原文标题：10 Python image manipulation tools.
作者 | Parul Pandey
翻译 | 安其罗乔尔、JimmyHua
今天，在我们的世界里充满了数据，图像成为构成这些数据的重要组成部分。但无论是用于何种用途，这些图像都需要进行处理。图像处理就是分析和处理数字图像的过程，主要旨在提高其质量或从中提取一些信息，然后可以将其用于某种用途。
图像处理中的常见任务包括显示图像，基本操作如裁剪、翻转、旋转等，图像分割，分类和特征提取，图像恢复和图像识别。Python 成为这种图像处理任务是一个恰当选择，这是因为它作为一种科学编程语言正在日益普及，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供大家使用。
让我们看一下可以用于图像处理任务中的常用 Python 库有哪些吧。
1.scikit-image
scikit-image 是一个开源的 Python 包，适用于 numpy 数组。它实现了用于研究，教育和工业应用的算法和实用工具。即使是那些刚接触 Python 生态系统的人，它也是一个相当简单直接的库。此代码是由活跃的志愿者社区编写的，具有高质量和同行评审的性质。
资源
文档里记录了丰富的例子和实际用例，阅读下面的文档：
http://scikit-image.org/docs/stable/user_guide.html
用法
该包作为 skimage 导入，大多数功能都在子模块中找的到。下面列举一些 skimage 的例子：
图像过滤
使用 match_template 函数进行模板匹配
你可以通过此处查看图库找到更多示例。
2. Numpy
Numpy 是 Python 编程的核心库之一，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，我们可以通过使用基本的 NumPy 操作，例如切片、掩膜和花式索引，来修改图像的像素值。可以使用 skimage 加载图像并使用 matplotlib 显示图像。
资源
Numpy 的官方文档页面提供了完整的资源和文档列表：
http://www.numpy.org/
用法
使用 Numpy 来掩膜图像.
3.Scipy
scipy 是 Python 的另一个类似 Numpy 的核心科学模块，可用于基本的图像操作和处理任务。特别是子模块 scipy.ndimage，提供了在 n 维 NumPy 数组上操作的函数。该包目前包括线性和非线性滤波，二值形态学，B 样条插值和对象测量等功能函数。
资源
有关 scipy.ndimage 包提供的完整功能列表，请参阅下面的链接：
https://docs.scipy.org/doc/scipy/reference/tutorial/ndimage.html#correlation-and-convolution
用法
使用 SciPy 通过高斯滤波器进行模糊：
4. PIL/ Pillow
PIL(Python 图像库)是 Python 编程语言的一个免费库，它支持打开、操作和保存许多不同的文件格式的图像。然而，随着 2009 年的最后一次发布，它的开发停滞不前。但幸运的是还有有 Pillow，一个 PIL 积极开发的且更容易安装的分支，它能运行在所有主要的操作系统，并支持 Python3。这个库包含了基本的图像处理功能，包括点运算、使用一组内置卷积核的滤波和色彩空间的转换。
资源
文档中有安装说明，以及涵盖库的每个模块的示例：
https://pillow.readthedocs.io/en/3.1.x/index.html
用法
在 Pillow 中使用 ImageFilter 增强图像：
5. OpenCV-Python
OpenCV(开源计算机视觉库)是计算机视觉应用中应用最广泛的库之一。OpenCV-Python 是 OpenCV 的 python 版 API。OpenCV-Python 的优点不只有高效，这源于它的内部组成是用 C /C++ 编写的，而且它还容易编写和部署（因为前端是用 Python 包装的）。这使得它成为执行计算密集型计算机视觉程序的一个很好的选择。
资源
OpenCV-Python-Guide 指南可以让你使用 OpenCV-Python 更容易：
https://github.com/abidrahmank/OpenCV2-Python-Tutorials
用法
下面是一个例子，展示了 OpenCV-Python 使用金字塔方法创建一个名为“Orapple”的新水果图像融合的功能。
6. SimpleCV
SimpleCV 也是一个用于构建计算机视觉应用程序的开源框架。有了它，你就可以访问几个高性能的计算机视觉库，如 OpenCV，而且不需要先学习了解位深度、文件格式、颜色空间等。
它的学习曲线大大小于 OpenCV，正如它们的口号所说“计算机视觉变得简单”。一些支持 SimpleCV 的观点有：
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、图像和视频流都是可互操作的资源
官方文档非常容易理解，而且有大量的例子和使用案例去学习：
https://simplecv.readthedocs.io/en/latest/
用法
7. Mahotas
Mahotas 是另一个计算机视觉和图像处理的 Python 库。它包括了传统的图像处理功能例如滤波和形态学操作以及更现代的计算机视觉功能用于特征计算，包括兴趣点检测和局部描述符。该接口是 Python 语言，适合于快速开发，但是算法是用 C 语言实现的，并根据速度进行了调优。Mahotas 库速度快，代码简洁，甚至具有最小的依赖性。通过原文阅读它们的官方论文以获得更多的了解。
资源
文档包括安装指导，例子，以及一些教程，可以更好的帮助你开始使用 mahotas。
https://mahotas.readthedocs.io/en/latest/install.html
用法
Mahotas 库依赖于使用简单的代码来完成任务。关于‘Finding Wally’的问题，Mahotas 做的很好并且代码量很少。下面是源码：
https://mahotas.readthedocs.io/en/latest/wally.html
8. SimpleITK
ITK 或者 Insight Segmentation and Registration Toolkit 是一个开源的跨平台系统，为开发人员提供了一套广泛的图像分析软件工具。其中, SimpleITK 是建立在 ITK 之上的简化层，旨在促进其在快速原型设计、教育、解释语言中的应用。SimpleITK 是一个图像分析工具包，包含大量支持一般过滤操作、图像分割和匹配的组件。SimpleITK 本身是用 C ++ 写的，但是对于包括 Python 以内的大部分编程语言都是可用的。
资源
大量的 Jupyter Notebooks 表明了 SimpleITK 在教育和研究领域已经被使用。Notebook 展示了用 Python 和 R 编程语言使用 SimpleITK 来进行交互式图像分析。
http://insightsoftwareconsortium.github.io/SimpleITK-Notebooks/
用法
下面的动画是用 SimpleITK 和 Python 创建的刚性 CT/MR 匹配过程的可视化。点击此处可查看源码！
9. pgmagick
pgmagick 是 GraphicsMagick 库的一个基于 python 的包装。GraphicsMagick 图像处理系统有时被称为图像处理的瑞士军刀。它提供了一个具有强大且高效的工具和库集合，支持以 88 种主要格式 (包括重要格式，如 DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM 和 TIFF) 读取、写入和操作图像。
资源
有一个专门用于 PgMagick 的 Github 库，其中包含安装和需求说明。还有关于这个的一个详细的用户指导：
https://github.com/hhatto/pgmagick
用法
使用 pgmagick 可以进行的图像处理活动很少，比如：
图像缩放
边缘提取
10. Pycairo
Pycairo 是图像处理库 cairo 的一组 Python 捆绑。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转换时不会失去清晰度。Pycairo 是 cairo 的一组绑定，可用于从 Python 调用 cairo 命令。
资源
Pycairo 的 GitHub 库是一个很好的资源，有关于安装和使用的详细说明。还有一个入门指南，其中有一个关于 Pycairo 的简短教程。
库：https://github.com/pygobject/pycairo 指南：https://pycairo.readthedocs.io/en/latest/tutorial.html 用法
使用 Pycairo 绘制线条、基本形状和径向梯度：
总结
有一些有用且免费的 Python 图像处理库可以使用，有的是众所周知的，有的可能对你来说是新的，试着多去了解它们。
本文转载自 AI 研习社