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

2023-08-03 21:59:03 71

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Python2.7，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Python3.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-imageisacollectionofalgorithmsforimageprocessing.Itisavailablefreeofchargeandfreeofrestriction.Weprideourselvesonhigh-quality,peer-reviewedcode,writtenbyanactivecommunityofvolunteers.
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

#CompareImage-ProcessingModules
#UseTransformsModuleoftorchvision
#&&&
#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

#packages
fromPILimportImage
fromskimageimportio,transform
importcv2

importtorchvision.transformsastransforms
importmatplotlib.pyplotasplt
%matplotlibinline

img_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('Theshapeof\nimg_skimageis{}\nimg_opencvis{}\nimg_pltis{}\n'.format(img_skimage.shape,img_opencv.shape,img_plt.shape))
print('Thetypeof\nimg_skimageis{}\nimg_opencvis{}\nimg_pltis{}\n'.format(type(img_skimage),type(img_opencv),type(img_plt)))

Theshapeof
img_skimageis(444,444,3)
img_opencvis(444,444,3)
img_pltis(444,444,3)
Thesizeof
img_PILis(444,444)
Themodeof
img_PILisRGB
Thetypeof
img_skimageis
img_opencvis
img_pltis
img_PILif

#定义一个图像显示函数
defmy_imshow(image,title=None):
plt.imshow(image)
iftitleisnotNone:
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毛票票。

声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。

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

热门推荐

随机推荐