ຫໍສະຫມຸດ Python

10 ຫ້ອງສະຫມຸດປະມວນຜົນຮູບພາບທີ່ດີທີ່ສຸດໃນ Python

ການປັບປຸງ on ມັງກອນ 16, 2024

ຂໍ້ມູນແມ່ນຊັບພະຍາກອນທີ່ມີຄຸນຄ່າທີ່ສຸດທີ່ທຸລະກິດມີຢູ່ໃນຍຸກດິຈິຕອນຂອງມື້ນີ້, ແລະສ່ວນໃຫຍ່ຂອງຂໍ້ມູນນີ້ແມ່ນປະກອບດ້ວຍຮູບພາບ. ນັກວິທະຍາສາດຂໍ້ມູນສາມາດປະມວນຜົນຮູບພາບເຫຼົ່ານີ້ ແລະໃຫ້ມັນເຂົ້າໄປໃນແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກ (ML) ເພື່ອສ້າງຄວາມເຂົ້າໃຈເລິກເຊິ່ງສໍາລັບທຸລະກິດ.

ການປຸງແຕ່ງຮູບພາບແມ່ນຂະບວນການປ່ຽນຮູບພາບເຂົ້າໄປໃນຮູບແບບດິຈິຕອນກ່ອນທີ່ຈະດໍາເນີນການພິເສດກ່ຽວກັບພວກມັນ, ເຊິ່ງເຮັດໃຫ້ຂໍ້ມູນທີ່ມີຄຸນຄ່າ.

ມີບາງປະເພດຂອງການປະມວນຜົນຮູບພາບຕົ້ນຕໍ:

ການເບິ່ງເຫັນ: ກວດພົບວັດຖຸທີ່ບໍ່ເຫັນໃນຮູບ
ການຮັບຮູ້: ກວດພົບວັດຖຸທີ່ມີຢູ່ໃນຮູບ
ການເຮັດໃຫ້ແຫຼມແລະການຟື້ນຟູ: ຮູບພາບຕົ້ນສະບັບໄດ້ຮັບການປັບປຸງ
ການຮັບຮູ້ຮູບແບບ: ຮູບແບບໃນຮູບພາບແມ່ນການວັດແທກ
ດຶງຂໍ້ມູນ: ຊອກຫາຮູບພາບທີ່ຄ້າຍຄືກັບຕົ້ນສະບັບໂດຍການຄົ້ນຫາຖານຂໍ້ມູນຂະຫນາດໃຫຍ່

ເມື່ອທຸລະກິດຕັດສິນໃຈນໍາໃຊ້ການປຸງແຕ່ງຮູບພາບ, ມີຄໍາຮ້ອງສະຫມັກທີ່ມີທ່າແຮງຫຼາຍ. ຕົວຢ່າງ, ການປຸງແຕ່ງຮູບພາບມັກຈະຖືກນໍາໃຊ້ໃນການຄົ້ນຄວ້າທາງການແພດແລະເພື່ອພັດທະນາແຜນການປິ່ນປົວທີ່ຖືກຕ້ອງ. ມັນຍັງສາມາດຖືກໃຊ້ເພື່ອກູ້ຂໍ້ມູນ ແລະສ້າງສ່ວນທີ່ເສຍຫາຍຂອງຮູບພາບຄືນໃໝ່, ຫຼືເພື່ອດຳເນີນການກວດຫາໃບໜ້າ.

ເພື່ອປະມວນຜົນຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍນີ້ຢ່າງວ່ອງໄວແລະມີປະສິດທິພາບ, ນັກວິທະຍາສາດຂໍ້ມູນຕ້ອງອີງໃສ່ເຄື່ອງມືການປຸງແຕ່ງຮູບພາບສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກແລະວຽກງານການຮຽນຮູ້ເລິກ. ຫ້ອງສະຫມຸດການປຸງແຕ່ງຮູບພາບຊັ້ນນໍາຈໍານວນຫຼາຍຖືກນໍາໃຊ້ໃນ Python.

ລອງມາເບິ່ງ 10 ຫ້ອງສະໝຸດການປະມວນຜົນຮູບພາບທີ່ດີທີ່ສຸດໃນ Python:

1. OpenCV

ອັນດັບຫນຶ່ງຂອງພວກເຮົາແມ່ນ OpenCV, ເຊິ່ງເປັນຫ້ອງສະຫມຸດ open-source ທີ່ຖືກພັດທະນາແລະປ່ອຍອອກມາໂດຍ Intel ໃນປີ 2000. OpenCV ມັກຈະຖືກນໍາໄປໃຊ້ສໍາລັບວຽກງານການເບິ່ງເຫັນຄອມພິວເຕີເຊັ່ນ: ການກວດສອບໃບຫນ້າ, ການກວດສອບວັດຖຸ, ການຮັບຮູ້ໃບຫນ້າ, ການແບ່ງສ່ວນຮູບພາບ, ແລະອື່ນໆອີກ.

ຂຽນໃນ C ++, OpenCV ຍັງມາພ້ອມກັບ wrapper Python ແລະສາມາດຖືກນໍາໃຊ້ຄຽງຄູ່ກັບ NumPy, SciPy, ແລະ Matplotlib. ຫນຶ່ງໃນລັກສະນະທີ່ດີທີ່ສຸດຂອງ OpenCV ແມ່ນວ່າຫ້ອງສະຫມຸດວິໄສທັດຄອມພິວເຕີກໍາລັງພັດທະນາຢ່າງຕໍ່ເນື່ອງຍ້ອນຜູ້ປະກອບສ່ວນຈໍານວນຫຼາຍຂອງຕົນໃນ Github.

ຫ້ອງສະໝຸດການປະມວນຜົນຮູບພາບໃຫ້ການເຂົ້າເຖິງຫຼາຍກວ່າ 2,500 ອັນທີ່ທັນສະໄໝ ແລະລະບົບສູດຄລາດສິກ. ຜູ້ໃຊ້ສາມາດນໍາໃຊ້ OpenCV ເພື່ອປະຕິບັດວຽກງານສະເພາະໃດຫນຶ່ງເຊັ່ນ: ການເອົາຕາແດງແລະການຕິດຕາມການເຄື່ອນໄຫວຕາ.

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ OpenCV:

ໃຊ້ໂດຍບໍລິສັດໃຫຍ່ເຊັ່ນ IBM, Google, ແລະໂຕໂຍຕ້າ
ປະສິດທິພາບ Algorithmic
ການເຂົ້າເຖິງອັນກວ້າງຂວາງກັບວິທີການ
ການໂຕ້ຕອບຫຼາຍອັນ

2. Scikit-ຮູບພາບ

ຫໍສະມຸດການປຸງແຕ່ງຮູບພາບຊັ້ນນໍາອີກອັນຫນຶ່ງໃນຕະຫຼາດແມ່ນ Scikit-Image, ເຊິ່ງຖືກໃຊ້ສໍາລັບເກືອບທຸກວຽກງານວິໄສທັດຂອງຄອມພິວເຕີ. Scikit-Image ແມ່ນບາງສ່ວນຂຽນໃນ Cython, ເຊິ່ງເປັນພາສາການຂຽນໂປຼແກຼມທີ່ເປັນ superset ຂອງ Python. ໂຄງສ້າງທີ່ເປັນເອກະລັກນີ້ຊ່ວຍໃຫ້ມັນບັນລຸການປະຕິບັດທີ່ດີ.

Scikit-Image, ເຊິ່ງໃຊ້ NumPy arrays ເປັນວັດຖຸຂອງຮູບພາບ, ສະເຫນີສູດການຄິດໄລ່ທີ່ແຕກຕ່າງກັນຫຼາຍສໍາລັບການແບ່ງສ່ວນ, ການຫມູນໃຊ້ພື້ນທີ່ສີ, ການຫັນເປັນເລຂາຄະນິດ, ການວິເຄາະ, morphology, ການກວດສອບຄຸນສົມບັດ, ແລະອື່ນໆອີກ.

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ Scikit-Image:

ແຫຼ່ງເປີດແລະງ່າຍຕໍ່ການນໍາໃຊ້
ບໍ່ເສຍຄ່າກັບຂໍ້ ຈຳ ກັດດ້ານກົດ ໝາຍ ແລະໃບອະນຸຍາດຂັ້ນຕໍ່າ
versatile
ຄໍາຮ້ອງສະຫມັກໃນໂລກທີ່ແທ້ຈິງເຊັ່ນ: ການຄາດຄະເນພຶດຕິກໍາຂອງຜູ້ບໍລິໂພກ

3. SciPy

ການອອກແບບໃນເບື້ອງຕົ້ນສໍາລັບການຄິດໄລ່ທາງຄະນິດສາດແລະວິທະຍາສາດ, SciPy ຍັງເປັນຫ້ອງສະຫມຸດຊັ້ນນໍາສໍາລັບການປະຕິບັດການປຸງແຕ່ງຮູບພາບຫຼາຍມິຕິໂດຍການນໍາເຂົ້າ submodule scipy.ndimage. SciPy ສະຫນອງຫນ້າທີ່ເພື່ອດໍາເນີນການກ່ຽວກັບ N-dimensional Numpy arrays.

ຫ້ອງສະຫມຸດການປະມວນຜົນຮູບພາບນີ້ແມ່ນທາງເລືອກທີ່ດີອີກອັນຫນຶ່ງຖ້າຫາກວ່າທ່ານກໍາລັງຊອກຫາລະດັບຄວາມກ້ວາງຂອງຄໍາຮ້ອງສະຫມັກເຊັ່ນ: ການແບ່ງສ່ວນຮູບພາບ, convolution, ການອ່ານຮູບພາບ, ການກວດຈັບໃບຫນ້າ, ການສະກັດເອົາຄຸນນະສົມບັດ, ແລະອື່ນໆ.

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ Scipy:

ຄໍາສັ່ງລະດັບສູງແລະຊັ້ນຮຽນສໍາລັບການເບິ່ງເຫັນແລະການຈັດການຂໍ້ມູນ
Open source
ເຊດຊັນການໂຕ້ຕອບກັບ Python
ຫ້ອງຮຽນ, ເວັບໄຊຕ໌ແລະຖານຂໍ້ມູນປົກກະຕິສໍາລັບການດໍາເນີນໂຄງການຂະຫນານ

4. ມະໂຫຕາ

ຫໍສະໝຸດການປະມວນຜົນຮູບພາບຊັ້ນນຳອີກອັນໜຶ່ງໃນ Python ແມ່ນ Mahotas, ເຊິ່ງຖືກອອກແບບໃນເບື້ອງຕົ້ນສຳລັບຂໍ້ມູນຊີວະພາບ. Mahotas ຊ່ວຍໃຫ້ຜູ້ພັດທະນາສາມາດໃຊ້ປະໂຍດຈາກຄຸນສົມບັດຂັ້ນສູງເຊັ່ນ: ຮູບແບບຖານສອງ ແລະ haralick. ມັນສາມາດຄິດໄລ່ຮູບພາບ 2D ແລະ 3D ຜ່ານໂມດູນ mahotas.features.haralick ຂອງມັນ, ແລະມັນສະກັດຂໍ້ມູນຈາກຮູບພາບເພື່ອປະຕິບັດການປຸງແຕ່ງຮູບພາບຂັ້ນສູງ.

Mahotas ມີຫຼາຍຫນ້າທີ່ນິຍົມເຊັ່ນ Watershed, ການຄິດໄລ່ຈຸດ Convex, ການປຸງແຕ່ງ morphological, ແລະການຈັບຄູ່ແມ່ແບບ. ມີຫຼາຍກວ່າ 100 ຫນ້າທີ່ສໍາລັບຄວາມສາມາດໃນການເບິ່ງເຫັນຄອມພິວເຕີ.

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ Mahotas:

ຫຼາຍກວ່າ 100 ຫນ້າທີ່ເຮັດວຽກສໍາລັບການເບິ່ງເຫັນຄອມພິວເຕີ
ລັກສະນະຂັ້ນສູງ
ຄິດໄລ່ຮູບພາບ 2D ແລະ 3D
ສືບຕໍ່ເພີ່ມຫນ້າທີ່ໃຫມ່

5. ໝອນ/PIL

ຫ້ອງສະຫມຸດແຫຼ່ງເປີດອື່ນສໍາລັບວຽກງານການປຸງແຕ່ງຮູບພາບ, Pillow ແມ່ນສະບັບກ້າວຫນ້າທາງດ້ານຂອງ PIL (Python Imaging Library). ດ້ວຍ Pillow, ທ່ານສາມາດປະຕິບັດຫຼາຍຂະບວນການໃນການປຸງແຕ່ງຮູບພາບເຊັ່ນ: ການດໍາເນີນງານຈຸດ, ການກັ່ນຕອງ, ແລະການຫມູນໃຊ້.

ໝອນແມ່ນຫນຶ່ງໃນຫ້ອງສະຫມຸດຊັ້ນນໍາສໍາລັບການຈັດການຮູບພາບຍ້ອນການສະຫນັບສະຫນູນຂອງມັນສໍາລັບຮູບແບບຮູບພາບທີ່ຫລາກຫລາຍ. ຫ້ອງສະຫມຸດການປຸງແຕ່ງຮູບພາບແມ່ນງ່າຍທີ່ຈະໃຊ້, ເຮັດໃຫ້ມັນເປັນຫນຶ່ງໃນເຄື່ອງມືທົ່ວໄປທີ່ສຸດສໍາລັບນັກວິທະຍາສາດຂໍ້ມູນຜູ້ທີ່ເຮັດວຽກກັບຮູບພາບ.

ນີ້ແມ່ນບາງຈຸດເດັ່ນຂອງ Pillow:

ຮອງຮັບຮູບແບບຮູບພາບຕ່າງໆເຊັ່ນ JPEG ແລະ PNG
ງ່າຍທີ່ຈະນໍາໃຊ້
ວິທີການປຸງແຕ່ງຮູບພາບຕ່າງໆ
ເປັນປະໂຫຍດສໍາລັບການເພີ່ມຂໍ້ມູນການຝຶກອົບຮົມສໍາລັບບັນຫາສາຍຕາຄອມພິວເຕີ

6. SimpleITK

SimpleITK ເຮັດວຽກແຕກຕ່າງກັນເລັກນ້ອຍກ່ວາຫ້ອງສະຫມຸດປະມວນຜົນຮູບພາບອື່ນໆໃນບັນຊີລາຍຊື່ນີ້. ແທນທີ່ຈະພິຈາລະນາຮູບພາບເປັນ arrays, SimpleITK ພິຈາລະນາພວກມັນເປັນຊຸດຂອງຈຸດທີ່ຢູ່ໃນພື້ນທີ່ທາງດ້ານຮ່າງກາຍ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ມັນກໍານົດພາກພື້ນທີ່ຄອບຄອງໂດຍຮູບພາບເປັນຕົ້ນກໍາເນີດ, ຂະຫນາດ, ໄລຍະຫ່າງ, ແລະທິດທາງ cosine matrix. ອັນນີ້ເຮັດໃຫ້ SimpleITK ສາມາດປະມວນຜົນຮູບພາບໄດ້ຢ່າງມີປະສິດທິພາບ ແລະຮອງຮັບຂະໜາດ 2D, 3D ແລະ 4D.

SimpleITK ມັກຈະຖືກນໍາໃຊ້ສໍາລັບການແບ່ງສ່ວນຮູບພາບແລະການລົງທະບຽນຮູບພາບ, ເຊິ່ງເປັນຂະບວນການຂອງການວາງຊ້ອນຮູບພາບສອງຫຼືຫຼາຍກວ່ານັ້ນ.

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ SimpleITK:

ຮອງຮັບຮູບພາບ 2D ແລະ 3D
ຄຸນນະສົມບັດການຂຽນໂປລແກລມແບບພິເສດທີ່ສະຫນອງການປະຕິບັດ, ຄວາມຍືດຫຍຸ່ນ, ແລະປະສິດທິພາບ
ການແບ່ງສ່ວນຮູບພາບແລະການລົງທະບຽນຮູບພາບ
ພິຈາລະນາຮູບພາບເປັນຊຸດຈຸດກ່ຽວກັບພາກພື້ນທາງດ້ານຮ່າງກາຍໃນອະວະກາດ

7. matplotlib

Matplotlib ເປັນອີກທາງເລືອກທີ່ດີສໍາລັບຫ້ອງສະຫມຸດປະມວນຜົນຮູບພາບ. ມັນເປັນປະໂຫຍດໂດຍສະເພາະເປັນໂມດູນຮູບພາບສໍາລັບການເຮັດວຽກກັບຮູບພາບໃນ Python, ແລະມັນປະກອບມີສອງວິທີການສະເພາະສໍາລັບການອ່ານແລະການສະແດງຮູບພາບ. Matplotlib ມີຄວາມຊ່ຽວຊານໃນແຜນຜັງ 2D ຂອງອາເຣເປັນຫ້ອງສະໝຸດການສະແດງຂໍ້ມູນຫຼາຍເວທີໃນ Numpy arrays.

ຫໍສະມຸດການປະມວນຜົນຮູບພາບແມ່ນປົກກະຕິແລ້ວໃຊ້ສໍາລັບການເບິ່ງເຫັນພາບ 2D ເຊັ່ນ: ແຜ່ນກະແຈກກະຈາຍ, ຮິສໂຕແກຣມ, ແລະກຣາຟແຖບ, ແຕ່ມັນໄດ້ພິສູດໃຫ້ເຫັນວ່າເປັນປະໂຫຍດສໍາລັບການປະມວນຜົນຮູບພາບໂດຍການດຶງຂໍ້ມູນອອກຈາກຮູບພາບຢ່າງມີປະສິດທິພາບ. ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສັງເກດວ່າ Matplotlib ບໍ່ຮອງຮັບທຸກຮູບແບບໄຟລ໌.

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ Matplotlib:

ງ່າຍດາຍແລະງ່າຍທີ່ຈະໃຊ້
ສະຫນອງຮູບພາບທີ່ມີຄຸນນະພາບສູງແລະດິນຕອນໃນຮູບແບບຕ່າງໆ
Open source
ສາມາດປັບແຕ່ງໄດ້ສູງ

8. ຕົວເລກ

ໃນຂະນະທີ່ NumPy ເປັນຫ້ອງສະໝຸດ Python open-source ທີ່ໃຊ້ໃນການວິເຄາະຕົວເລກ, ມັນຍັງສາມາດໃຊ້ສໍາລັບວຽກງານການປະມວນຜົນຮູບພາບເຊັ່ນ: ການຕັດຮູບພາບ, ການຈັດການ pixels, ການປິດບັງຄ່າ pixels ແລະອື່ນໆອີກ. NumPy ມີເມທຣິກ ແລະອະເຣຫຼາຍມິຕິເປັນໂຄງສ້າງຂໍ້ມູນ.

NumPy ຍັງສາມາດຖືກນໍາໃຊ້ເພື່ອຊ່ວຍໃນການຫຼຸດຜ່ອນສີ, binarization, paste ກັບ slice, inversion ໃນທາງບວກຫຼືທາງລົບ, ແລະຫນ້າທີ່ອື່ນໆຈໍານວນຫຼາຍ. ຮູບພາບຍັງສາມາດຖືກພິຈາລະນາເປັນ arrays, ເຊິ່ງເຮັດໃຫ້ NumPy ສາມາດປະຕິບັດວຽກງານການປຸງແຕ່ງຮູບພາບທີ່ແຕກຕ່າງກັນ.

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ NumPy:

ການເກັບຮັກສາຂໍ້ມູນກະທັດລັດ
ການປະມວນຜົນຄວາມໄວສູງຂອງອາເຣ
ຊ່ວຍໃຫ້ມີຫຼາຍຫນ້າທີ່
ຄວາມເຂົ້າກັນໄດ້ຂອງຂໍ້ມູນກັບຫ້ອງສະຫມຸດອື່ນໆ

9. Pgmagick

ໃກ້ຈະສິ້ນສຸດບັນຊີລາຍຊື່ຂອງພວກເຮົາແມ່ນ Pgmagick, ເຊິ່ງເປັນຫ້ອງສະຫມຸດ Python ຊັ້ນນໍາສໍາລັບການປຸງແຕ່ງຮູບພາບສໍາລັບຫ້ອງສະຫມຸດ GraphicMagick. ເຄື່ອງມືການປຸງແຕ່ງຮູບພາບມີການເກັບກໍາທີ່ຫນ້າປະທັບໃຈຂອງເຄື່ອງມືແລະຫ້ອງສະຫມຸດທີ່ໃຫ້ການຊ່ວຍເຫຼືອໃນການແກ້ໄຂຮູບພາບແລະການຫມູນໃຊ້ຮູບພາບ.

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ Pgmagick:

ການເກັບກໍາຂະຫນາດໃຫຍ່ຂອງເຄື່ອງມືແລະຫ້ອງສະຫມຸດ
ການແກ້ໄຂຮູບພາບແລະການຫມູນໃຊ້ຮູບພາບ
ສະຫນັບສະຫນູນຫຼາຍຮູບແບບຮູບພາບ
Open source

10. CV ງ່າຍໆ

ຫ້ອງສະຫມຸດປະມວນຜົນຮູບພາບສຸດທ້າຍໃນ Python ໃນບັນຊີລາຍຊື່ຂອງພວກເຮົາແມ່ນ SimpleCV, ເຊິ່ງເປັນກອບແຫຼ່ງເປີດທີ່ນິຍົມສໍາລັບການສ້າງຄໍາຮ້ອງສະຫມັກວິໄສທັດຄອມພິວເຕີດ້ວຍການປະມວນຜົນຮູບພາບ. SimpleCV ມີການໂຕ້ຕອບທີ່ສາມາດອ່ານໄດ້ສໍາລັບກ້ອງຖ່າຍຮູບ, ການແປງຮູບແບບ, ການຫມູນໃຊ້ຮູບພາບ, ການສະກັດເອົາຄຸນສົມບັດ, ແລະອື່ນໆ.

ຫໍສະມຸດການປຸງແຕ່ງຮູບພາບເປັນທີ່ນິຍົມໃນບັນດາຜູ້ທີ່ຊອກຫາການສ້າງວຽກວິໄສທັດຄອມພິວເຕີໄດ້ຢ່າງງ່າຍດາຍ. ມັນຊ່ວຍໃຫ້ຜູ້ໃຊ້ສາມາດເຂົ້າເຖິງຫ້ອງສະຫມຸດວິໄສທັດຄອມພິວເຕີທີ່ມີປະສິດທິພາບສູງເຊັ່ນ OpenCV ໂດຍບໍ່ຈໍາເປັນຕ້ອງຮຽນຮູ້ກ່ຽວກັບຮູບແບບໄຟລ໌, ຄວາມເລິກບິດ, ພື້ນທີ່ສີ, ການຈັດການບັຟເຟີ, ແລະອື່ນໆ.

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ SimpleCV: