Python’da Görüntü İşleme için En İyi 10 Kütüphane

Python’da görüntü işleme; günlük düzenleme, bilimsel ölçüm, video analizi, model eğitimi için veri artırma ve büyük görüntü işleme hatları gibi pek çok alanı kapsar. Bu iş yükleri farklı araçlar gerektirir. Küçük görseller oluşturmada başarılı bir kütüphane, araştırma amaçlı bir hacim için gereken uzamsal bilgiyi koruyamayabilir. GPU’da dönüşüm uygulayan bir kütüphane ise küçük bir web hizmetine gereksiz karmaşıklık katabilir.

Bu 10 kütüphaneyi yetenekleri, veri kuralları, entegrasyon gereksinimleri ve pratik sınırlamaları açısından bağımsız olarak değerlendirdik; güncel resmî belgelerini de inceledik. Genel amaçlı bilgisayarlı görüde OpenCV, günlük raster görüntü düzenlemede Pillow, bilimsel analizde ise scikit-image öne çıkıyor. Sıralama, yeni bir uygulamalı hız testine değil, bu kullanım alanlarına ilişkin editoryal değerlendirmemize dayanıyor.

Bazı kütüphaneler birlikte kullanıldığında daha iyi sonuç verir: ImageIO kaynakları yönetir, SciPy sayısal işlemleri sağlar, analiz işini ise daha üst düzey bir kütüphane üstlenir. Görüntülerinizin anlamını girdi aşamasından çıktıya kadar koruyan küçük bir araç bileşimi seçin.

En İyi Python Görüntü İşleme Kütüphanelerinin Karşılaştırması

1. OpenCV

Görüntü işleme, daha kapsamlı bir bilgisayarlı görü uygulamasının parçası olduğunda ilk önerimiz OpenCV’dir. Python arayüzü filtreleme, geometrik dönüşümler, özellik algılama, kamera kalibrasyonu ve video analizini kapsar. Bu kapsam sayesinde OpenCV, tek bir dosyayı dönüştürmek yerine aynı projede bir görüntüyü temizlemek, yapıları tespit etmek ve bir kare akışını işlemek gerektiğinde kullanışlıdır.

Entegrasyonda dikkat edilmesi gereken temel nokta, görüntünün nasıl temsil edildiğidir. OpenCV’de renkli görüntüleri yükleyen yaygın yöntemler BGR sıralamasını kullanırken, çevredeki birçok araç RGB bekler. Kütüphaneler arasındaki geçişlerde açıkça dönüşüm yapmak, ikna edici görünen ancak yanlış sonuçları önler. Ayrıca tam sayı ile kayan noktalı değerleri ve bir işlevin gri tonlamalı mı yoksa çok kanallı mı görüntü beklediğini takip edin; boyutları doğru olan bir dizi, anlamsal açıdan mutlaka doğru olmayabilir.

Kamera iş akışları ve genel bilgisayarlı görü mühendisliği için OpenCV’yi, temel görüntü düzenleme içinse genellikle daha basit olan Pillow’ı öneriyoruz. Dağıtımdan önce kurulu derlemeyi gerekli video kaynakları, kodekler ve isteğe bağlı işlevlerle test edin. Yerel bir JPEG üzerinde işlemin başarıyla tamamlanması, üretim ortamındaki bir kameranın veya kodlanmış bir akışın da aynı şekilde çalışacağını göstermez. Gerçek zamanlı performansı değerlendirirken çözme, işleme ve çıktıyı birlikte ölçün.

OpenCV’yi keşfedin

2. Pillow

Pillow; küçük resimler oluşturma, kırpma, biçim dönüştürme, birleştirme ve metin ekleme gibi yaygın raster görüntü işlemleri için kullanışlı bir başlangıç noktasıdır. Görüntü nesneleriyle çalışmaya yönelik yalın arayüzü, birçok betik ve web hizmetinde kapsamlı bir bilgisayarlı görü altyapısına kıyasla daha kolay anlaşılır. Gereksinim bir görüntüyü hazırlamak veya sunmak olduğunda, basitliği çoğu zaman en büyük avantajıdır.

Görüntü modları ve meta veriler, yeniden boyutlandırma işleminin kendisi kadar dikkat gerektirir. RGB, gri tonlamalı, paletli ve alfa kanalı içeren görüntüler farklı biçimlerde işlenmeyi gerektirebilir; yön meta verileri de bir fotoğrafın nasıl görünmesi gerektiğini etkileyebilir. İş akışınızda saydamlığı, renk profillerini ve çıktı kalitesini nasıl ele alacağınıza karar verin. Başarıyla açılan bir dosya, dönüştürme işlemi eksik kaldığında yine de hatalı görünebilir.

Görüntü boyutlarının makul düzeyde olduğu sıradan düzenleme iş akışları için Pillow’ı öneriyoruz. Çıktıyı kontrol ederken saydam öğeler ve yön meta verileri içeren fotoğraflar da dahil olmak üzere temsili girdiler kullanın. Kullanıcıların yüklediği dosyalarda açma sınırlarını ve desteklenen codec’leri göz önünde bulundurun; her biçimin tüm meta verileri koruduğunu varsaymayın. Yoğun bilimsel ölçümler, gerçek zamanlı izleme veya sıkı bellek sınırları altında çok büyük görüntüleri işleme söz konusu olduğunda, aşağıdaki başka bir kitaplık temel bileşen olarak daha uygun olabilir.

Pillow’ı keşfedin

3. scikit-image

scikit-image, NumPy ekosisteminde bilimsel görüntü analizi için tercih ettiğimiz genel amaçlı başlangıç noktasıdır. Bölütleme, morfoloji, iyileştirme, öznitelik çıkarımı ve ölçüm için algoritmalar sunar. Ara dizilerin incelenebildiği, anlaşılır bir analiz iş akışı sağlaması onu mikroskopi, deneysel görüntüleme ve bir sonucu anlamanın onu elde etmek kadar önemli olduğu projeler için kullanışlı kılar.

Doğru kullanım için veri türlerine ilişkin kurallarını anlamak şarttır. Tamsayı türündeki bir görüntüyü kayan noktalı sayılara dönüştürmek, yoğunluklarını bir algoritmanın beklediği aralığa ölçeklendirmekle her zaman aynı sonucu vermez. Her işlevin belgelenmiş varsayımlarını kontrol edin ve uygun dönüştürme araçlarını kullanın. Görsel açıdan makul görünen bir çıktı; eşikleri, mesafeleri veya sonraki aşamalardaki ölçümleri değiştiren sayısal bir hatayı gizleyebilir.

Yerleşik işlemlerden yararlanarak bir analiz iş akışı oluşturmak ve bunu açıklamak istiyorsanız scikit-image’ı tercih edin. Bölütleme ve ölçümlerin doğruluğunu yalnızca görsel açıdan etkileyici bir çıktıya bakarak değil, temsili örneklerle karşılaştırarak doğrulayın. Bu kitaplık, kamera yakalama sistemi değildir ve fiziksel koordinatları esas alan özel bir görüntü modelinin yerini tutmaz. Hacimsel verilerde, dizi boyunca bir işlem uygulamadan önce hangi eksenlerin uzamsal boyutları, hangilerinin kanal veya zamanı temsil ettiğini belirleyin.

scikit-image’ı keşfedin

4. torchvision

Görüntü işleme bir PyTorch görüntü modeline girdi sağlıyorsa doğal ilk seçenek torchvision’dır. Dönüşümleri, görüntüleri ve bunlarla ilişkili açıklama verilerini aynı eğitim iş akışında hazırlayarak ayrı ön işleme koduna duyulan ihtiyacı azaltabilir. Daha geniş kapsamlı kitaplık veri kümeleri ve görüntü modelleri de sunar; ancak burada en ilgili bileşen, model girdilerini işleyen dönüşüm katmanıdır.

Güncel belgelerde torchvision.transforms.v2 kullanılması öneriliyor. Bu dönüşümler görüntülerin yanı sıra sınırlayıcı kutular, maskeler, videolar ve kilit noktalar gibi hedefleri de işler. Böylece kırpma veya çevirme işleminin hem piksellere hem de etiketlere uygulanması sağlanır. Uygun girdi türlerini kullanın ve dönüştürülen açıklama verilerini görsel olarak doğrulayın. Görüntüye ve maskesine birbirinden bağımsız, rastgele dönüşümler uygulamak eğitim verilerinin tutarlılığını bozar.

Desteklediği dönüşümler görevinizi karşılıyorsa ve projeniz zaten PyTorch’a bağlıysa torchvision’ı öneriyoruz. Tensörün şeklini, veri türünü ve değer aralığını; ayrıca seçilen model ağırlıklarının gerektirdiği ön işlemeyi kontrol edin. Değerlendirme açıkça başka bir yaklaşım gerektirmiyorsa doğrulama dönüşümlerini deterministik tutun. Bu sıralamadaki yeri, her koşulda daha hızlı olmasından değil, kolay entegrasyon sağlamasından kaynaklanır. Performans; görüntü boyutuna, bellek düzenine, veri yükleme sürecine ve dönüşümlerin nerede yürütüldüğüne bağlıdır.

torchvision’ı keşfedin

5. Kornia

Kornia, görüntü işleme işlemlerinin ayrı bir ön işleme betiği olarak çalıştırılmak yerine PyTorch hesaplamalarına dahil edilmesi gerektiğinde özellikle değerlidir. Geometri, filtreleme, renk, özellik eşleştirme ve artırma alanlarını kapsayan tensör tabanlı görüntü işleme işlemleri sunar. Bu işlemlerin çoğu türevlenebilirliği destekler; böylece optimizasyon hedefi, ön işlemeyi sabit ve harici bir adım olarak ele almak yerine dönüştürülmüş görüntülere bağlı olabilir.

Toplu yürütme modeli, veriler zaten bir hızlandırıcıda bulunuyorsa da yararlı olabilir. Ancak bir işlemi GPU’ya taşımak her zaman avantaj sağlamaz: aktarımlar, toplu iş boyutu, bellek tahsisi ve çevresindeki işlemler toplam çalışma süresini etkiler. Gerçekçi bir iş yüküyle tüm işlem hattını karşılaştırın. Optimizasyonunuzun gerçekten ihtiyaç duyduğu belirli işlemlerin ve parametrelerin türevlenebilirlik davranışını kontrol edin.

Kornia’yı türevlenebilir geometri, öğrenme sistemleri ve tensör tabanlı görüntü işleme iş akışları için öneriyoruz. Yalnızca birkaç küçük resim oluşturan bir betik için genellikle gereksiz bir ek yüktür. Başka bir kütüphaneye bağlarken tensör düzenini, yoğunluk aralıklarını ve koordinat kurallarını doğrulayın. Gradyanlar mevcut olsa bile hedef fonksiyonun veya başlangıç değerlerinin yetersiz olması optimizasyonun başarısız olmasına yol açabilir; türevlenebilirlik yararlı bir özelliktir, ancak doğru bir görüntü çakıştırmasını veya öğrenilmiş dönüşümü garanti etmez.

Kornia’yı keşfedin

6. AlbumentationsX

AlbumentationsX, bilgisayarlı görü eğitim verileri için çeşitli artırma politikaları oluşturmakta uzmanlaşmış güçlü bir seçenektir. Birleştirilebilir dönüşümleri, görüntülere ve maskeler, kutular ve anahtar noktalar dahil ilişkili hedeflerine tutarlı biçimde uzamsal değişiklikler uygulayabilir. Bu eşgüdüm, yalnızca çok sayıda görsel efekt sunmaktan daha önemlidir: kırpma, döndürme veya diğer geometrik değişikliklerden sonra eğitim örneklerinin etiketleri doğru kalmalıdır.

Hedeflenen ortamdaki olası değişiklikleri yansıtan artırmalarla başlayın. Dönüştürülmüş örnekleri inceleyin; kırpılan nesnelerin, boş maskelerin ve kısmen görünür açıklamaların nasıl ele alındığını kontrol edin. Daha güçlü artırma her zaman daha iyi sonuç vermez: bir işlem sinyali silebilir, etiketin anlamını değiştirebilir veya modelin karşılaşacağı örneklere hiç benzemeyen veriler oluşturabilir. Politikanın etkisini bağımsız bir doğrulama kümesinde ölçün.

Bakımı sürdürülen paketin lisans durumu, eski Albumentations sürümlerinden farklıdır. Güncel resmî belgelerde AlbumentationsX, AGPL-3.0-only veya ayrı ticari koşullar kapsamında sunulmaktadır. Eski bir MIT lisansı açıklamasının yeni bir kurulum için geçerli olduğunu varsaymayın. Kullanıma almadan önce paketin ve sürümün tam olarak hangisi olduğunu inceleyin. Teknik açıdan yararlı olduğu için bu seçeneği listemizde tutuyoruz; ancak özellikleri veya lisans koşulları projeye daha uygun olduğunda torchvision’ı ya da başka bir uygun alternatifi öneriyoruz.

AlbumentationsX’i keşfedin

7. SciPy ndimage

Pek çok görev çok boyutlu diziler üzerinde yapılan işlemlerle başladığından, SciPy’nin ndimage modülü genel amaçlı bir görüntü işleme araç setinde yer almayı hak eder. Bir model eğitimi çatısı gerektirmeden filtreleme, matematiksel morfoloji, enterpolasyon, etiketleme ve ölçüm araçları sunar. Görüntülerin, NumPy ve SciPy kullanan daha kapsamlı bir bilimsel hesaplamanın yalnızca bir parçası olduğu durumlarda özellikle kullanışlıdır.

Düşük seviyeli yaklaşımı, geliştiricilere daha üst düzey arayüzlerin gizleyebileceği sayısal ayrıntılar üzerinde denetim sağlar. Sınırların ele alınma biçimi, enterpolasyon derecesi, çıktı veri türü ve işlenen eksenler sonucu değiştirebilir. Önemli iş akışlarında bu seçenekleri açıkça belirleyin. Bir renk kanalının veya zaman ekseninin yanlışlıkla başka bir uzamsal boyutmuş gibi yumuşatılmasına izin vermeyin.

Hacimsel işleme de dahil olmak üzere yeniden kullanılabilir sayısal yapı taşları için ndimage’ı, daha üst düzey birçok analiz iş akışı içinse scikit-image’ı öneriyoruz. Bu ikisi yalnızca birinin tercih edilmesini gerektiren rakipler değil, birbirini tamamlayan araçlar olabilir. Bu modül eksiksiz bir görüntü dosyası veya uzamsal meta veri sistemi sunmadığından, bu gereksinimleri uygulamanın başka bir bölümünde karşılayın. Özellikle sınır davranışının veya etiket bağlantılılığının ölçümü etkilediği durumlarda, bir işlemi büyük bir veri kümesine uygulamadan önce beklenen sonuçları bilinen küçük dizilerle test edin.

SciPy ndimage’ı keşfedin

8. ImageIO

ImageIO, görüntü verilerini dizi tabanlı bir iş akışına aktarma ve bu iş akışından dışarı çıkarma konusunda önemli bir yardımcı rol üstlenir. v3 arayüzü; okuma, yazma, yineleme ve inceleme işlemleri sunarken, temel kaynakları ve biçimleri eklentiler yönetir. Analiz kodunun her kod çözücü ayrıntısından sorumlu olmasını gerektirmeden dosya tabanlı girdileri NumPy veya scikit-image ile yapılan analizlere bağlayabilir.

Birleşik bir arayüz, tüm eklentilerin aynı şekilde davrandığı anlamına gelmez. Biçim desteği, üstveriler, kare seçimi ve isteğe bağlı bağımlılıklar farklılık gösterebilir. Tekrarlanabilirliğin önemli olduğu durumlarda eklentiyi belirtip sınayın; tek bir görüntüyü bir dizi veya hacimden ayırt edin. Biçime ve ardından yapılacak işleme bağlı olarak, tüm kaynağı belleğe yüklemek yerine kareler üzerinde yineleme yapmak daha uygun olabilir.

ImageIO’yu bölümleme, filtreleme veya geometri kitaplıklarının yerine değil, bunları tamamlayan bir G/Ç aracı olarak öneriyoruz. Olağandışı bit derinliklerine sahip dosyalar ve çok sayfalı girdiler de dahil olmak üzere temsili dosyaları gerçek dağıtım ortamında doğrulayın. Bir çıktının yazılıp yeniden açıldığında uygulamanın gerektirdiği değerleri ve üstverileri koruduğunu kontrol edin. Başarılı kod çözme tek başına, bilimsel veya makine öğrenimi işlem hattının geri kalanının amaçlanan gösterimi aldığına dair yeterli kanıt değildir.

ImageIO’yu keşfedin

9. SimpleITK

Bir görüntü yalnızca ekranda gösterilen piksellerden oluşan bir ızgarayı değil, fiziksel bir bölgeyi temsil ettiğinde önerdiğimiz özel amaçlı araç SimpleITK’tir. Görüntü modeli; boyut ve piksel değerlerinin yanı sıra başlangıç noktasını, aralıkları ve yönü de içerir. Mesafelerin ve yönelimin görüntülerin nasıl hizalanması, yeniden örneklenmesi ve ölçülmesi gerektiğini etkilediği tıbbi ve bilimsel hacimlerde bu özellik özellikle önemlidir.

Aynı şekle sahip iki dizi farklı fiziksel konumları tanımlayabilir. Bu nedenle işleme sırasında geometrinin korunması, değerlerin kendilerinin korunması kadar önemlidir. SimpleITK görüntüleri ile NumPy dizileri arasında dönüşüm yaparken eksen kurallarına ve üstverilere dikkat etmek gerekir. Kesit görüntüleyicide doğru görünen bir işlem bile uzamsal bilgiler kaybolursa hacmin yanlış konumlandırılmasına veya ölçeklendirilmesine yol açabilir.

Açıkça tanımlanmış bu görüntü modelinden yararlanan görüntü çakıştırma ve uzamsal analiz iş akışları için SimpleITK’i öneriyoruz. Sıradan web görüntülerinde günlük kullanım için gerekenden daha özelleşmiştir. Birimleri tutarlı biçimde belirleyin, dönüştürülmüş geometrileri inceleyin ve yeniden örneklemeyi bilinen işaret noktaları ya da uygun başka referanslarla sınayın. Kitaplık, görüntü hesaplamaları için araçlar sunar; ancak bilimsel bir sonucun geçerliliğini kanıtlamaz ve kendi alanına özgü doğrulama yapılmadan bir işleme hattını klinik kullanıma uygun hâle getirmez.

SimpleITK’i keşfedin

10. pyvips

Görüntü boyutu veya işleme hacmi, basit bir yükle-düzenle-kaydet iş akışını fazla maliyetli hâle getiriyorsa pyvips’i değerlendirmeye değer. libvips’i Python üzerinden kullanıma açar ve pikselleri yalnızca çıktı istendiğinde işleyen işlem hatları oluşturur. Bu yaklaşım, her ara görüntüyü bellekte oluşturma gereksinimini azaltabilir; bu da pyvips’i kapsamlı görüntü sunma veya toplu işleme iş yükleri için cazip kılar.

Erişim biçimleri, çalışma davranışının temel unsurlarındandır. Belgeler, sıralı erişim ile rastgele erişimi birbirinden ayırır ve bir dosya yüklendiğinde başlangıçta tüm piksellerin hemen kodunun çözülmesi yerine yalnızca başlığının okunduğunu açıklar. Ardından yapılacak işlemlere uygun bir erişim biçimi seçin. Büyük bir görüntüyü eksiksiz bir NumPy dizisine dönüştürmek, tembel bir işlem hattı kullanma kararının ardındaki bellek avantajını ortadan kaldırabilir.

Kod çözme, bellek baskısı veya tekrarlanan görüntü işlemleri darboğaz oluşturuyorsa pyvips’i öneriyoruz. Üretim ortamındaki makinede yüklü libvips özelliklerini ve gerekli biçim desteğini doğrulayın; ardından en yüksek bellek kullanımını ve toplam işlem süresini ölçün. Özellikle diziye sınırsız erişim gerektirenler başta olmak üzere, her algoritma için otomatik olarak en iyi seçenek değildir. Burada yer alması, seçenekler listemizi model eğitimi ve küçük görüntülerin ötesine taşıyarak görüntü işlem hatlarını büyük ölçekte çalıştırmanın pratik maliyetlerini de kapsar.

pyvips’i keşfedin

Bir İşlem Hattını Aksatabilecek Görüntü Özellikleri

• Renk ve kanallar: RGB ile BGR, gri tonlama ile renkli görüntü arasındaki farkları ve alfa kanalının nasıl temsil edildiğini kaydedin. Kütüphaneler arasındaki geçişlerde dönüşümleri bilinçli olarak yapın.
• Veri türleri ve aralıklar: Bir diziyi kayan noktalı sayılara dönüştürmek, değerleri mutlaka normalleştirmez. Bilimsel açıdan anlamlı değerleri koruyun ve verileri alacak işlevin beklentilerine uyun.
• Eksenler ve geometri: Yükseklik, genişlik, kanal, zaman ve derinlik boyutlarını birbirinden ayırın. Uzamsal görüntülerde aralık, başlangıç noktası, yön ve tutarlı birimleri koruyun.
• Enterpolasyon: Kategorik maskeleri sürekli yoğunluk değerlerine sahip görüntülerden farklı şekilde ele alın. Bir fotoğraf için uygun olan enterpolasyon yöntemi, segmentasyon maskesine geçersiz etiket değerleri ekleyebilir.
• Üst veriler ve yönlendirme: Renk profillerini, yönlendirme etiketlerini ve saydamlığı, baştan sona bir okuma, işleme ve yazma döngüsünde sınayın. Çıktıda hangi üst verilerin korunması gerektiğini belirleyin.
• Eğitim hedefleri: Artırma işleminden sonra sınırlayıcı kutuları, maskeleri ve kilit noktaları görselleştirin. Uzamsal açıdan tutarlı dönüşümler bile, politika etiketlerin anlamını değiştiriyorsa uygun olmayan örnekler oluşturabilir.

Performans ve Bakım Nasıl Karşılaştırılır?

Temsili görüntü boyutları ve biçimleriyle iş akışlarının tamamını kıyaslayın. Kod çözme, kopyalama, aygıtlar arası aktarım, işleme ve kodlamayı kapsayın; geçen sürenin yanı sıra en yüksek bellek kullanımını da kaydedin. Dosyanın kodunun çözülmesi işlemin büyük bölümünü oluşturuyorsa hızlı bir filtrenin etkisi sınırlı kalabilir; tembel yüklenen bir görüntüyü tam bir diziye dönüştürmek de bellek kullanım profilini önemli ölçüde değiştirebilir.

Uyumlu sürümleri sabitleyin ve isteğe bağlı kodeklerin veya eklentilerin dağıtım makinesinde çalıştığını doğrulayın. Veri artırma için, güncel paket koşullarına ilişkin başvurulacak kaynak AlbumentationsX’in resmî lisans kılavuzudur. Daha eski bir paketten veya eğitim içeriğinden kopyalanmış lisans açıklamalarına güvenmeyin.

İşlenen veriler bir modele aktarılacaksa modelleme katmanını seçmek için Python makine öğrenmesi kütüphanesi kılavuzumuzdan, sinir ağı iş akışları içinse derin öğrenme kütüphaneleri karşılaştırmamızdan yararlanın. Görüntü ön işlemeyi eğitim ve çıkarım aşamalarında tutarlı biçimde uygulayın.

Hangi Görüntü İşleme Kütüphanesini Seçmelisiniz?

Genel amaçlı görüntü işleme ve video için OpenCV ile, günlük görüntü düzenleme işleri için Pillow ile veya bilimsel analiz için scikit-image ile başlayın. Çok boyutlu sayısal işlemleri açıkça belirtmeniz gerektiğinde SciPy ndimage’ı, eksik olan kaynak yükleme ve yazma işlevleriyse ImageIO’yu ekleyin.

PyTorch projelerinde standart ön işleme ve hedefleri eşzamanlı dönüştürme için torchvision’ı, türevlenebilir veya yığınlanmış tensör işlemlerinin önemli olduğu durumlarda ise Kornia’yı deneyin. Paket koşullarını kontrol edip ortaya çıkan örnekleri doğruladıktan sonra daha kapsamlı artırma politikaları için AlbumentationsX’i değerlendirin.

Fiziksel geometrinin görüntü için temel önem taşıdığı durumlarda SimpleITK’ı, büyük görüntüleri işlerken farklı bir bellek stratejisi gerektiğinde ise pyvips’i kullanın. En iyi seçim, uygulamanızın ihtiyaç duyduğu verileri korurken işleme ve dağıtım maliyetlerinin anlaşılır olmasını sağlar.