第 1 章　基本的影象操作和處理

本章講解操作和處理影象的基礎知識，將通過大量示例介紹處理影象所需的 Python 工具包，並介紹用於讀取影象、影象轉換和縮放、計算導數、畫圖和儲存結果等的基本工具。這些工具的使用將貫穿本書的剩餘章節。

1.1　PIL：Python影象處理類庫

PIL（Python Imaging Library Python，影象處理類庫）提供了通用的影象處理功能，以及大量有用的基本影象操作，比如影象縮放、裁剪、旋轉、顏色轉換等。PIL 是免費的，可以從 http://www.pythonware.com/products/pil/ 下載。

利用 PIL 中的函式，我們可以從大多數影象格式的檔案中讀取資料，然後寫入最常見的影象格式檔案中。PIL 中最重要的模組為 Image

from PIL importImage
pil_im =Image.open(’empire.jpg’)

上述程式碼的返回值 pil_im 是一個 PIL 影象物件。

影象的顏色轉換可以使用 convert() 方法來實現。要讀取一幅影象，並將其轉換成灰度影象，只需要加上 convert('L')，如下所示：

pil_im =Image.open('empire.jpg').convert('L')

圖 1-1：用 PIL 處理影象的例子

1.1.1　轉換影象格式

通過 save() 方法，PIL 可以將影象儲存成多種格式的檔案。下面的例子從檔名列表（filelist

from PIL importImage
import os
for infile in filelist:
  outfile = os.path.splitext(infile)[0]+".jpg"
  if infile != outfile:
    try:
      Image.open(infile).save(outfile)
    exceptIOError:
      print"cannot convert", infile

PIL 的 open() 函式用於建立 PIL 影象物件，save() 方法用於儲存影象到具有指定檔名的檔案。除了字尾變為“.jpg”，上述程式碼的新檔名和原檔名相同。PIL 是個足夠智慧的類庫，可以根據副檔名來判定影象的格式。PIL 函式會進行簡單的檢查，如果檔案不是 JPEG 格式，會自動將其轉換成 JPEG 格式；如果轉換失敗，它會在控制檯輸出一條報告失敗的訊息。

本書會處理大量影象列表。下面將建立一個包含資料夾中所有影象檔案的檔名列表。首先新建一個檔案，命名為 imtools.py，來儲存一些經常使用的影象操作，然後將下面的函式新增進去：

import os
def get_imlist(path):
""" 返回目錄中所有JPG 影象的檔名列表"""
return[os.path.join(path,f)for f in os.listdir(path)if f.endswith('.jpg')]

現在，回到 PIL。

1.1.2　建立縮圖

使用 PIL 可以很方便地建立影象的縮圖。thumbnail() 方法接受一個元組引數（該引數指定生成縮圖的大小），然後將影象轉換成符合元組引數指定大小的縮圖。例如，建立最長邊為 128 畫素的縮圖，可以使用下列命令：

pil_im.thumbnail((128,128))

1.1.3　複製和貼上影象區域

使用 crop() 方法可以從一幅影象中裁剪指定區域：

box =(100,100,400,400)
region = pil_im.crop(box)

該區域使用四元組來指定。四元組的座標依次是（左，上，右，下）。PIL 中指定座標系的左上角座標為（0，0）。我們可以旋轉上面程式碼中獲取的區域，然後使用 paste() 方法將該區域放回去，具體實現如下：

region = region.transpose(Image.ROTATE_180)
pil_im.paste(region,box)

1.1.4　調整尺寸和旋轉

要調整一幅影象的尺寸，我們可以呼叫 resize() 方法。該方法的引數是一個元組，用來指定新影象的大小：

out= pil_im.resize((128,128))

要旋轉一幅影象，可以使用逆時針方式表示旋轉角度，然後呼叫 rotate() 方法：

out= pil_im.rotate(45)

上述例子的輸出結果如圖 1-1 所示。最左端是原始影象，然後是灰度影象、貼上有旋轉後裁剪影象的原始影象，最後是縮圖。

1.2　Matplotlib

我們處理數學運算、繪製圖表，或者在影象上繪製點、直線和曲線時，Matplotlib 是個很好的類庫，具有比 PIL 更強大的繪圖功能。Matplotlib 可以繪製出高質量的圖表，就像本書中的許多插圖一樣。Matplotlib 中的 PyLab 介面包含很多方便使用者建立影象的函式。Matplotlib 是開源工具，可以從 http://matplotlib.sourceforge.net/ 免費下載。該連結中包含非常詳盡的使用說明和教程。下面的例子展示了本書中需要使用的大部分函式。

1.2.1　繪製圖像、點和線

儘管 Matplotlib 可以繪製出較好的條形圖、餅狀圖、散點圖等，但是對於大多數計算機視覺應用來說，僅僅需要用到幾個繪圖命令。最重要的是，我們想用點和線來表示一些事物，比如興趣點、對應點以及檢測出的物體。下面是用幾個點和一條線繪製圖像的例子：

from PIL importImage
from pylab import*
# 讀取影象到陣列中
im = array(Image.open('empire.jpg'))
# 繪製圖像
imshow(im)
# 一些點
x =[100,100,400,400]
y =[200,500,200,500]
# 使用紅色星狀標記繪製點
plot(x,y,'r*')
# 繪製連線前兩個點的線
plot(x[:2],y[:2])
# 新增標題，顯示繪製的影象
title('Plotting: "empire.jpg"')
show()

上面的程式碼首先繪製出原始影象，然後在 x 和 y 列表中給定點的 x 座標和 y 座標上繪製出紅色星狀標記點，最後在兩個列表表示的前兩個點之間繪製一條線段（預設為藍色）。該例子的繪製結果如圖 1-2 所示。show() 命令首先開啟圖形使用者介面（GUI），然後新建一個影象視窗。該圖形使用者介面會迴圈阻斷指令碼，然後暫停，直到最後一個影象視窗關閉。在每個腳本里，你只能呼叫一次 show() 命令，而且通常是在指令碼的結尾呼叫。注意，在 PyLab 庫中，我們約定影象的左上角為座標原點。

影象的座標軸是一個很有用的除錯工具；但是，如果你想繪製出較美觀的影象，加上下列命令可以使座標軸不顯示：

axis('off')

上面的命令將繪製出如圖 1-2 右邊所示的影象。

圖 1-2：Matplotlib 繪圖示例。帶有座標軸和不帶座標軸的包含點和一條線段的影象

在繪圖時，有很多選項可以控制影象的顏色和樣式。最有用的一些短命令如表 1-1、表 1-2 和表 1-3 所示。使用方法見下面的例子：

plot(x,y)# 預設為藍色實線
plot(x,y,'r*')# 紅色星狀標記
plot(x,y,'go-')# 帶有圓圈標記的綠線
plot(x,y,'ks:')# 帶有正方形標記的黑色虛線

表1-1：用PyLab庫繪圖的基本顏色格式命令

表1-2：用PyLab庫繪圖的基本線型格式命令

表1-3：用PyLab庫繪圖的基本繪製標記格式命令

1.2.2　影象輪廓和直方圖

下面來看兩個特別的繪圖示例：影象的輪廓和直方圖。繪製圖像的輪廓（或者其他二維函式的等輪廓線）在工作中非常有用。因為繪製輪廓需要對每個座標 [x, y] 的畫素值施加同一個閾值，所以首先需要將影象灰度化：

from PIL importImage
from pylab import*
# 讀取影象到陣列中
im = array(Image.open('empire.jpg').convert('L'))
# 新建一個影象
figure()
# 不使用顏色資訊
gray()
# 在原點的左上角顯示輪廓影象
contour(im, origin='image')
axis('equal')
axis('off')

像之前的例子一樣，這裡用 PIL 的 convert() 方法將影象轉換成灰度影象。

影象的直方圖用來表徵該影象畫素值的分佈情況。用一定數目的小區間（bin）來指定表徵畫素值的範圍，每個小區間會得到落入該小區間表示範圍的畫素數目。該（灰度）影象的直方圖可以使用 hist() 函式繪製：

figure()
hist(im.flatten(),128)
show()

hist() 函式的第二個引數指定小區間的數目。需要注意的是，因為 hist() 只接受一維陣列作為輸入，所以我們在繪製圖像直方圖之前，必須先對影象進行壓平處理。flatten() 方法將任意陣列按照行優先準則轉換成一維陣列。圖 1-3 為等輪廓線和直方圖影象。

圖 1-3：用 Matplotlib 繪製圖像等輪廓線和直方圖

1.2.3　互動式標註

有時使用者需要和某些應用互動，例如在一幅影象中標記一些點，或者標註一些訓練資料。PyLab 庫中的 ginput() 函式就可以實現互動式標註。下面是一個簡短的例子：

from PIL importImage
from pylab import*
im = array(Image.open('empire.jpg'))
imshow(im)
print'Please click 3 points'
x = ginput(3)
print'you clicked:',x
show()

上面的指令碼首先繪製一幅影象，然後等待使用者在繪圖視窗的影象區域點選三次。程式將這些點選的座標 [x, y] 自動儲存在 x 列表裡。

1.3　NumPy

NumPy（http://www.scipy.org/NumPy/）是非常有名的 Python 科學計算工具包，其中包含了大量有用的思想，比如陣列物件（用來表示向量、矩陣、影象等）以及線性代數函式。NumPy 中的陣列物件幾乎貫穿用於本書的所有例子中 1 陣列物件可以幫助你實現陣列中重要的操作，比如矩陣乘積、轉置、解方程系統、向量乘積和歸一化，這為影象變形、對變化進行建模、影象分類、影象聚類等提供了基礎。

1PyLab 實際上包含 NumPy 的一些內容，如陣列型別。這也是我們能夠在 1.2 節使用陣列型別的原因。

1.3.1　影象陣列表示

在先前的例子中，當載入影象時，我們通過呼叫 array() 方法將影象轉換成 NumPy 的陣列物件，但當時並沒有進行詳細介紹。NumPy 中的陣列物件是多維的，可以用來表示向量、矩陣和影象。一個數組物件很像一個列表（或者是列表的列表），但是陣列中所有的元素必須具有相同的資料型別。除非建立陣列物件時指定資料型別，否則資料型別會按照資料的型別自動確定。

對於影象資料，下面的例子闡述了這一點：

im = array(Image.open('empire.jpg'))
print im.shape, im.dtype
im = array(Image.open('empire.jpg').convert('L'),'f')
print im.shape, im.dtype

控制檯輸出結果如下所示：

(800,569,3) uint8
(800,569) float32

每行的第一個元組表示影象陣列的大小（行、列、顏色通道），緊接著的字串表示陣列元素的資料型別。因為影象通常被編碼成無符號八位整數（uint8），所以在第一種情況下，載入影象並將其轉換到陣列中，陣列的資料型別為“uint8”。在第二種情況下，對影象進行灰度化處理，並且在建立陣列時使用額外的引數“f”；該引數將資料型別轉換為浮點型。關於更多資料型別選項，可以參考圖書 [24]。注意，由於灰度影象沒有顏色資訊，所以在形狀元組中，它只有兩個數值。

陣列中的元素可以使用下標訪問。位於座標 i、j，以及顏色通道 k 的畫素值可以像下面這樣訪問：

value = im[i,j,k]

多個數組元素可以使用陣列切片方式訪問。切片方式返回的是以指定間隔下標訪問該陣列的元素值。下面是有關灰度影象的一些例子：

im[i,:]= im[j,:]# 將第 j 行的數值賦值給第 i 行
im[:,i]=100# 將第 i 列的所有數值設為100
im[:100,:50].sum()# 計算前100 行、前 50 列所有數值的和
im[50:100,50:100]# 50~100 行，50~100 列（不包括第 100 行和第 100 列）
im[i].mean()# 第 i 行所有數值的平均值
im[:,-1]# 最後一列
im[-2,:](or im[-2])# 倒數第二行

注意，示例僅僅使用一個下標訪問陣列。如果僅使用一個下標，則該下標為行下標。注意，在最後幾個例子中，負數切片表示從最後一個元素逆向計數。我們將會頻繁地使用切片技術訪問畫素值，這也是一個很重要的思想。

我們有很多操作和方法來處理陣列物件。本書將在使用到的地方逐一介紹。你可以查閱線上文件或者開源圖書 [24] 獲取更多資訊。

1.3.2　灰度變換

將影象讀入 NumPy 陣列物件後，我們可以對它們執行任意數學操作。一個簡單的例子就是影象的灰度變換。考慮任意函式 f，它將 0…255 區間（或者 0…1 區間）對映到自身（意思是說，輸出區間的範圍和輸入區間的範圍相同）。下面是關於灰度變換的一些例子：

from PIL importImage
from numpy import*
im = array(Image.open('empire.jpg').convert('L'))
im2 =255- im # 對影象進行反相處理
im3 =(100.0/255)* im +100# 將影象畫素值變換到100...200 區間
im4 =255.0*(im/255.0)**2# 對影象畫素值求平方後得到的影象

第一個例子將灰度影象進行反相處理；第二個例子將影象的畫素值變換到 100…200 區間；第三個例子對影象使用二次函式變換，使較暗的畫素值變得更小。圖 1-4 為所使用的變換函式影象。圖 1-5 是輸出的影象結果。你可以使用下面的命令檢視影象中的最小和最大畫素值：

printint(im.min()),int(im.max())

圖 1-4：灰度變換示例。三個例子中所使用函式的影象，其中虛線表示恆等變換

圖 1-5：灰度變換。對影象應用圖 1-4 中的函式：f(x)=255-x 對影象進行反相處理（左）；f(x)=(100/255)x+100 對影象進行變換（中）；f(x)=255(x/255)² 對影象做二次變換（右）

如果試著對上面例子檢視最小值和最大值，可以得到下面的輸出結果：

2255
0253
100200
0255

array() 變換的相反操作可以使用 PIL 的 fromarray() 函式完成：

pil_im =Image.fromarray(im)

如果你通過一些操作將“uint8”資料型別轉換為其他資料型別，比如之前例子中的 im3 或者 im4，那麼在建立 PIL 影象之前，需要將資料型別轉換回來：

pil_im =Image.fromarray(uint8(im))

如果你並不十分確定輸入資料的型別，安全起見，應該先轉換回來。注意，NumPy 總是將陣列資料型別轉換成能夠表示資料的“最低”資料型別。對浮點數做乘積或除法操作會使整數型別的陣列變成浮點型別。

1.3.3　影象縮放

NumPy 的陣列物件是我們處理影象和資料的主要工具。想要對影象進行縮放處理沒有現成簡單的方法。我們可以使用之前 PIL 對影象物件轉換的操作，寫一個簡單的用於影象縮放的函式。把下面的函式新增到 imtool.py 檔案裡：

def imresize(im,sz):
  """ 使用PIL 物件重新定義影象陣列的大小"""
  pil_im =Image.fromarray(uint8(im))
  return array(pil_im.resize(sz))

我們將會在接下來的內容中使用這個函式。

1.3.4　直方圖均衡化

影象灰度變換中一個非常有用的例子就是直方圖均衡化。直方圖均衡化是指將一幅影象的灰度直方圖變平，使變換後的影象中每個灰度值的分佈概率都相同。在對影象做進一步處理之前，直方圖均衡化通常是對影象灰度值進行歸一化的一個非常好的方法，並且可以增強影象的對比度。

在這種情況下，直方圖均衡化的變換函式是影象中畫素值的累積分佈函式（cumulative distribution function，簡寫為 cdf，將畫素值的範圍對映到目標範圍的歸一化操作）。

下面的函式是直方圖均衡化的具體實現。將這個函式新增到 imtool.py 裡：

def histeq(im,nbr_bins=256):
  """ 對一幅灰度影象進行直方圖均衡化"""
  # 計算影象的直方圖
  imhist,bins = histogram(im.flatten(),nbr_bins,normed=True)
  cdf = imhist.cumsum()# cumulative distribution function
  cdf =255* cdf / cdf[-1]# 歸一化
  # 使用累積分佈函式的線性插值，計算新的畫素值
  im2 = interp(im.flatten(),bins[:-1],cdf)
  return im2.reshape(im.shape), cdf

該函式有兩個輸入引數，一個是灰度影象，一個是直方圖中使用小區間的數目。函式返回直方圖均衡化後的影象，以及用來做畫素值對映的累積分佈函式。注意，函式中使用到累積分佈函式的最後一個元素（下標為 -1），目的是將其歸一化到 0…1 範圍。你可以像下面這樣使用該函式：

from PIL importImage
from numpy import*
im = array(Image.open('AquaTermi_lowcontrast.jpg').convert('L'))
im2,cdf = imtools.histeq(im)

圖 1-6 和圖 1-7 為上面直方圖均衡化例子的結果。上面一行顯示的分別是直方圖均衡化之前和之後的灰度直方圖，以及累積概率分佈函式對映影象。可以看到，直方圖均衡化後圖像的對比度增強了，原先影象灰色區域的細節變得清晰。

圖 1-6：直方圖均衡化示例。左側為原始影象和直方圖，中間圖為灰度變換函式，右側為直方圖均衡化後的影象和相應直方圖

圖 1-7：直方圖均衡化示例。左側為原始影象和直方圖，中間圖為灰度變換函式，右側為直方圖均衡化後的影象和相應直方圖

1.3.5　影象平均

影象平均操作是減少影象噪聲的一種簡單方式，通常用於藝術特效。我們可以簡單地從影象列表中計算出一幅平均影象。假設所有的影象具有相同的大小，我們可以將這些影象簡單地相加，然後除以影象的數目，來計算平均影象。下面的函式可以用於計算平均影象，將其新增到 imtool.py 檔案裡：

def compute_average(imlist):
  """ 計算影象列表的平均影象"""
  # 開啟第一幅影象，將其儲存在浮點型陣列中
  averageim = array(Image.open(imlist[0]),'f')
  for imname in imlist[1:]:
    try:
      averageim += array(Image.open(imname))
    except:
      print imname +'...skipped'
  averageim /= len(imlist)
  # 返回uint8 型別的平均影象
  return array(averageim,'uint8')

該函式包括一些基本的異常處理技巧，可以自動跳過不能開啟的影象。我們還可以使用 mean() 函式計算平均影象。mean() 函式需要將所有的影象堆積到一個數組中；也就是說，如果有很多影象，該處理方式需要佔用很多記憶體。我們將會在下一節中使用該函式。

1.3.6　影象的主成分分析（PCA）

PCA（Principal Component Analysis，主成分分析）是一個非常有用的降維技巧。它可以在使用盡可能少維數的前提下，儘量多地保持訓練資料的資訊，在此意義上是一個最佳技巧。即使是一幅 100×100 畫素的小灰度影象，也有 10 000 維，可以看成 10 000 維空間中的一個點。一兆畫素的影象具有百萬維。由於影象具有很高的維數，在許多計算機視覺應用中，我們經常使用降維操作。PCA 產生的投影矩陣可以被視為將原始座標變換到現有的座標系，座標系中的各個座標按照重要性遞減排列。

為了對影象資料進行 PCA 變換，影象需要轉換成一維向量表示。我們可以使用 NumPy 類庫中的 flatten() 方法進行變換。

將變平的影象堆積起來，我們可以得到一個矩陣，矩陣的一行表示一幅影象。在計算主方向之前，所有的行影象按照平均影象進行了中心化。我們通常使用 SVD（Singular Value Decomposition，奇異值分解）方法來計算主成分；但當矩陣的維數很大時，SVD 的計算非常慢，所以此時通常不使用 SVD 分解。下面就是 PCA 操作的程式碼：

from PIL importImage
from numpy import*
def pca(X):
  """ 主成分分析：
    輸入：矩陣X ，其中該矩陣中儲存訓練資料，每一行為一條訓練資料
    返回：投影矩陣（按照維度的重要性排序）、方差和均值"""
  # 獲取維數
  num_data,dim = X.shape
  # 資料中心化
  mean_X = X.mean(axis=0)
  X = X - mean_X
if dim 
 

            
  
           

              
              
            
            
相關推薦
			   
            
            
            
 

    

    
    
python+OpenCV影象處理（十二）車牌定位中對影象的形態學組合操作處理
     
 
                車牌定位中對影象的形態學組合操作處理

所謂的車牌定位，其中最關鍵的部分就是對圖片的處理，引數的設定，並使之擁有泛化能力。

首先傳入圖片，在進行大規模的圖片處理時，因為無法確定圖片的尺寸，所以需要將原始圖片進行等比例的縮放。

orgimg = cv2.imread('ch 

  
 

    

    
    
python影象處理---python的影象處理模組Image-
     
  
 
 【python影象處理】python的影象處理模組Image 
   
 版本資訊：2.7.11 
 環境：windows 7 64位系統 
 編輯器：PyCharm 
 執行工具：PyCharm 
 檔案地址：D:\phpStudy\WWW\python\Image 
 一、引入影象模組 

  
 

    

    
    
用Python做影象處理
     
  
 
 用Python做影象處理 
   
 用Python做影象處理 
        最近在做一件比較 evil 的事情——驗證碼識別，以此來學習一些新的技能。因為我是初學，對影象處理方面就不太瞭解了，欲要利吾事，必先利吾器 

  
 

    

    
    
python PIL影象處理筆記
     
  
 
 #coding:utf-8
from PIL import Image
from PIL import ImageFilter

im = Image.open('./1.jpg')
#im.show() #開啟圖片
#im.save('./kda4.png') #儲存並儲存，可以轉換格式
#pri 

  
 

    

    
    
python數字影象處理（2）：影象的讀取、顯示與儲存
     
 
                

skimage提供了io模組，顧名思義，這個模組是用來圖片輸入輸出操作的。為了方便練習，也提供一個data模組，裡面嵌套了一些示例圖片，我們可以直接使用。


引入skimage模組可用：


			1
			
			
			from skimage import io
 

  
 

    

    
    
python數字影象處理（3）：影象畫素的訪問與裁剪
     
 
                

圖片讀入程式中後，是以numpy陣列存在的。因此對numpy陣列的一切功能，對圖片也適用。對陣列元素的訪問，實際上就是對圖片畫素點的訪問。

彩色圖片訪問方式為：

img[i,j,c]

i表示圖片的行數，j表示圖片的列數，c表示圖片的通道數（RGB三通道分別對應0，1 

  
 

    

    
    
Python 讀取顯示儲存圖片----python skimage影象處理
     
 
                

基於python指令碼語言開發的數字圖片處理包，比如PIL,Pillow, opencv, scikit-image等。PIL和Pillow只提供最基礎的數字影象處理，功能有限；opencv實際上是一個c++庫，只是提供了python介面，更新速度非常慢。scikit-i 

  
 

    

    
    
python中字串處理
     
 日常程式碼中經常要對字串做各種各樣的處理，python也有很多字串處理方法 
#首字母大寫使用capitalizs = 'im OK's1 = s.capitalize() 
#全字母大寫使用upper 
s2 = s.upper() 
#全字母小寫 
s3 = s.lower() 
#大小寫翻轉 
s4 = 

  
 

    

    
    
keras中影象處理ImageDataGenerator用法
     
 
featurewise_center：布林值，使輸入資料集去中心化（均值為0）, 按feature執行。
samplewise_center：布林值，使輸入資料的每個樣本均值為0。
featurewise_std_normalization：布林值，將輸入除以資料集的標準差以完成標準化, 按feature執 

  
 

    

    
    
OpenCV 中影象處理類，Mat類和Ipllmage類
     
 
                 Mat類是OpenCV 中最核心的類，全稱是Matrix,意為矩陣或者陣列的意思，該類的宣告在標頭檔案opencv2\core\core.hpp中， 

 Mat 類的建構函式如下：

 Mat(int rows,int cols,int type)

 其中rows代表矩 

  
 

    

    
    
python數字影象處理（18）：高階形態學處理
     
 
                

形態學處理，除了最基本的膨脹、腐蝕、開/閉運算、黑/白帽處理外，還有一些更高階的運用，如凸包，連通區域標記，刪除小塊區域等。

1、凸包

凸包是指一個凸多邊形，這個凸多邊形將圖片中所有的白色畫素點都包含在內。

函式為：

skimage.morphology.conv 

  
 

    

    
    
Python+OpenCV影象處理（九）—— 模板匹配
     
 
                百度百科：模板匹配是一種最原始、最基本的模式識別方法，研究某一特定物件物的圖案位於影象的什麼地方，進而識別物件物，這就是一個匹配問題。它是影象處理中最基本、最常用的匹配方法。模板匹配具有自身的侷限性，主要表現在它只能進行平行移動，若原影象中的匹配目標發生旋轉或大小變化，該演算 

  
 

    

    
    
python+opencv影象處理——影象梯度——scharr運算元
     
 
								
								            
							
							
							

sobel運算元不怎麼用，一般scharr運算元運用的比較多



import cv2
import sys
import numpy as np


o=cv2.imread("C:\\User 

  
 

    

    
    
Python——pygame影象處理
     
 
							
							
							
一. 單個畫素
有時我們並不想畫一個圓或矩形，而是希望畫單個的點或畫素。比如畫一條正弦曲線。
import pygame,sys,math
pygame.init()
screen = pygame.display.set_mode([640,480])
sc 

  
 

    

    
    
Python——pygame影象處理（二）
     
 
							
							
							
上接：
Python——pygame影象處理（一）
4. 一直移到最右邊：
import pygame,sys
pygame.init()
screen = pygame.display.set_mode([640,480])
screen.fill([255 

  
 

    

    
    
教你用Python做影象處理
     
 
                
質量、速度、廉價，選擇其中兩個


提到影象處理第一個想到的庫就是PIL，全稱Python Imaging Library Python，影象處理類庫，它提供了大量的影象操作，比如影象縮放，裁剪，貼圖，模糊等等，很多時候它需要配合numpy庫一起使用

1.open()

 

  
 

    

    
    
影象處理-python實現影象處理（消噪，直方圖均衡化，二值化，形態學）
     
  
 
 1、選用合適的影象增強方法對以下給定影象進行增強操作以獲取清晰影象； 
 2、對增強後的影象進行閾值處理，獲得二值影象； 
 3、對二值影象進行形態學分析，提取有用資訊區域（即只剩下字母和數字區域）； 
    python程式： 
     import c 

  
 

    

    
    
python數字影象處理（5）：影象的繪製
     
 實際上前面我們就已經用到了影象的繪製，如：
io.imshow(img)  
這一行程式碼的實質是利用matplotlib包對圖片進行繪製，繪製成功後，返回一個matplotlib型別的資料。因此，我們也可以這樣寫：

import matplotlib.pyplot as plt
plt.imsh 

  
 

    

    
    
應用PHP GD庫中影象處理函式製作驗證碼
     
 
                
<?php 
	//開啟session，之後會把驗證碼存入session，然後在後端與使用者輸入的驗證碼對比
	session_start();
	//新建一個真彩色影象
	$image=imagecreatetruecolor(100, 30);
	//定義白色
	 

  
 

    

    
    
利用python進行影象處理
     
 
								
								            
						
                
我的系統上python的版本是32位，python2.7.9：

在進行影象處理前需要按照PIL模組，參考了很多人的建議，最後選用了pillow，
https://pypi.python.org/py