和深度學習任務中得到大力利用。我們開始吧！
目錄
OpenCV
Scikit-Image
Scipy
Python Image Library （Pillow/PIL）
Matplotlib
SimpleITK
Numpy
Mahotas
OpenCV
OpenCV是最著名和應用最廣泛的開源庫之一，用於影象處理、目標檢測、人臉檢測、影象分割、人臉識別等計算機視覺任務。除此之外，它還可以用於機器學習任務。
這是英特爾在2002年開發的。它是用C++編寫的，但是開發人員已經提供了Python和java繫結。它易於閱讀和使用。
為了建立計算機視覺和機器學習模型，OpenCV有超過2500種演算法。這些演算法對於執行各種任務非常有用，例如人臉識別、目標檢測等。讓我們看一些可以使用OpenCV執行的示例：
灰度縮放
灰度縮放是一種將3通道影象（如RGB、HSV等）轉換為單通道影象（即灰度）的方法。最終的影象在全白和全黑之間變化。灰度縮放的重要性包括降維（將3通道影象轉換為單通道影象）、降低模型複雜度等。
下面的程式碼片段顯示了OpenCV中的灰度縮放
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（）
旋轉影象
OpenCV有助於使用從0到360度的任意角度旋轉影象。
檢查以下程式碼以將影象旋轉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還提供了除我們到目前為止討論的功能之外的其他功能。除此之外，它還有助於人臉檢測、影象分割、特徵提取、目標檢測、三維重建等。
有關更多資訊，請檢視官方文件：https：//opencv。org/
Scikit-Image
Scikit Image是另一個偉大的開源影象處理庫。它幾乎適用於任何計算機視覺任務。它是最簡單、最直接的庫之一。這個庫的某些部分是用Cython編寫的（它是python程式語言的超集，旨在使python比C語言更快）。
它提供了大量的演算法，包括分割、顏色空間操作、幾何變換、濾波、形態學、特徵檢測等。
Scikit Image使用Numpy陣列作為影象物件。讓我們看看如何在scikit影象中執行活動輪廓操作。
活動輪廓描述影象中形狀的邊界。
檢查以下活動輪廓操作程式碼：
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（， 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［］。imshow（image， cmap=plt。cm。gray）
ax［］。set_title（“Original Image”）
ax［1］。imshow（image， cmap=plt。cm。gray）
有關更多資訊，請檢視官方文件：https：//scikit-image。org/docs/stable/auto_examples/
Scipy
SciPy主要用於數學和科學計算，但有時也可以使用子模組SciPy。ndimage用於基本的影象操作和處理任務。
歸根結底，影象只是多維陣列，SciPy提供了一組用於操作n維Numpy操作的函式。SciPy提供了一些基本的影象處理操作，如人臉檢測、卷積、影象分割、讀取影象、特徵提取等。
除此之外，還可以執行過濾，在影象上繪製輪廓線。
請檢查以下程式碼以使用SciPy模糊影象：
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））
有關更多資訊，請檢視官方文件：https：//docs。scipy。org/doc/scipy/reference/ndimage。html
Python Image Library （Pillow/PIL）
它是一個用於影象處理任務的開放原始碼python庫。它提供了其他庫通常不提供的特殊功能，如過濾、開啟、操作和儲存影象。這個庫支援多種檔案格式，這使它更高效。PIL還支援影象處理、影象顯示和影象存檔等功能。讓我們看看使用Pillow/PIL的影象增強。
庫
更改影象的清晰度：
有關更多資訊，請檢視官方文件：https：//pillow。readthedocs。io/en/stable/index。html
Matplotlib
Matplotlib主要用於二維視覺化，如散點圖、條形圖、直方圖等，但我們也可以將其用於影象處理。從影象中提取資訊是有效的。它不支援所有的檔案格式。
背景顏色更改操作後，請檢查以下影象：
有關更多資訊，請檢視官方文件：https：//matplotlib。org/stable/tutorials/introductory/images。html
SimpleITK
它也稱為影象分割和註冊工具包。它是一個用於影象註冊和影象分割的開源庫。像OpenCV這樣的庫將影象視為一個數組，但是這個庫將影象視為空間中某個區域上的一組點。檢查以下示例：
影象分割
有關更多資訊，請檢視官方文件：https：//itk。org/
Numpy
它是一個用於數值分析的開放原始碼python庫。它包含一個矩陣和多維陣列作為資料結構。但是NumPy也可以用於影象處理任務，例如影象裁剪、操作畫素和畫素值的蒙版。
檢查下圖以從影象中提取綠色/紅色/藍色通道：
有關更多資訊，請檢視官方文件：https：//scikit-image。org/docs/dev/user_guide/numpy_images。html
Mahotas
它是另一個用於計算機視覺和影象處理的開放原始碼python庫。它是為生物資訊學而設計的。它提供了很多演算法，這些演算法是用C++編寫的，速度很快，使用了一個好的Python介面。它以NumPy陣列讀取和寫入影象。
使用Mahotas檢查下面的模板匹配影象：
有關更多資訊，請檢視官方文件：https：//mahotas。readthedocs。io/en/latest/#
結論
因此，在本文中，我們介紹了2021年機器學習用python中排名前8位的影象處理庫。我希望你從這個部落格中學到一些東西，對你的專案有益。
☆ END ☆
如果看到這裡，說明你喜歡這篇文章，請轉發、點贊。微信搜尋「uncle_pn」，歡迎新增小編微信「 mthler」，每日朋友圈更新一篇高質量博文。
