SciPy库本身是针对科学计算而不是图像处理的，只是图像处理也包含了很多数学计算，
所以Scipy也提供了一个专门的模块ndimage用于图像处理。
ndimage模块提供的功能包括输入/输出图像、显示图像、基本操作（如裁剪、翻转、旋转等）、图像过滤（如去噪、锐化等）、图像分割、分类、特征提取以及注册/配准等任务。
这个模块支持多种图像格式的读取和写入，使得对图像的处理变得方便快捷。
1. 主要功能
虽然图像处理不是Scipy的主要目的，Scipy中也提供了70多个各类图像处理函数。
| 类别 | 主要函数 | 说明 |
|---|---|---|
| 过滤器 | 包含convolve等20多个函数 | 各类卷积和滤波相关的计算函数 |
| 傅立叶滤波器 | 包含fourier_ellipsoid等4个函数 | 多维椭球傅里叶，高斯傅里叶等滤波器 |
| 图像插值 | 包含affine_transform等8个函数 | 图像的反射变换，移动，旋转等相关函数 |
| 图像测量 | 包含center_of_mass等将近20个函数 | 计算图像几何特征的相关函数 |
| 形态学 | 包含binary_closing等20多个函数 | 图像的侵蚀，膨胀，二元开闭运算等等 |
图像处理底层函数专业性较强，下面结合图片演示一些比较直观的例子。
2. 边缘检测
图像边缘检测 在计算机视觉和图像处理中是非常重要的任务之一。
边缘是图像中像素值发生显著变化的地方，它可以提供有关图像的重要信息，例如物体的轮廓、边界等。
ndimage模块中提供了多种算法来检测边缘，下面演示三种不同的边缘检测算法的效果：
（示例中所用的图片是维基百科上找的一个python logo）
2.1. sobel算法
python
import matplotlib.pyplot as plt
import cv2
from scipy import ndimage
image = plt.imread("d:/share/python-logo.png")
# 图像灰度化
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 使用索贝尔边缘检测算法
name = "sobel"
edges = ndimage.sobel(gray)
# 显示原始图像和边缘检测结果
fig, ax = plt.subplots(1, 3, figsize=(8, 4))
ax[0].imshow(image)
ax[0].set_title("原始图像")
ax[1].imshow(gray, cmap="gray")
ax[1].set_title("灰度图像")
ax[2].imshow(edges, cmap="gray")
ax[2].set_title("边缘检测({}算法)".format(name))
plt.show()
2.2. prewitt算法
代码和上面的类似，不同的部分就下面两行。
python
# 使用prewitt边缘检测算法
name = "prewitt"
edges = ndimage.prewitt(gray)
2.3. laplace算法
上面两种算法的效果看上去很类似，laplace算法的结果看上去比上面两种效果更好一些。
python
name = "laplace"
edges = ndimage.laplace(gray)
3. 侵蚀和膨胀
侵蚀和膨胀是最基本的两种图像形态学操作，它们的作用用来增强目标特征。
仍然使用上面的python logo图片，演示侵蚀和膨胀的操作。
python
import matplotlib.pyplot as plt
import cv2
from scipy import ndimage
image = plt.imread("d:/share/python-logo.png")
# 图像灰度化
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 图像侵蚀
structure = ndimage.generate_binary_structure(2, 2)
erosion = ndimage.binary_erosion(image, structure)
# 图像膨胀
dilation = ndimage.binary_dilation(image, structure)
# 显示原始图像、侵蚀图像和膨胀图像
fig, ax = plt.subplots(1, 3, figsize=(8, 4))
ax[0].imshow(image, cmap="gray")
ax[0].set_title("灰度图像")
ax[1].imshow(erosion, cmap="gray")
ax[1].set_title("图像--侵蚀")
ax[2].imshow(dilation, cmap="gray")
ax[2].set_title("图像--膨胀")
plt.show()
简单来说，侵蚀操作会扩张图像中黑色的区域，反之，膨胀操作会扩张图像中白色的区域。
直观上来看的话，侵蚀变瘦 了，膨胀变胖了。
4. 总结
Scipy的图像模块 本质上是把图像当作数组来处理，
虽然它不是专门的图像处理库，不过它处理速度很快，且和numpy等库结合紧密，
经常处理图像的朋友可以把它当成一个辅助的工具。