SciPy庫本身是針對科學計算而不是影象處理的，只是影象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組ndimage用於影象處理。

ndimage模組提供的功能包括輸入/輸出影象、顯示影象、基本操作（如裁剪、翻轉、旋轉等）、影象過濾（如去噪、銳化等）、影象分割、分類、特徵提取以及註冊/配準等任務。

這個模組支援多種影象格式的讀取和寫入，使得對影象的處理變得方便快捷。

1. 主要功能

雖然影象處理不是Scipy的主要目的，Scipy中也提供了70多個各類影象處理常式。

影象處理底層函數專業性較強，下面結合圖片演示一些比較直觀的例子。

2. 邊緣檢測

影象邊緣檢測在計算機視覺和影象處理中是非常重要的任務之一。
邊緣是影象中畫素值發生顯著變化的地方，它可以提供有關影象的重要資訊，例如物體的輪廓、邊界等。

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

2.1. sobel演演算法

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

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

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

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

2.2. prewitt演演算法

程式碼和上面的類似，不同的部分就下面兩行。

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

2.3. laplace演演算法

上面兩種演演算法的效果看上去很類似，laplace演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影象形態學操作，它們的作用用來增強目標特徵。
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")
# 影象灰度化
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 影象侵蝕
structure = ndimage.generate_binary_structure(2, 2)
erosion = ndimage.binary_erosion(image, structure)

# 影象膨脹
dilation = ndimage.binary_dilation(image, structure)

# 顯示原始影象、侵蝕影象和膨脹影象
fig, ax = plt.subplots(1, 3, figsize=(8, 4))
ax[0].imshow(image, cmap="gray")
ax[0].set_title("灰度影象")
ax[1].imshow(erosion, cmap="gray")
ax[1].set_title("影象--侵蝕")
ax[2].imshow(dilation, cmap="gray")
ax[2].set_title("影象--膨脹")
plt.show()

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

4. 總結

Scipy的影象模組本質上是把影象當作陣列來處理，
雖然它不是專門的影象處理庫，不過它處理速度很快，且和numpy等庫結合緊密，
經常處理影象的朋友可以把它當成一個輔助的工具。