正如標題所言，Numpy是用於科學計算的，其中陣列物件對影象處理意義重大，還有線性代數函式等。在後面的所有機器學習中對影象的處理，都是基於這個庫的，介紹幾個簡單的例項。

影象陣列表示

呼叫array()方法：

im=array(Iamge.open('xxx.jpg'))

im=array(Iamge.open('xxx.jpg').convert('L'),'f')

注意：假設這是一張彩色影象，第一次開啟的是彩色影象，陣列中會儲存三個資訊。如（400，300，3)表示（行，列，顏色通道），後面還會有uint8 表示陣列元素的資料型別，無符號八位整數。第二行表示的是進行灰度轉換，此時就是灰度影象，沒有顏色資訊，（400，300），float32，因為 ’ f ‘將資料型別轉換為浮點型。
畫素可以通過下標訪問：

#k是通道數
value=im[i,j,k]

多陣列可以使用陣列切片訪問 使用：

im[:,i]=100 #將第i列所有數值設為100
im[i].mean() #第i行平均值

灰度變換

對灰度影象進行數學操作已達到某種效果。

#反相處理
im2=255-im
#將畫素值變換到100到200區間
im3=(100/255)*im+100

直方圖均衡化

指的是將影象的灰度直方圖變平，使得變換後的影象中每個灰度值的分佈概率相等。它是一種很好的歸一化方法，可以增強影象的對比度。
簡單來說：直方圖均衡化是將直方圖中畫素分佈集中的區域進行拉伸，分佈較少的區域進行壓縮，這對背景和前景太亮或太暗的影象好處很多，當然拉伸需要一個拉伸函式來重新計算概率分佈，這就需要累計分佈函式（CDF)。
舉個簡單例子來說明：
例如一幅影象有8個灰度級，分別0到7，0級有560個畫素值，佔總的畫素值概率為0.19，依次類推，8個灰度級概率之和為1，我們這樣處理，0級：0.19*7=1.33，最近取整為1，因此0級的畫素值全劃為1，1級：0.19*7+1級概率 *7 最近取整，其他以此類推。當然最後一個一定會是7，這樣就保證了不會增加新的級數。可以預見，當概率較小時，很容易被吞併。

當然，某些情況下均衡化並不一定是最好的方案，有時我們需要對某區間進行有目的的增強。此時我們需要直方圖規定化，也叫直方圖匹配。詳情請移步這裡

影象平均

影象平均是減少噪聲的一種簡單方式，思想是假設我們有一組大小相同的影象列表，我們將其簡單相加然後除以影象數目。

def compute_average(imlist):
    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)
    return array(averageim,'uint8')

該程式提供了異常處理，自動跳過不能開啟的影象。

影象的主成分分析（PCA）

這是一個很常用的降維技巧，一副100×100的影象也有10000維，一兆畫素有百萬維，我們需要對其進行處理後再來使用，來降低演算法的開銷。請查詢PCA

pickle模組

我們在機器學習或者其他應用中，可能需要對一些結果或者資料進行儲存，pickle模組的作用就在這裡，它會把你的python物件轉換為字串表示，這個過程叫封裝，從字串中重構該物件，稱為拆封。

#儲存均值和主成分資料
with open('xxx.pkl','wb') as f:
    pickle.dump(immean,f)
    pickle.dump(V,f)

#開啟檔案並載入
with open('xxx.pkl','rb') as f:
    immean =pickle.load(f)
    V=pickle.load(f)