SciPy庫本身是針對科學計算而不是圖像處理的，只是圖像處理也包含了很多數學計算，
所以Scipy也提供了一個專門的模塊ndimage用於圖像處理。

ndimage模塊提供的功能包括輸入/輸出圖像、顯示圖像、基本操作（如裁剪、翻轉、旋轉等）、圖像過濾（如去噪、銳化等）、圖像分割、分類、特征提取以及註冊/配準等任務。

這個模塊支持多種圖像格式的讀取和寫入，使得對圖像的處理變得方便快捷。

1. 主要功能

雖然圖像處理不是Scipy的主要目的，Scipy中也提供了70多個各類圖像處理函數。

圖像處理底層函數專業性較強，下麵結合圖片演示一些比較直觀的例子。

2. 邊緣檢測

圖像邊緣檢測在電腦視覺和圖像處理中是非常重要的任務之一。
邊緣是圖像中像素值發生顯著變化的地方，它可以提供有關圖像的重要信息，例如物體的輪廓、邊界等。

ndimage模塊中提供了多種演算法來檢測邊緣，下麵演示三種不同的邊緣檢測演算法的效果：
（示例中所用的圖片是維基百科上找的一個python logo）

2.1. sobel演算法

import matplotlib.pyplot as plt
import cv2
from scipy import ndimage

image = plt.imread("d:/share/python-logo.png")
# 圖像灰度化
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 使用索貝爾邊緣檢測演算法
name = "sobel"
edges = ndimage.sobel(gray)

# 顯示原始圖像和邊緣檢測結果
fig, ax = plt.subplots(1, 3, figsize=(8, 4))
ax[0].imshow(image)
ax[0].set_title("原始圖像")
ax[1].imshow(gray, cmap="gray")
ax[1].set_title("灰度圖像")
ax[2].imshow(edges, cmap="gray")
ax[2].set_title("邊緣檢測({}演算法)".format(name))
plt.show()

2.2. prewitt演算法

代碼和上面的類似，不同的部分就下麵兩行。

# 使用prewitt邊緣檢測演算法
name = "prewitt"
edges = ndimage.prewitt(gray)

2.3. laplace演算法

上面兩種演算法的效果看上去很類似，laplace演算法的結果看上去比上面兩種效果更好一些。

name = "laplace"
edges = ndimage.laplace(gray)

3. 侵蝕和膨脹

侵蝕和膨脹是最基本的兩種圖像形態學操作，它們的作用用來增強目標特征。
仍然使用上面的python logo圖片，演示侵蝕和膨脹的操作。

import matplotlib.pyplot as plt
import cv2
from scipy import ndimage

image = plt.imread("d:/share/python-logo.png")
# 圖像灰度化
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 圖像侵蝕
structure = ndimage.generate_binary_structure(2, 2)
erosion = ndimage.binary_erosion(image, structure)

# 圖像膨脹
dilation = ndimage.binary_dilation(image, structure)

# 顯示原始圖像、侵蝕圖像和膨脹圖像
fig, ax = plt.subplots(1, 3, figsize=(8, 4))
ax[0].imshow(image, cmap="gray")
ax[0].set_title("灰度圖像")
ax[1].imshow(erosion, cmap="gray")
ax[1].set_title("圖像--侵蝕")
ax[2].imshow(dilation, cmap="gray")
ax[2].set_title("圖像--膨脹")
plt.show()

簡單來說，侵蝕操作會擴張圖像中黑色的區域，反之，膨脹操作會擴張圖像中白色的區域。
直觀上來看的話，侵蝕變瘦了，膨脹變胖了。

4. 總結

Scipy的圖像模塊本質上是把圖像當作數組來處理，
雖然它不是專門的圖像處理庫，不過它處理速度很快，且和numpy等庫結合緊密，
經常處理圖像的朋友可以把它當成一個輔助的工具。