以下提到的这些 Python 工具在编辑图像、操作图像底层数据方面都提供了简单直接的方法。
当今的世界充满了数据，而图像数据就是其中很重要的一部分。但只有经过处理和分析，提高图像的质量，从中提取出有效地信息，才能利用到这些图像数据。
常见的图像处理操作包括显示图像，基本的图像操作，如裁剪、翻转、旋转；图像的分割、分类、特征提取；图像恢复；以及图像识别等等。Python 作为一种日益风靡的科学编程语言，是这些图像处理操作的最佳选择。同时，在 Python 生态当中也有很多可以免费使用的优秀的图像处理工具。
下文将介绍 10 个可以用于图像处理任务的 Python 库，它们在编辑图像、查看图像底层数据方面都提供了简单直接的方法。
在这里还是要推荐下我自己建的Python开发学习群:683380553，群里都是学Python开发的，如果你正在学习Python ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有Python软件开发相关的），包括我自己整理的一份2018最新的Python进阶资料和高级开发教程，欢迎进阶中和进想深入Python的小伙伴
1、scikit-image
scikit-image 是一个结合 NumPy 数组使用的开源 Python 工具，它实现了可用于研究、教育、工业应用的算法和应用程序。即使是对于刚刚接触 Python 生态圈的新手来说，它也是一个在使用上足够简单的库。同时它的代码质量也很高，因为它是由一个活跃的志愿者社区开发的，并且通过了 同行评审
peer review
。
资源
scikit-image 的 文档 非常完善，其中包含了丰富的用例。
示例
可以通过导入 skimage 使用，大部分的功能都可以在它的子模块中找到。
图像滤波
image filtering
：
import matplotlib.pyplot as plt %matplotlib inline from skimage import data,filters image = data.coins() # ... or any other NumPy array! edges = filters.sobel(image) plt.imshow(edges, cmap='gray')
使用 match_template() 方法实现 模板匹配
template matching
：
在 展示页面 可以看到更多相关的例子。
2、NumPy
NumPy 提供了对数组的支持，是 Python 编程的一个核心库。图像的本质其实也是一个包含像素数据点的标准 NumPy 数组，因此可以通过一些基本的 NumPy 操作（例如切片、 掩膜
mask
、 花式索引
fancy indexing
等），就可以从像素级别对图像进行编辑。通过 NumPy 数组存储的图像也可以被 skimage 加载并使用 matplotlib 显示。
资源
在 NumPy 的 官方文档 中提供了完整的代码文档和资源列表。
示例
使用 NumPy 对图像进行 掩膜
mask
操作：
import numpy as np from skimage import data import matplotlib.pyplot as plt %matplotlib inline image = data.camera() type(image) numpy.ndarray #Image is a NumPy array: mask = image < 87 image[mask]=255 plt.imshow(image, cmap='gray')
3、SciPy
像 NumPy 一样， SciPy 是 Python 的一个核心科学计算模块，也可以用于图像的基本操作和处理。尤其是 SciPy v1.1.0 中的 scipy.ndimage 子模块，它提供了在 n 维 NumPy 数组上的运行的函数。SciPy 目前还提供了 线性和非线性滤波
linear and non-linear filtering
、 二值形态学
binary morphology
、 B 样条插值
B-spline interpolation
、 对象测量
object measurements
等方面的函数。
资源
在 官方文档 中可以查阅到 scipy.ndimage 的完整函数列表。
示例
使用 SciPy 的 高斯滤波 对图像进行模糊处理：
from scipy import misc,ndimage face = misc.face() blurred_face = ndimage.gaussian_filter(face, sigma=3) very_blurred = ndimage.gaussian_filter(face, sigma=5) #Results plt.imshow(<image to be displayed>)
4、PIL/Pillow
PIL (Python Imaging Library) 是一个免费 Python 编程库，它提供了对多种格式图像文件的打开、编辑、保存的支持。但在 2009 年之后 PIL 就停止发布新版本了。幸运的是，还有一个 PIL 的积极开发的分支 Pillow ，它的安装过程比 PIL 更加简单，支持大部分主流的操作系统，并且还支持 Python 3。Pillow 包含了图像的基础处理功能，包括像素点操作、使用内置卷积内核进行滤波、颜色空间转换等等。
资源
Pillow 的 官方文档 提供了 Pillow 的安装说明自己代码库中每一个模块的示例。
示例
使用 Pillow 中的 ImageFilter 模块实现图像增强：
from PIL import Image,ImageFilter
#Read image
im = Image.open('image.jpg')
#Display image
im.show()
from PIL import ImageEnhance
enh = ImageEnhance.Contrast(im)
enh.enhance(1.8).show("30% more contrast")
- 源码
5、OpenCV-Python
OpenCV（Open Source Computer Vision 库）是计算机视觉领域最广泛使用的库之一， OpenCV-Python 则是 OpenCV 的 Python API。OpenCV-Python 的运行速度很快，这归功于它使用 C/C++ 编写的后台代码，同时由于它使用了 Python 进行封装，因此调用和部署的难度也不大。这些优点让 OpenCV-Python 成为了计算密集型计算机视觉应用程序的一个不错的选择。
资源
入门之前最好先阅读 OpenCV2-Python-Guide 这份文档。
示例
使用 OpenCV-Python 中的 金字塔融合
Pyramid Blending
将苹果和橘子融合到一起：
- 源码
6、SimpleCV
SimpleCV 是一个开源的计算机视觉框架。它支持包括 OpenCV 在内的一些高性能计算机视觉库，同时不需要去了解 位深度
bit depth
、文件格式、 色彩空间
color space
之类的概念，因此 SimpleCV 的学习曲线要比 OpenCV 平缓得多，正如它的口号所说，“将计算机视觉变得更简单”。SimpleCV 的优点还有：
- 即使是刚刚接触计算机视觉的程序员也可以通过 SimpleCV 来实现一些简易的计算机视觉测试
- 录像、视频文件、图像、视频流都在支持范围内
资源
官方文档 简单易懂，同时也附有大量的学习用例。
示例
7、Mahotas
Mahotas 是另一个 Python 图像处理和计算机视觉库。在图像处理方面，它支持滤波和形态学相关的操作；在计算机视觉方面，它也支持 特征计算
feature computation
、 兴趣点检测
interest point detection
、 局部描述符
local descriptors
等功能。Mahotas 的接口使用了 Python 进行编写，因此适合快速开发，而算法使用 C++ 实现，并针对速度进行了优化。Mahotas 尽可能做到代码量少和依赖项少，因此它的运算速度非常快。可以参考 官方文档 了解更多详细信息。
资源
文档 包含了安装介绍、示例以及一些 Mahotas 的入门教程。
示例
Mahotas 力求使用少量的代码来实现功能。例如这个 Finding Wally 游戏：
- 源码
8、SimpleITK
ITK （Insight Segmentation and Registration Toolkit）是一个为开发者提供普适性图像分析功能的开源、跨平台工具套件， SimpleITK 则是基于 ITK 构建出来的一个简化层，旨在促进 ITK 在快速原型设计、教育、解释语言中的应用。SimpleITK 作为一个图像分析工具包，它也带有 大量的组件 ，可以支持常规的滤波、图像分割、 图像配准
registration
功能。尽管 SimpleITK 使用 C++ 编写，但它也支持包括 Python 在内的大部分编程语言。
资源
有很多 Jupyter Notebooks 用例可以展示 SimpleITK 在教育和科研领域中的应用，通过这些用例可以看到如何使用 Python 和 R 利用 SimpleITK 来实现交互式图像分析。
示例
使用 Python + SimpleITK 实现的 CT/MR 图像配准过程：
- 源码
9、pgmagick
pgmagick 是使用 Python 封装的 GraphicsMagick 库。 GraphicsMagick 通常被认为是图像处理界的瑞士军刀，因为它强大而又高效的工具包支持对多达 88 种主流格式图像文件的读写操作，包括 DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM、TIFF 等等。
资源
pgmagick 的 GitHub 仓库 中有相关的安装说明、依赖列表，以及详细的 使用指引 。
示例
图像缩放：
- 源码
边缘提取：
- 源码
10、Pycairo
Cairo 是一个用于绘制矢量图的二维图形库，而 Pycairo 是用于 Cairo 的一组 Python 绑定。矢量图的优点在于做大小缩放的过程中不会丢失图像的清晰度。使用 Pycairo 可以在 Python 中调用 Cairo 的相关命令。
资源
Pycairo 的 GitHub 仓库 提供了关于安装和使用的详细说明，以及一份简要介绍 Pycairo 的 入门指南 。
示例
使用 Pycairo 绘制线段、基本图形、 径向渐变
radial gradients
：
- 源码
总结
以上就是 Python 中的一些有用的图像处理库，无论你有没有听说过、有没有使用过，都值得试用一下并了解它们。