[www.pythonware.com/products/pil/]。下面演示原书P001-Fig1-1读入一幅图片的例子：

# -*- coding: utf-8 -*-from PIL import Imagefrom pylab import *# 添加中文字体支持from matplotlib.font_manager import FontPropertiesfont = FontProperties(fname=r"c:windowsfontsSimSun.ttc", size=14)figure()pil_im = Image.open('../data/empire.jpg')gray()subplot(121)title(u'原图',fontproperties=font)axis('off')imshow(pil_im)pil_im = Image.open('../data/empire.jpg').convert('L')subplot(122)title(u'灰度图',fontproperties=font)axis('off')imshow(pil_im)show()

运行上面的代码，可以得出原书P002-Fig1-1中的前两幅图片，如下：更多关于PIL的实例，可以参阅PIL在线文档[www .pythonware.com/library/pil/handbook/index.htm./]。

[PCV模块的安装]运行上面代码，可以得到转化格式后的图像，运行结果为：

[matplotlib.sourceforge.net]上下载，并且它还提供了详细的文档及教程。这里，会展示一些我们在本书后面会用到的函数的一些实例。

NumPy是Python一个流行的用于科学计算包。它包含了很多诸如矢量、矩阵、图像等其他非常有用的对象和线性代数函数。在本书中几乎所有的例子都用到了NumPy数组对象。NumPy可以在scipy.org/Download]下载，在线文档包含了很多常见问题的答案。

[Images courtesy of Martin Solli]下载。下面代码是显示原书P14页对字体图像进行主成分分析的实例代码：

 # -*- coding: utf-8 -*-import picklefrom PIL import Imagefrom numpy import *from pylab import *from PCV.tools import imtools, pca# Uses sparse pca codepath.#imlist = imtools.get_imlist('../data/selectedfontimages/a_selected_thumbs')# 获取图像列表和他们的尺寸imlist = imtools.get_imlist('../data/fontimages/a_thumbs')  # fontimages.zip is part of the book data setim = array(Image.open(imlist[0]))  # open one image to get the sizem, n = im.shape[:2]  # get the size of the imagesimnbr = len(imlist)  # get the number of imagesprint "The number of images is %d" % imnbr# Create matrix to store all flattened imagesimmatrix = array([array(Image.open(imname)).flatten() for imname in imlist], 'f')# PCA降维V, S, immean = pca.pca(immatrix)# 保存均值和主成分#f = open('../ch01/font_pca_modes.pkl', 'wb')#pickle.dump(immean,f)#pickle.dump(V,f)#f.close()# Show the images (mean and 7 first modes)# This gives figure 1-8 (p15) in the book.figure()gray()subplot(2, 4, 1)axis('off')imshow(immean.reshape(m, n))for i in range(7):
    subplot(2, 4, i+2)
    imshow(V[i].reshape(m, n))
    axis('off')show()

注意，这些图像在拉成一维表示后，必须用reshape()函数将它重新转换回来。运行上面代码，可得原书P15 Figure1-8中的结果，即：

SciPy是一个开源的数学工具包，它是建立在NumPy的基础上的。它提供了很多有效的常规操作，包括数值综合、最优化、统计、信号处理以及图像处理。正如接下来所展示的，SciPy库包含了很多有用的模块。SciPy库可以再[http://scipy.org/Download]下载。

[docs.scipy.org/doc/scipy/reference/ndimage.html]。

[en.wikipedia.org/wiki/Mathematical_morphology]。

形态学操作包括在sci.ndimage模块morphology中。下面我们看一个简单地怎样使用它们例子。

# -*- coding: utf-8 -*-from PIL import Imagefrom numpy import *from scipy.ndimage import measurements, morphologyfrom pylab import *"""   This is the morphology counting objects example in Section 1.4.  """# 添加中文字体支持from matplotlib.font_manager import FontPropertiesfont = FontProperties(fname=r"c:windowsfontsSimSun.ttc", size=14)# load image and threshold to make sure it is binaryfigure()gray()im = array(Image.open('../data/houses.png').convert('L'))subplot(221)imshow(im)axis('off')title(u'原图', fontproperties=font)im = (im 
运行上面代码，可得原书P022 Fig1-12的结果：同时打印计数结果为：
Number of objects: 45
Number of objects: 48
更多关于形态学可以参阅scipy.ndimage在线文档[docs.scipy.org/doc/scipy/reference/ndimage.html]。

[docs.scipy.org/doc/scipy/reference/io.html]。
保存数组为图像
在scipy.misc模块中，包含了imsave()函数，要保存数组为一幅图像，可通过下面方式完成：
from scipy.misc import imsaveimsave('test.jpg',im)
scipy.misc模块中还包含了著名的"Lena"测试图像：
lena = scipy.misc.lena()
上面得到的lena图像是一幅512*512大小的灰度图像。

原文出处