在這篇文章中，我們將整理計算機視覺項目中常用的Python庫，如果你想進入計算機視覺領域，可以先了解下本文介紹的庫，這會對你的工作很有幫助。

Pillow是一個通用且用戶友好的Python庫，提供了豐富的函數集和對各種圖像格式的支持，使其成為開發(fā)人員在其項目中處理圖像的必要工具。

它支持打開、操作和保存許多不同的圖像文件格式，用戶還可以對圖像執(zhí)行基本操作，如裁剪、調整大小、旋轉和更改圖像顏色。

Pillow還可以讓你在圖像上添加文字和形狀，提供一種簡單的方式來注釋你的視覺效果。

這個庫也是torchvison使用的圖像處理庫，它功能強大并且使用很簡單推薦使用。

OpenCV無疑是最流行的圖像處理庫之一。它最初由英特爾公司開發(fā)，已被廣泛應用于計算機視覺領域。它支持無數與計算機視覺和機器學習相關的算法，這有助于理解視覺數據并做出有見地的決策。OpenCV還針對實時應用進行了高度優(yōu)化，使其成為視頻監(jiān)控，自動駕駛汽車和先進機器人的絕佳選擇。

OpenCV 功能最多，并且在處理速度方面要比Pillow快，所以在對于速度有要求的情況下推薦使用它。

另外一點就是OpenCV 讀取的通道是BGR ，而其他的庫都是RGB 的，所以如果混用的話需要轉換，還記得這個代碼吧：

Mahotas包括一組用于圖像處理和計算機視覺的函數，這些函數主要是在高性能的c++中完成的，并且使用多線程，使其速度非常快。

它還包括各種形態(tài)操作，如侵蝕，擴張和連接成分分析。這些操作是圖像二值化、去噪和形狀分析等任務的基礎。這些功能OpenCV 都有，但是Mahotas更專注于圖像的圖像處理，而并不像OpenCV那樣什么都有，所以，Mahotas的API更簡單、也更友好。并且學習起來也比OpenCV簡單，但是速度方面卻差不多。

例子

這是一個簡單的示例（使用 mahotas 附帶的示例文件），使用上述閾值區(qū)域作為種子調用分水嶺（我們使用 Otsu 定義閾值）。

# import using ``mh`` abbreviation which is common:
import mahotas as mh
# 強烈建議關注@公眾號：數據STUDIO 更多好文定時推送
# Load one of the demo images
im = mh.demos.load('nuclear')

# Automatically compute a threshold
T_otsu = mh.thresholding.otsu(im)

# Label the thresholded image (thresholding is done with numpy operations
seeds,nr_regions = mh.label(im > T_otsu)

# Call seeded watershed to expand the threshold
labeled = mh.cwatershed(im.max() - im, seeds)

這是一個非常簡單的使用示例mahotas.distance（計算距離圖）：

Scikit-Image建立在Scikit-Learn機器學習庫的基礎上的擴展功能，包括更高級的圖像處理能力。所以如果已經在使用Scikit進行ML，那么可以考慮使用這個庫。

它提供了一套完整的圖像處理算法。它支持圖像分割、幾何變換、色彩空間操作和過濾。

與許多其他庫不同，Scikit-Image支持多維圖像，這對于涉及視頻或醫(yī)學成像的任務是很有幫助的。Scikit-Image與其他Python科學庫(如NumPy和SciPy)無縫集成。

from skimage import data, io, filters

image = data.coins()
# ... or any other NumPy array!
edges = filters.sobel(image)
io.imshow(edges)
io.show()

TensorFlow Image是TensorFlow的一個模塊，它支持圖像解碼、編碼、裁剪、調整大小和轉換。還可以利用TensorFlow的GPU支持，為更大的數據集提供更快的圖像處理。

也就是說如果你使用TF，那么可以使用它來作為訓練Pipline的一部分。

使用 Keras 效用函數加載數據：tf.keras.utils.image_dataset_from_directory 效用函數從磁盤加載圖像。

創(chuàng)建數據集，為加載器定義一些參數：

開發(fā)模型時，最好使用驗證拆分。您將使用 80% 的圖像進行訓練，20% 的圖像進行驗證。

train_ds = tf.keras.utils.image_dataset_from_directory(
  data_dir,
  validation_split=0.2,
  subset='training',
  seed=123,
  image_size=(img_height, img_width),
  batch_size=batch_size)

與TensorFlow Image類似，PyTorch Vision是PyTorch生態(tài)系統(tǒng)的一部分，主要用于與圖像處理相關的機器學習任務。

SimpleCV建立在OpenCV、PIL（Python Imaging Library）和NumPy之上，為用戶提供了一組簡單而強大的函數和工具，用于加載、處理和分析圖像。

SimpleCV的設計目標是使計算機視覺技術對于初學者和非專業(yè)人士也能更加可靠和易于使用。它提供了一個簡單的API，隱藏了底層的復雜性，使用戶能夠快速實現常見的計算機視覺任務。

但是目前官方維護也較少，所以這個項目很有可能會夭折。

import SimpleCV
camera = SimpleCV.Camera()
image = camera.getImage()
image.show()

Imageio是一個用于讀取和寫入多種圖像格式的Python庫。它提供了一個簡單而強大的API，使用戶能夠輕松地處理圖像和視頻數據。Imageio提供了一個通用的數據模型，使用戶能夠以多種方式存儲圖像數據。它可以使用NumPy數組、PIL圖像對象或簡單的Python字節(jié)字符串來表示圖像數據。并且它提供了逐幀讀取和寫入視頻文件的功能，這對于處理視頻流或從視頻中提取幀非常有用。

Albumentations是一個用于圖像增強和數據增強的Python庫。它專注于在機器學習和計算機視覺任務中提供高效、靈活和易于使用的數據增強方法。

我一直把這個庫當成torchvision的替代，因為它不僅有很多數據增強方法，還能夠直接處理掩碼bbox的增強。

import albumentations as A
import cv2

# Declare an augmentation pipeline
transform = A.Compose([
    A.RandomCrop(width=256, height=256),
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.2),
])

# Read an image with OpenCV and convert it to the RGB colorspace
image = cv2.imread('image.jpg')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# Augment an image
transformed = transform(image=image)
transformed_image = transformed['image']

timm是一個PyTorch模型庫，雖然可能和圖像處理沒有關系，但是它提供了廣泛的預訓練模型和計算機視覺模型的集合，這對我們來進行深度學習的時候是非常有幫助的?，F在它已經是huggingface的子項目了，這意味著這個項目有了資金的支持，所以不會擔心發(fā)展的問題。

無論你是剛開始基本的圖像處理還是探索高級機器學習模型，這些庫都為廣泛的圖像處理任務提供了必要的工具。