详解python opencv、scikit-image和PIL图像处理库比较

Python  /  管理员 发布于 7年前   417

进行深度学习时，对图像进行预处理的过程是非常重要的，使用pytorch或者TensorFlow时需要对图像进行预处理以及展示来观看处理效果，因此对python中的图像处理框架进行图像的读取和基本变换的掌握是必要的，接下来python中几个基本的图像处理库进行纵向对比。

项目地址：https://github.com/Oldpan/Pytorch-Learn/tree/master/Image-Processing

比较的图像处理框架：

• PIL
• scikit-image
• opencv-python

PIL：

由于PIL仅支持到Python 2.7，加上年久失修，于是一群志愿者在PIL的基础上创建了兼容的版本，名字叫Pillow，支持最新Python 3.x，又加入了许多新特性，因此，我们可以直接安装使用Pillow。

摘自廖雪峰的官方网站

scikit-image

scikit-image is a collection of algorithms for image processing. It is available free of charge and free of restriction. We pride ourselves on high-quality, peer-reviewed code, written by an active community of volunteers.
摘自官网的介绍，scikit-image的更新还是比较频繁的，代码质量也很好。

opencv-python

opencv的大名就不要多说了，这个是opencv的python版

# Compare Image-Processing Modules# Use Transforms Module of torchvision#        &&&# 对比python中不同的图像处理模块# 并且使用torchvision中的transforms模块进行图像处理# packagesfrom PIL import Imagefrom skimage import io, transformimport cv2import torchvision.transforms as transformsimport matplotlib.pyplot as plt%matplotlib inlineimg_PIL = Image.open('./images/dancing.jpg')img_skimage = io.imread('./images/dancing.jpg')img_opencv = cv2.imread('./images/dancing.jpg')img_plt = plt.imread('./images/dancing.jpg')loader = transforms.Compose([  transforms.ToTensor()]) # 转换为torch.tensor格式print('The shape of \n img_skimage is {}\n img_opencv is {}\n img_plt is {}\n'.format(img_skimage.shape, img_opencv.shape, img_plt.shape))print('The type of \n img_skimage is {}\n img_opencv is {}\n img_plt is {}\n'.format(type(img_skimage), type(img_opencv), type(img_plt)))

The shape ofimg_skimage is (444, 444, 3)img_opencv is (444, 444, 3)img_plt is (444, 444, 3)The size ofimg_PIL is (444, 444)The mode ofimg_PIL is RGBThe type ofimg_skimage is <class 'numpy.ndarray'>img_opencv is <class 'numpy.ndarray'>img_plt is <class 'numpy.ndarray'>img_PIL if <class 'PIL.JpegImagePlugin.JpegImageFile'>

# 定义一个图像显示函数def my_imshow(image, title=None):  plt.imshow(image)  if title is not None:    plt.title(title)  plt.pause(0.001) # 这里延时一下，否则图像无法加载plt.figure()my_imshow(img_skimage, title='img_skimage')# 可以看到opencv读取的图像打印出来的颜色明显与其他不同plt.figure()my_imshow(img_opencv, title='img_opencv')plt.figure()my_imshow(img_plt, title='img_plt')# opencv读出的图像颜色通道为BGR，需要对此进行转换img_opencv = cv2.cvtColor(img_opencv, cv2.COLOR_BGR2RGB)plt.figure()my_imshow(img_opencv, title='img_opencv_new')

toTensor = transforms.Compose([transforms.ToTensor()])# 尺寸变化、缩放transform_scale = transforms.Compose([transforms.Scale(128)])temp = transform_scale(img_PIL)plt.figure()my_imshow(temp, title='after_scale')# 随机裁剪transform_randomCrop = transforms.Compose([transforms.RandomCrop(32, padding=4)])temp = transform_scale(img_PIL)plt.figure()my_imshow(temp, title='after_randomcrop')# 随机进行水平翻转（0.5几率）transform_ranHorFlip = transforms.Compose([transforms.RandomHorizontalFlip()])temp = transform_scale(img_PIL)plt.figure()my_imshow(temp, title='after_ranhorflip')# 随机裁剪到特定大小transform_ranSizeCrop = transforms.Compose([transforms.RandomSizedCrop(128)])temp = transform_ranSizeCrop(img_PIL)plt.figure()my_imshow(temp, title='after_ranSizeCrop')# 中心裁剪transform_centerCrop = transforms.Compose([transforms.CenterCrop(128)])temp = transform_centerCrop(img_PIL)plt.figure()my_imshow(temp, title='after_centerCrop')# 空白填充transform_pad = transforms.Compose([transforms.Pad(4)])temp = transform_pad(img_PIL)plt.figure()my_imshow(temp, title='after_padding')# 标准化是在整个数据集中对所有图像进行取平均和均方差，演示图像数量过少无法进行此操作# print(train_data.mean(axis=(0,1,2))/255)# print(train_data.std(axis=(0,1,2))/255)# transform_normal = transforms.Compose([transforms.Normalize()])# Lamdba使用用户自定义函数来对图像进行剪裁# transform_pad = transforms.Compose([transforms.Lambda()])

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。