导读：简述图像处理在各行各业中的应用，介绍图像处理对于项目如机器学习、数据分析、艺术创作等的重要应用。
Pillow - 基础图像处理库
Pillow是Python Imaging Library (PIL)的一个活跃分支和替代品。作为一个强大的图像处理库，Pillow支持广泛的文件格式，并提供了各种图像处理功能。
安装
pip install Pillow
图像的基本操作
Pillow的主要功能包括图像的读取、处理和保存。
读取图像
使用Pillow打开图像文件非常直观，如下所示：
from PIL import Image
# 打开图像文件
img = Image.open("path/to/image.jpg")
显示图像
Pillow可以配合使用Python的标准GUI库来显示图像：
img.show()
图像转换
你可以对图像进行各种转换，例如调整大小、旋转和颜色转换等。
# 转换为灰度图像
img_gray = img.convert('L')
img_gray.show()
保存图像
修改后的图像可以轻松保存到文件系统中：
img_gray.save("gray_image.jpg")
图像裁剪、调整大小
Pillow提供了一系列图像处理功能，包括但不限于裁剪、调整尺寸、图像滤镜等。大家可以自行尝试。
# 裁剪图像
box = (100, 100, 400, 400)
cropped_image = img.crop(box)
cropped_image.show()
# 调整图像尺寸
new_size = (200, 200)
resized_image = img.resize(new_size)
resized_image.show()
OpenCV - 高级图像处理和计算机视觉
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。它为处理图像和视频提供了强大的工具，包括面部识别、物体检测、图像滤镜等高级功能。
安装
pip install opencv-python
主要特性功能
读取和显示图像
使用OpenCV读取和显示图像：
import cv2
# 读取图像
img = cv2.imread("path/to/image.jpg")
# 显示图像
cv2.imshow("Image", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
面部识别
OpenCV支持多种面部识别算法，可以用于识别照片或视频中的人脸。
import cv2
# 加载Haar级联面部识别分类器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
# 读取图像
img = cv2.imread("image.jpg")
# 转换为灰度图像，因为Haar级联分类器需要灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 检测图像中的脸部
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=4)
# 为每个检测到的脸部画一个矩形框
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)
# 显示带有面部识别的图像
cv2.imshow('Face Detected', img)
cv2.waitKey()步骤
- 使用
cv2.CascadeClassifier加载OpenCV的Haar级联分类器。 - 图像被读取并转换为灰度图像，因为面部识别通常在灰度图上进行。
- 使用
detectMultiScale方法检测图像中的脸部。 - 对于检测到的每个脸部，绘制一个矩形框。
结果
图像滤镜
OpenCV提供了丰富的图像滤镜，如模糊、边缘检测等
# 应用高斯模糊
blurred_img = cv2.GaussianBlur(img, (5, 5), 0)
cv2.imshow("Blurred Image", blurred_img)
能看出来区别吗？
Matplotlib - 数据可视化和图像展示
Matplotlib是一个广泛使用的Python绘图库，它提供了一个类似MATLAB的绘图系统。Matplotlib非常适合用于生成各种静态、动态和交互式的图表。
安装命令
pip install matplotlib
使用Matplotlib显示图像
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
# 读取图像
img = mpimg.imread('path/to/your/image.jpg')
# 显示图像
plt.imshow(img)
plt.axis('off') # 不显示坐标轴
plt.show()
数据可视化
Matplotlib的主要强项在于其数据可视化能力。它可以用来创建线图、条形图、散点图、直方图等多种图表。
条形图
条形图通常用于比较不同类别间的数量差异。
import matplotlib.pyplot as plt
# 数据
categories = ['Category A', 'Category B', 'Category C']
values = [5, 3, 8]
plt.bar(categories, values)
plt.title('Bar Chart Example')
plt.xlabel('Categories')
plt.ylabel('Values')
plt.show()
散点图
散点图用于展示两个变量之间的关系。
import matplotlib.pyplot as plt
# 数据
x = [5, 7, 8, 5, 6, 7, 9, 2, 3, 4, 4, 4]
y = [99, 86, 87, 88, 100, 86, 103, 87, 94, 78, 77, 85]
plt.scatter(x, y)
plt.title('Scatter Plot Example')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.show()
直方图
直方图用于展示数据分布的情况。
import matplotlib.pyplot as plt
import numpy as np
# 数据
data = np.random.normal(0, 1, 1000)
plt.hist(data, bins=30)
plt.title('Histogram Example')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()
饼图
饼图用于展示每个类别相对于总量的比例。
import matplotlib.pyplot as plt
# 数据
sizes = [25, 30, 20, 25]
labels = ['Class A', 'Class B', 'Class C', 'Class D']
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title('Pie Chart Example')
plt.show()
其他库和框架
除了Pillow、OpenCV和Matplotlib，Python还提供了其他一些强大的库和框架，用于图像处理和分析。这些工具各有特色，适用于不同的应用场景。
SciPy和NumPy
概述
SciPy和NumPy是科学计算的核心库，它们为图像处理提供了强大的数学背景。
应用
这些库主要用于图像的低级操作，如图像的数学变换、滤波和其他算法实现。
使用NumPy进行图像操作
import numpy as np
from PIL import Image
# 加载图像，并转换为NumPy数组
img = Image.open('path/to/image.jpg')
img_array = np.array(img)
# 执行一些操作，例如反转颜色
inverted_img_array = 255 - img_array
# 将NumPy数组转回为图像
inverted_img = Image.fromarray(inverted_img_array)
inverted_img.show()
丑八怪~~~~~~~
scikit-image
简介
scikit-image是建立在SciPy之上的图像处理库，提供了更多高级的图像处理功能。
特点
它包括图像分割、几何变换、颜色空间操作等复杂的图像处理算法。
使用scikit-image进行边缘检测
from skimage import filters, io, color
# 读取图像
img = io.imread('path/to/image.jpg')
img_gray = color.rgb2gray(img)
# 应用Sobel滤波器进行边缘检测
edges = filters.sobel(img_gray)
io.imshow(edges)
io.show()
