Poduszka Pythona - przegląd

W dzisiejszym cyfrowym świecie napotykamy wiele cyfrowych obrazów. W przypadku, gdy pracujemy z językiem programowania Python, zapewnia on wiele bibliotek przetwarzania obrazu, aby dodać możliwości przetwarzania obrazu do obrazów cyfrowych.

Niektóre z najpopularniejszych bibliotek przetwarzania obrazu to: OpenCV, Python Imaging Library (PIL), Scikit-image, Pillow. Jednak w tym samouczku skupiamy się tylko naPillow module i postaram się zbadać różne możliwości tego modułu.

Pillow jest zbudowany na bazie PIL (Python Image Library). PIL jest jednym z ważnych modułów przetwarzania obrazu w Pythonie. Jednak moduł PIL nie jest obsługiwany od 2011 roku i nie obsługuje języka Python 3.

Moduł Pillow oferuje więcej funkcji, działa na wszystkich głównych systemach operacyjnych i obsługuje język Python 3. Obsługuje szeroką gamę obrazów, takich jak „jpeg”, „png”, „bmp”, „gif”, „ppm”, „tiff”. Na cyfrowych obrazach możesz zrobić prawie wszystko, korzystając z modułu poduszki. Oprócz podstawowych funkcji przetwarzania obrazu, w tym operacji punktowych, filtrowania obrazów za pomocą wbudowanych jąder konwolucji i konwersji przestrzeni kolorów.

Archiwa obrazów

Biblioteka obrazów Python najlepiej nadaje się do archiwizacji obrazów i aplikacji do przetwarzania wsadowego. Pakiet poduszek Python może być używany do tworzenia miniatur, konwersji z jednego formatu na inny i drukowania obrazów itp.

Wyświetlanie obrazu

Obrazy można wyświetlać przy użyciu interfejsu Tk PhotoImage, BitmapImage i Windows DIB, który może być używany z PythonWin i innymi zestawami narzędziowymi opartymi na systemie Windows oraz wieloma innymi zestawami narzędzi z graficznym interfejsem użytkownika (GUI).

Do celów debugowania istnieje metoda show () zapisująca obraz na dysku, która wywołuje narzędzie do wyświetlania zewnętrznego.

Przetwarzanie obrazu

Biblioteka Pillow zawiera wszystkie podstawowe funkcje przetwarzania obrazu. Możesz zmieniać rozmiar obrazu, obracać go i przekształcać.

Moduł Pillow pozwala na wyciągnięcie z obrazu niektórych danych statystycznych za pomocą metody histogramu, którą później można wykorzystać do analizy statystycznej i automatycznego wzmocnienia kontrastu.