介绍正如IDC所指出的，数字信息将飙升至175 ZB，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，我将深入研究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。我们开始吧！
目录
OpenCV
Scikit－Image
Scipy
Python Image Library（Pillow／PIL）
Matplotlib
SimpleITK
Numpy
Mahotas
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、人脸检测、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2002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：
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。下面的代码片段显示了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）
旋转图像
OpenCV有助于使用从0到360度的任意角度旋转图像。检查以下代码以将图像旋转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、三维重建等。
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用Cython编写的（它是python编程语言的超集，旨在使python比C语言更快）。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。
检查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）
Scipy
SciPy主要用于数学和科学计算，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。
请检查以下代码以使用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））
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。
库更改图像的清晰度：
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，请检查以下图像：
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。检查以下示例：
图像分割
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：
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：
结论
因此，在本文中，我们介绍了2021年机器学习用python中排名前8位的图像处理库。我希望你从这个博客中学到一些东西，对你的项目有益。
