Le 10 migliori librerie di elaborazione delle immagini in Python

L’elaborazione delle immagini in Python copre carichi di lavoro molto diversi: miniature web, misurazione scientifica, video in tempo reale, aumento dell’apprendimento automatico, registrazione medica e immagini gigapixel. La libreria migliore è quindi quella il cui modello di dati, algoritmi e profilo di distribuzione corrispondono al lavoro – non semplicemente il progetto con il maggior numero di funzioni.

OpenCV si classifica al primo posto per l’ampiezza generale della visione artificiale, mentre Pillow è la migliore libreria di immagini quotidiana e scikit-image offre l’esperienza di analisi scientifica più chiara. torchvision e Kornia guidano all’interno dei flussi di lavoro PyTorch. Albumentations rimane tecnicamente forte per l’aumento, ma le sue opzioni di licenza attuali devono essere valutate prima dell’adozione.

Ultimo aggiornamento luglio 2026. Le classifiche riflettono la manutenzione attuale, l’adozione dell’ecosistema, la documentazione, la capacità, la licenza e l’adeguatezza per il caso d’uso dichiarato.

1. OpenCV

OpenCV è la libreria di visione artificiale generale più ampia disponibile da Python. Copre l’I/O di immagini e video, la conversione del colore, il filtraggio, la morfologia, la geometria, la calibrazione, la rilevazione delle caratteristiche, il tracciamento, il flusso ottico, l’apprendimento automatico classico, l’inferenza delle reti neurali e i flussi di lavoro della fotocamera in tempo reale. I binding Python espongono un nucleo C++ altamente ottimizzato, rendendo OpenCV la scelta predefinita migliore quando il progetto si estende oltre la semplice modifica dei file.

Migliore per: Visione artificiale generale, video, pipeline della fotocamera e operazioni di immagine ad alte prestazioni

• Punti di forza: Ampia gamma di algoritmi; implementazione nativa veloce; supporto per video e fotocamera in tempo reale; grande comunità e copertura della piattaforma
• Considerazioni: Gli array utilizzano l’ordinamento BGR in molti percorsi comuni; le API riflettono le convenzioni C++; le ruote binarie e i codec facoltativi variano a seconda della piattaforma

Visualizza la documentazione di OpenCV

2. Pillow

Pillow è la versione mantenuta della libreria di immagini Python e la scelta più pratica per il lavoro comune con le immagini raster. Legge e scrive molti formati e fornisce ridimensionamento, ritaglio, rotazione, conversione del colore, filtri, disegno, testo, accesso ai metadati e composizione. È sufficientemente leggero per gli script e i servizi web e interagisce facilmente con NumPy e le librerie di apprendimento automatico.

Migliore per: Gestione dei file di immagini quotidiana, ridimensionamento, composizione e pipeline web

• Punti di forza: API Pythonica semplice; ampia copertura dei formati; eccellente per i flussi di lavoro web e dei documenti; attivamente mantenuta
• Considerazioni: Non è un sistema di visione artificiale completo; le prestazioni possono essere lente rispetto alle librerie vettoriali specializzate sui percorsi pesanti; le immagini non attendibili richiedono misure di sicurezza contro le bombe di decompressione e i codec

Visualizza la documentazione di Pillow

3. scikit-image

scikit-image è una raccolta curata di algoritmi per il filtraggio, la segmentazione, l’estrazione di caratteristiche, la morfologia, la misurazione, l’esposizione, il ripristino, le trasformazioni e le metriche di qualità delle immagini. La sua interfaccia basata su NumPy e gli esempi didattici lo rendono particolarmente forte per la ricerca, la microscopia e l’analisi scientifica riproducibile in cui conta il codice leggibile.

Migliore per: Analisi delle immagini scientifiche con un’API nativa NumPy

• Punti di forza: Chiara integrazione con NumPy; algoritmi scientifici e esempi eccellenti; convenzioni coerenti; strumenti di misurazione e morfologia solidi
• Considerazioni: Orientata principalmente al CPU; non progettata per la cattura della fotocamera o l’interfaccia utente dell’applicazione; gli utenti devono tenere traccia delle convenzioni dtype e dell’intervallo di intensità con attenzione

Visualizza la documentazione di scikit-image

4. torchvision

torchvision è la libreria di visione ufficiale nell’ecosistema PyTorch. Fornisce set di dati, architetture di modelli e pesi, operazioni su immagini e video e trasformazioni v2 consigliate che possono mantenere immagini, video, maschere, punti di riferimento e caselle delimitanti sincronizzati. È la scelta naturale quando l’elaborazione delle immagini fa parte di una pipeline di addestramento o inferenza PyTorch.

Migliore per: Trasformazioni di immagini PyTorch, set di dati, modelli di visione preaddestrati e pipeline di addestramento

• Punti di forza: Integrazione ufficiale PyTorch; modelli e set di dati preaddestrati; trasformazioni native dei tensori; supporto per caselle, maschere, punti di riferimento e video
• Considerazioni: Il valore migliore dipende da PyTorch; alcune funzionalità hanno lo stato di beta o prototipo; la copertura della visione artificiale tradizionale è più limitata rispetto a OpenCV

Visualizza la documentazione di torchvision

5. Kornia

Kornia implementa il filtraggio, la morfologia, la geometria, l’aumento, la rilevazione delle caratteristiche, la profondità, il colore e altre operazioni di visione come moduli PyTorch differenziabili. Ciò consente ai passaggi di elaborazione delle immagini classici di eseguire batch e acceleratori all’interno di una rete neurale restando parte del grafico autograd. È l’opzione principale quando l’aumento stesso deve essere addestrabile.

Migliore per: Visione artificiale differenziabile e trasformazioni accelerate da GPU in PyTorch

• Punti di forza: Operazioni differenziabili; tensori PyTorch nativi e autograd; batching su GPU; collegamento tra visione artificiale classica e profonda
• Considerazioni: Richiede lo stack PyTorch; l’API è più specializzata rispetto a Pillow o OpenCV; i vantaggi sono maggiori quando è richiesta la differenziazione o il batching degli acceleratori

Visualizza la documentazione di Kornia

6. AlbumentationsX / Albumentations

Albumentations è nota per le pipeline di aumento ricche che sincronizzano i cambiamenti spaziali attraverso immagini, maschere, caselle delimitanti, punti di riferimento e volumi. È potente per la classificazione, la rilevamento, la segmentazione, la posa e l’imaging medico. La licenza ora richiede un’attenzione esplicita: il pacchetto AlbumentationsX mantenuto a partire dalla versione 2.3.2 è disponibile solo con licenza AGPL-3.0 o con termini commerciali separati, mentre il pacchetto albumentations 2.0.8 archiviato rimane con licenza MIT.

Migliore per: Aumento dei dati ad alte prestazioni, consapevole dell’obiettivo per i modelli di visione

• Punti di forza: Grande catalogo di trasformazioni; sincronizzazione corretta dei bersagli multipli; solide linee guida per le prestazioni; flussi di lavoro 2D, video e volumetrici
• Considerazioni: Le opzioni di licenza attuali del pacchetto mantenuto potrebbero non adattarsi a ogni prodotto; le politiche di aumento possono corrompere le etichette se configurate in modo errato; visualizzare e testare sempre i campioni trasformati

Visualizza la documentazione di AlbumentationsX / Albumentations

7. ImageIO

ImageIO si concentra sulla lettura, la scrittura, l’iterazione e l’ispezione delle risorse delle immagini. La sua API v3 può caricare una vasta gamma di file e URI in array, scrivere array indietro attraverso plugin specifici del formato, gestire animazioni, video, dati medici e immagini volumetriche. È un eccellente compagno di I/O per NumPy, scikit-image, OpenCV e pipeline scientifiche.

Migliore per: Interfaccia unificata per immagini, animazioni, video, volumi e formati scientifici

• Punti di forza: Interfaccia di lettura/scrittura v3 semplice; ampia copertura dei formati basata su plugin; gestione di sequenze e volumi; compatibile con NumPy
• Considerazioni: Gli algoritmi di elaborazione sono al di fuori del suo scopo; il comportamento dipende dai backend installati come FFmpeg o Pillow; il nuovo codice dovrebbe evitare l’API legacy v2

Visualizza la documentazione di ImageIO

8. SimpleITK

SimpleITK espone un’interfaccia semplificata all’Insight Toolkit per immagini scientifiche e mediche multidimensionali. Include filtri, campionamento, segmentazione, registrazione, trasformazioni, flussi di lavoro DICOM e gestione accurata dell’origine, dello spazio e della direzione. Si classifica in alto per il lavoro clinico e volumetrico anche se è più specializzato delle librerie di immagini generali.

Migliore per: Immagini mediche, registrazione, segmentazione e analisi consapevole delle coordinate fisiche

• Punti di forza: Registrazione e segmentazione solide; supporto per formati 2D, 3D e medici; conservazione dei metadati delle immagini fisiche; fondazione ITK cross-linguaggio
• Considerazioni: Curva di apprendimento concettuale più ripida; le convenzioni degli assi degli array richiedono attenzione; non destinata alla modifica delle foto dei consumatori o alla grafica web generica

Visualizza la documentazione di SimpleITK

9. pyvips

pyvips collega la libreria di elaborazione delle immagini a richiesta libvips. Le operazioni possono essere valutate in modo pigro e trasmesse attraverso pipeline, spesso utilizzando molto meno memoria rispetto alle librerie che materializzano ogni immagine intermedia. È una scelta specializzata forte per fotografie molto grandi, immagini piramidali, miniature, conversione di formato e servizi di immagini ad alto throughput.

Migliore per: Immagini molto grandi, elaborazione a tile e server a basso utilizzo di memoria

• Punti di forza: Basso utilizzo di memoria; pipeline a thread veloci; gestione di immagini molto grandi e a tile; ampia copertura dei formati e gestione del colore
• Considerazioni: Richiede la libreria nativa libvips; l’esecuzione pigra differisce dai flussi di lavoro array-prima; comunità Python più piccola rispetto a Pillow o OpenCV

Visualizza la documentazione di pyvips

10. Mahotas

Mahotas è una libreria di visione artificiale focalizzata implementata in C++ ottimizzato con un’interfaccia NumPy. Fornisce morfologia, sogliatura, filtraggio, trasformazioni di distanza, componenti connessi, caratteristiche di texture e strumenti di punti di interesse. Rimane utile per pipeline scientifiche stabilite che richiedono questi algoritmi senza adottare un framework più ampio.

Migliore per: Morfologia compatta e rapida e estrazione di caratteristiche su array NumPy

• Punti di forza: Routine native veloce; array NumPy semplici; morfologia e estrazione di caratteristiche solide; profilo di dipendenza leggero
• Considerazioni: Ecosistema più piccolo e meno aggiornato; copertura degli algoritmi più limitata; risorse di documentazione e comunità al di sotto di scikit-image e OpenCV

Visualizza la documentazione di Mahotas

Come scegliere la libreria di elaborazione delle immagini Python giusta

Utilizza Pillow per le operazioni comuni sui file di immagini, OpenCV per la fotocamera/video e la visione classica, e scikit-image per l’analisi scientifica. Scegli torchvision per i set di dati PyTorch, le trasformazioni e i modelli di visione preaddestrati, Kornia quando le trasformazioni devono essere differenziabili, ImageIO quando l’I/O del formato è il bisogno principale, e SimpleITK per i volumi e la registrazione medica. pyvips è l’opzione specializzata per i file troppo grandi per essere elaborati comodamente in memoria.

Prima di impegnarsi, testa i file e i casi limite reali: orientamento EXIF, canali alpha, profili di colore, profondità di bit, intervalli dtype, input danneggiati, dimensioni molto grandi, formati multiframe e conservazione dei metadati. Per l’aumento dell’apprendimento automatico, visualizza le caselle, le maschere e i punti di riferimento dopo ogni trasformazione spaziale. Tratta le immagini come input non attendibili nei servizi pubblici, imponi limiti di pixel e di dimensioni dei file, mantieni i codec aggiornati e verifica la licenza di ogni dipendenza.