python可以旋轉散點圖嗎

⑴ 10 個 python 圖像編輯工具

以下提到的這些 Python 工具在編輯圖像、操作圖像底層數據方面都提供了簡單直接的方法。

-- Parul Pandey

當今的世界充滿了數據，而圖像數據就是其中很重要的一部分。但只有經過處理和分析，提高圖像的質量，從中提取出有效地信息，才能利用到這些圖像數據。

常見的圖像處理操作包括顯示圖像，基本的圖像操作，如裁剪、翻轉、旋轉；圖像的分割、分類、特徵提取；圖像恢復；以及圖像識別等等。Python 作為一種日益風靡的科學編程語言，是這些圖像處理操作的最佳選擇。同時，在 Python 生態當中也有很多可以免費使用的優秀的圖像處理工具。

下文將介紹 10 個可以用於圖像處理任務的 Python 庫，它們在編輯圖像、查看圖像底層數據方面都提供了簡單直接的方法。

scikit-image 是一個結合 NumPy 數組使用的開源 Python 工具，它實現了可用於研究、教育、工業應用的演算法和應用程序。即使是對於剛剛接觸 Python 生態圈的新手來說，它也是一個在使用上足夠簡單的庫。同時它的代碼質量也很高，因為它是由一個活躍的志願者社區開發的，並且通過了 同行評審(peer review)。

scikit-image 的 文檔 非常完善，其中包含了豐富的用例。

可以通過導入 skimage 使用，大部分的功能都可以在它的子模塊中找到。

圖像濾波(image filtering)：

使用 match_template() 方法實現 模板匹配(template matching)：

在 展示頁面 可以看到更多相關的例子。

NumPy 提供了對數組的支持，是 Python 編程的一個核心庫。圖像的本質其實也是一個包含像素數據點的標准 NumPy 數組，因此可以通過一些基本的 NumPy 操作（例如切片、 掩膜(mask)、 花式索引(fancy indexing)等），就可以從像素級別對圖像進行編輯。通過 NumPy 數組存儲的圖像也可以被 skimage 載入並使用 matplotlib 顯示。

在 NumPy 的 官方文檔 中提供了完整的代碼文檔和資源列表。

使用 NumPy 對圖像進行 掩膜(mask)操作：

像 NumPy 一樣， SciPy 是 Python 的一個核心科學計算模塊，也可以用於圖像的基本操作和處理。尤其是 SciPy v1.1.0 中的 scipy.ndimage 子模塊，它提供了在 n 維 NumPy 數組上的運行的函數。SciPy 目前還提供了 線性和非線性濾波(linear and non-linear filtering)、 二值形態學(binary morphology)、 B 樣條插值(B-spline interpolation)、 對象測量(object measurements)等方面的函數。

在 官方文檔 中可以查閱到 scipy.ndimage 的完整函數列表。

使用 SciPy 的 高斯濾波 對圖像進行模糊處理：

PIL (Python Imaging Library) 是一個免費 Python 編程庫，它提供了對多種格式圖像文件的打開、編輯、保存的支持。但在 2009 年之後 PIL 就停止發布新版本了。幸運的是，還有一個 PIL 的積極開發的分支 Pillow ，它的安裝過程比 PIL 更加簡單，支持大部分主流的操作系統，並且還支持 Python 3。Pillow 包含了圖像的基礎處理功能，包括像素點操作、使用內置卷積內核進行濾波、顏色空間轉換等等。

Pillow 的 官方文檔 提供了 Pillow 的安裝說明自己代碼庫中每一個模塊的示例。

使用 Pillow 中的 ImageFilter 模塊實現圖像增強：

OpenCV（Open Source Computer Vision 庫）是計算機視覺領域最廣泛使用的庫之一， OpenCV-Python 則是 OpenCV 的 Python API。OpenCV-Python 的運行速度很快，這歸功於它使用 C/C++ 編寫的後台代碼，同時由於它使用了 Python 進行封裝，因此調用和部署的難度也不大。這些優點讓 OpenCV-Python 成為了計算密集型計算機視覺應用程序的一個不錯的選擇。

入門之前最好先閱讀 OpenCV2-Python-Guide 這份文檔。

使用 OpenCV-Python 中的 金字塔融合(Pyramid Blending)將蘋果和橘子融合到一起：

SimpleCV 是一個開源的計算機視覺框架。它支持包括 OpenCV 在內的一些高性能計算機視覺庫，同時不需要去了解 位深度(bit depth)、文件格式、 色彩空間(color space)之類的概念，因此 SimpleCV 的學習曲線要比 OpenCV 平緩得多，正如它的口號所說，「將計算機視覺變得更簡單」。SimpleCV 的優點還有：

官方文檔 簡單易懂，同時也附有大量的學慣用例。

文檔 包含了安裝介紹、示例以及一些 Mahotas 的入門教程。

Mahotas 力求使用少量的代碼來實現功能。例如這個 Finding Wally 游戲 ：

ITK （Insight Segmentation and Registration Toolkit）是一個為開發者提供普適性圖像分析功能的開源、跨平台工具套件， SimpleITK 則是基於 ITK 構建出來的一個簡化層，旨在促進 ITK 在快速原型設計、教育、解釋語言中的應用。SimpleITK 作為一個圖像分析工具包，它也帶有 大量的組件 ，可以支持常規的濾波、圖像分割、 圖像配准(registration)功能。盡管 SimpleITK 使用 C++ 編寫，但它也支持包括 Python 在內的大部分編程語言。

有很多 Jupyter Notebooks 用例可以展示 SimpleITK 在教育和科研領域中的應用，通過這些用例可以看到如何使用 Python 和 R 利用 SimpleITK 來實現互動式圖像分析。

使用 Python + SimpleITK 實現的 CT/MR 圖像配准過程：

pgmagick 是使用 Python 封裝的 GraphicsMagick 庫。 GraphicsMagick 通常被認為是圖像處理界的瑞士軍刀，因為它強大而又高效的工具包支持對多達 88 種主流格式圖像文件的讀寫操作，包括 DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM、TIFF 等等。

pgmagick 的 GitHub 倉庫 中有相關的安裝說明、依賴列表，以及詳細的 使用指引 。

圖像縮放：

邊緣提取：

Cairo 是一個用於繪制矢量圖的二維圖形庫，而 Pycairo 是用於 Cairo 的一組 Python 綁定。矢量圖的優點在於做大小縮放的過程中不會丟失圖像的清晰度。使用 Pycairo 可以在 Python 中調用 Cairo 的相關命令。

Pycairo 的 GitHub 倉庫 提供了關於安裝和使用的詳細說明，以及一份簡要介紹 Pycairo 的 入門指南 。

使用 Pycairo 繪制線段、基本圖形、 徑向漸變(radial gradients)：

以上就是 Python 中的一些有用的圖像處理庫，無論你有沒有聽說過、有沒有使用過，都值得試用一下並了解它們。

via: https://opensource.com/article/19/3/python-image-manipulation-tools

作者： Parul Pandey 選題： lujun9972 譯者： HankChow 校對： wxy

⑵ python可視化界面怎麼做

本文所演示的的可視化方法

散點圖（Scatterplot)

直方圖(Histogram）

小提琴圖（Violinplot)

特徵兩兩對比圖（Pairplot）

安德魯斯曲線(Andrewscurves)

核密度圖(Kerneldensityestimationplot)

平行坐標圖（Parallelcoordinates）

Radviz（力矩圖？）

熱力圖(Heatmap)

氣泡圖(Bubbleplot)

這里主要使用Python一個流行的作圖工具:Seabornlibrary，同時Pandas和bubbly輔助。為什麼Seaborn比較好？

因為很多時候數據分析，建模前，都要清洗數據，清洗後數據的結果總要有個格式，我知道的最容易使用，最方便輸入模型,最好畫圖的格式叫做"TidyData"(WickhamH.Tidydata[J].JournalofStatisticalSoftware,2014,59(10):1-23.)其實很簡單，TidyData格式就是：

每條觀察（記錄）自己佔一行

觀察（記錄）的每個特徵自己佔一列

舉個例子，我們即將作圖的數據集IRIS就是TidyData（IRIS（IRIS數據集）_網路）：

Iris數據集是常用的分類實驗數據集，由Fisher,1936收集整理。Iris也稱鳶尾花卉數據集，是一類多重變數分析的數據集。數據集包含150個數據集，分為3類，每類50個數據，每個數據包含4個屬性。可通過花萼長度，花萼寬度，花瓣長度，花瓣寬度4個屬性預測鳶尾花卉屬於（Setosa，Versicolour，Virginica）三個種類中的哪一類。

該數據集包含了5個屬性：

Sepal.Length（花萼長度），單位是cm;

Sepal.Width（花萼寬度），單位是cm;

Petal.Length（花瓣長度），單位是cm;

Petal.Width（花瓣寬度），單位是cm;

種類：IrisSetosa（山鳶尾）、IrisVersicolour（雜色鳶尾），以及IrisVirginica（維吉尼亞鳶尾）。

可以看到，每條觀察（ID=0,1,2...）自己佔一行，每個特徵(四個部位長/寬度，種類）自己佔一列。Seaborn就是為TidyData設計的，所以方便使用。

所以這個數據集有6列，6個特徵，很多時候做可視化就是為了更好的了解數據，比如這里就是想看每個種類的花有什麼特點，怎麼樣根據其他特徵把花分為三類。我個人的喜好是首先一張圖盡量多的包含數據點，展示數據信息，從中發現規律。我們可以利用以下代碼完全展示全部維度和數據這里用的bubbly：

Python做出來，其實是一張可以拖動角度，放大縮小的圖，拖一拖看各角度視圖會發現三類還是分的挺明顯的。Github上這個bubbly還是很厲害的，方便。

接下來開始做一些基礎的可視化，沒有用任何修飾，代碼只有最關鍵的畫圖部分，可視化作賣敬悄為比賽的一個基礎和開端，個人理解做出的圖能看就行，美不美無所謂，不美也不扣分。因為

散點圖，可以得到相關性等信息，比如基本上SepalLengthCm越大，SepalWidthCm越大

使用Jointplot,看兩個變數的分布，KDE圖，同時展示對應的數據點

就像上一篇說的，比賽中的每個環節都稿則至關重要，很有必要看下這些分布直方圖，kde圖，根據這些來處理異常值等，這里請教，為什麼畫了直方圖還要畫KDE？？我理解說的都是差不多的東西。

關於KDE:"由於核密度估計方法不利用有關數據分布的先驗知識，對數據分布不附加任何假定，是一種從數據樣本本身出發研究數據分布特徵的方法，因而，在統計學理論和應用領域均受到高度的重視。"

無論如何，我們先畫直方圖，再畫KDE

這里通過KDE可以說，由於Setosa的KDE與其他兩種沒有交集，直接可以用Petailength線性區分Setosa與其他兩個物種。

箱線圖，顯示一組數據分散情況的統計圖。形狀如箱子。主要用於反映原始數據分布的特徵，關鍵的5個黑線是最中渣大值、最小值、中位數和兩個四分位數。在判斷異常值，處理異常值時候有用。

小提琴圖

這個Andrewscurves很有趣，它是把所有特徵組合起來，計算個值，展示該值，可以用來確認這三個物種到底好不好區分，維基網路的說法是「Ifthereisstructureinthedata,itmaybevisibleintheAndrews'curvesofthedata.」（Andrewsplot-Wikipedia）

Radviz可視化原理是將一系列多維空間的點通過非線性方法映射到二維空間的可視化技術，是基於圓形平行坐標系的設計思想而提出的多維可視化方法。圓形的m條半徑表示m維空間，使用坐標系中的一點代表多為信息對象，其實現原理參照物理學中物體受力平衡定理。多維空間的點映射到二維可視空間的位置由彈簧引力分析模型確定。(Radviz可視化原理-CSDN博客)，能展示一些數據的可區分規律。

數值是皮爾森相關系數，淺顏色表示相關性高，比如Petal.Length（花瓣長度）與Petal.Width（花瓣寬度）相關性0.96，也就是花瓣長的花，花瓣寬度也大，也就是個大花。

不過，現在做可視化基本上不用python了，具體為什麼可以去看我的寫的文章，我拿python做了爬蟲，BI做了可視化，效果和速度都很好。

finereport

可視化的一大應用就是數據報表，而FineReport可以自由編寫整合所需要的報表欄位進行報表輸出，支持定時刷新和監控郵件提醒，是大部分互聯網公司會用到的日常報表平台。

尤其是公司體系內經營報表，我們用的是商業報表工具，就是finereport。推薦他是因為有兩個高效率的點：①可以完成從資料庫取數（有整合數據功能）—設計報表模板—數據展示的過程。②類似excel做報表，一張模板配合參數查詢可以代替幾十張報表。

FineBI

簡潔明了的數據分析工具，也是我個人最喜歡的可視化工具，優點是零代碼可視化、可視化圖表豐富，只需要拖拖拽拽就可以完成十分炫酷的可視化效果，擁有數據整合、可視化數據處理、探索性分析、數據挖掘、可視化分析報告等功能，更重要的是個人版免費。

主要優點是可以實現自助式分析，而且學習成本極低，幾乎不需要太深奧的編程基礎，比起很多國外的工具都比較易用上手，非常適合經常業務人員和運營人員。在綜合性方面，FineBI的表現比較突出，不需要編程而且簡單易做，能夠實現平台展示，比較適合企業用戶和個人用戶，在數據可視化方面是一個不錯的選擇；

這些是我見過比較常用的，對數據探索有幫助的可視化方法。

這個非常簡單，PyQt就可以輕松實現，一個基於Qt的介麵包，可以直接拖拽控制項設計UI界面，下面我簡單介紹一下這個包的安裝和使用，感興趣的朋友可以自己嘗試一下：

1.首先，安裝PyQt模塊，這個直接在cmd窗口輸入命令「pipinstallpyqt5」就行，如下，整個模塊比較大，下載過程需要等待一會兒，保持聯網：

2.安裝完成後，我們就可以直接打開Qt自帶的QtDesigner設計師設計界面了，這里默認會安裝到site-packages->PyQt5->Qt->bin目錄，打開後的界面如下，可以直接新建對話框等窗口，所有的控制項都可以直接拖拽，編輯屬性，非常方便：

3.這里我簡單的設計了一個登錄窗口，2個輸入框和2個按鈕，如下，這里可以直接使用QSS對界面進行美化（設置styleSheet屬性即可），類似網頁的CSS，如果你有一定的前端基礎，那麼美化起來會非常容易：

設計完成後，還只是一個ui文件，不是現成的Python代碼，還需要藉助pyuic5工具（也在bin目錄下）才能將ui文件轉化為Python代碼，切換到ui文件所在目錄，輸入命令「pyuic5-ologin.pylogin.ui」即可（這里替換成你的ui文件），轉化成功後的Python代碼如下（部分截圖）：

還需要在最下面添加一個main函數，創建上面Ui_Form類對象顯示窗口即可，如下：

最後點擊運行程序，效果如下，和剛才設計的界面效果一模一樣：

至此，我們就完成了利用Python的PyQt模塊直接拖拽控制項來設計UI界面。總的來說，整個過程非常簡單，只要你有一定的Python基礎，熟悉一下操作過程，很快就能掌握的，當然，還有許多其他UI開發模塊，像tkinter，wxPython，Eric6等，也都非常不錯，網上也有相關教程和資料，介紹的非常詳細，感興趣的話，可以搜一下，希望以上分享的內容能對你有所幫助吧，也歡迎大家評論、留言進行補充。

首先，如果沒有安裝python和PyQt軟體的請先直接搜索下載並安裝。python是一個開源軟體，因此都是可以在網上免費下載的，最新版本即可。下載完成後，我們先打開PyQtdesigner。

2

打開後，首先是一個默認的新建窗口界面，在這里我們就選擇默認的窗口即可。

3

現在是一個完全空白的窗口。第一步我們要先把所有的設計元素都拖進這個窗口。我們先拖入一個「Label」，就是一個不可編輯的標簽。

隨後我們再拖入一個可以編輯的「LineEdit」

最後我們拖入最後一個元素：「PushButton」按鈕，也就是平時我們所點的確定。

目前我們已經把所有所需要的元素都拖入了新建的窗口。對於每一個元素，我們都可以雙擊進行屬性值的修改，此時我們僅需要雙擊改個名字即可

此時我們已經完成了一半，接下來需要對動作信號進行操作。我們需要先切入編輯信號的模式

此時把滑鼠移動到任意元素，都會發現其變成紅色，代表其被選中。

當我們選中pushbutton後，繼續拖動滑鼠指向上面的lineedit，會發現由pushbutton出現一個箭頭指向了lineedit，代表pushbutton的動作會對lineedit進行操作。

隨即會彈出一個配置連接窗口。左邊的是pushbutton的操作，我們選擇clicked()，即點擊pushbutton。

右邊是對lineedit的操作，我們選擇clear()，即清楚lineedit中的內容。

最後我們點擊確定。

保存完成後，我們在PyQt中的操作就已經完成了。保存的文件名我們命名為test，PyQt生成的設計文件後綴是.ui。

⑶ python怎麼畫這個圖

記住一個中點，

然後移動 m 距離畫一個圓

然後回中點，旋轉角度在進行再移動 m 距離 畫一個圓

就這樣反復進行

記得旋轉的角度必須是能被360整除的數，

角度越小，畫就越密集

⑷ Python如何運用matplotlib庫繪制3D圖形

3D圖形在數據分析、數據建模、圖形和圖像處理等領域中都有著廣泛的應用，下面將給大家介紹一下如何在Python中使用 matplotlib進行3D圖形的繪制，包括3D散點、3D表面、3D輪廓、3D直線（曲線）以及3D文字等的繪制。

准備工作：

python中繪制3D圖形，依舊使用常用的繪圖模塊matplotlib，但需要安裝mpl_toolkits工具包，安裝方法如下：windows命令行進入到python安裝目錄下的Scripts文件夾下，執行： pip install --upgrade matplotlib即可；Linux環境下直接執行該命令。

安裝好這個模塊後，即可調用mpl_tookits下的mplot3d類進行3D圖形的繪制。

下面以實例進行說明。

1、3D表面形狀的繪制

這段代碼是繪制一個3D的橢球表面，結果如下：

2、3D直線（曲線）的繪制

這段代碼用於繪制一個螺旋狀3D曲線，結果如下：

3、繪制3D輪廓

繪制結果如下：

相關推薦：《Python視頻教程》

4、繪制3D直方圖

繪制結果如下：

5、繪制3D網狀線

繪制結果如下：

6、繪制3D三角面片圖

繪制結果如下：

7、繪制3D散點圖

繪制結果如下：

⑸ python的pillow庫怎麼使用

Pillow是Python里的圖像處理庫（PIL：Python Image Library），提供了了廣泛的文件格式支持，強大的圖像處理能力，主要包括圖像儲存、圖像顯示、格式轉換以及基本的圖像處理操作等。

1）使用 Image 類
PIL最重要的類是 Image class, 你可以通過多種方法創建這個類的實例；你可以從文件載入圖像，或者處理其他圖像, 或者從 scratch 創建。

要從文件載入圖像，可以使用open( )函數，在Image模塊中：

[python]view plain

• >>>fromPILimportImage

• >>>im=Image.open("E:/photoshop/1.jpg")

載入成功後，將返回一個Image對象，可以通過使用示例屬性查看文件內容：

[python]view plain

• >>>print(im.format,im.size,im.mode)

• ('JPEG',(600,351),'RGB')

• >>>

format這個屬性標識了圖像來源。如果圖像不是從文件讀取它的值就是None。size屬性是一個二元tuple，包含width和height（寬度和高度，單位都是px）。mode屬性定義了圖像bands的數量和名稱，以及像素類型和深度。常見的modes 有 「L」 (luminance) 表示灰度圖像, 「RGB」 表示真彩色圖像, and 「CMYK」 表示出版圖像。
如果文件打開錯誤，返回IOError錯誤。
只要你有了 Image 類的實例，你就可以通過類的方法處理圖像。比如，下列方法可以顯示圖像：

[python]view plain

• im.show()

2）讀寫圖像
PIL 模塊支持大量圖片格式。使用在 Image 模塊的 open() 函數從磁碟讀取文件。你不需要知道文件格式就能打開它，這個庫能夠根據文件內容自動確定文件格式。要保存文件，使用 Image 類的 save() 方法。保存文件的時候文件名變得重要了。除非你指定格式，否則這個庫將會以文件名的擴展名作為格式保存。

載入文件，並轉化為png格式：

[python]view plain

• "PythonImageLibraryTest"

• fromPILimportImage

• importos

• importsys

• forinfileinsys.argv[1:]:

• f,e=os.path.splitext(infile)

• outfile=f+".png"

• ifinfile!=outfile:

• try:

• Image.open(infile).save(outfile)

• exceptIOError:

• print("Cannotconvert",infile)

save() 方法的第二個參數可以指定文件格式。
3）創建縮略圖

縮略圖是網路開發或圖像軟體預覽常用的一種基本技術，使用Python的Pillow圖像庫可以很方便的建立縮略圖，如下：

[python]view plain

• #createthumbnail

• size=(128,128)

• forinfileinglob.glob("E:/photoshop/*.jpg"):

• f,ext=os.path.splitext(infile)

• img=Image.open(infile)

• img.thumbnail(size,Image.ANTIALIAS)

• img.save(f+".thumbnail","JPEG")

上段代碼對photoshop下的jpg圖像文件全部創建縮略圖，並保存，glob模塊是一種智能化的文件名匹配技術，在批圖像處理中經常會用到。
注意：Pillow庫不會直接解碼或者載入圖像柵格數據。當你打開一個文件，只會讀取文件頭信息用來確定格式，顏色模式，大小等等，文件的剩餘部分不會主動處理。這意味著打開一個圖像文件的操作十分快速，跟圖片大小和壓縮方式無關。

4）圖像的剪切、粘貼與合並操作

Image 類包含的方法允許你操作圖像部分選區，PIL.Image.Image.crop 方法獲取圖像的一個子矩形選區，如：

[python]view plain

• #crop,pasteandmerge

• im=Image.open("E:/photoshop/lena.jpg")

• box=(100,100,300,300)

• region=im.crop(box)

矩形選區有一個4元元組定義，分別表示左、上、右、下的坐標。這個庫以左上角為坐標原點，單位是px，所以上訴代碼復制了一個 200x200 pixels 的矩形選區。這個選區現在可以被處理並且粘貼到原圖。

[python]view plain

• region=region.transpose(Image.ROTATE_180)

• im.paste(region,box)

當你粘貼矩形選區的時候必須保證尺寸一致。此外，矩形選區不能在圖像外。然而你不必保證矩形選區和原圖的顏色模式一致，因為矩形選區會被自動轉換顏色。

5）分離和合並顏色通道

對於多通道圖像，有時候在處理時希望能夠分別對每個通道處理，處理完成後重新合成多通道，在Pillow中，很簡單，如下：

[python]view plain

• r,g,b=im.split()

• im=Image.merge("RGB",(r,g,b))

對於split（ ）函數，如果是單通道的，則返回其本身，否則，返回各個通道。
6）幾何變換

對圖像進行幾何變換是一種基本處理，在Pillow中包括resize( )和rotate( )，如用法如下：

[python]view plain

• out=im.resize((128,128))

• out=im.rotate(45)#degreeconter-clockwise

其中，resize( )函數的參數是一個新圖像大小的元祖，而rotate( )則需要輸入順時針的旋轉角度。在Pillow中，對於一些常見的旋轉作了專門的定義：

[python]view plain

• out=im.transpose(Image.FLIP_LEFT_RIGHT)

• out=im.transpose(Image.FLIP_TOP_BOTTOM)

• out=im.transpose(Image.ROTATE_90)

• out=im.transpose(Image.ROTATE_180)

• out=im.transpose(Image.ROTATE_270)

7）顏色空間變換

在處理圖像時，根據需要進行顏色空間的轉換，如將彩色轉換為灰度：

[python]view plain

• cmyk=im.convert("CMYK")

• gray=im.convert("L")

8）圖像濾波

圖像濾波在ImageFilter 模塊中，在該模塊中，預先定義了很多增強濾波器，可以通過filter( )函數使用，預定義濾波器包括：

BLUR、CONTOUR、DETAIL、EDGE_ENHANCE、EDGE_ENHANCE_MORE、EMBOSS、FIND_EDGES、SMOOTH、SMOOTH_MORE、SHARPEN。其中BLUR就是均值濾波，CONTOUR找輪廓，FIND_EDGES邊緣檢測，使用該模塊時，需先導入，使用方法如下：

[python]view plain

• fromPILimportImageFilter

• imgF=Image.open("E:/photoshop/lena.jpg")

• outF=imgF.filter(ImageFilter.DETAIL)

• conF=imgF.filter(ImageFilter.CONTOUR)

• edgeF=imgF.filter(ImageFilter.FIND_EDGES)

• imgF.show()

• outF.show()

• conF.show()

• edgeF.show()

除此以外，ImageFilter模塊還包括一些擴展性強的濾波器：

• classPIL.ImageFilter.GaussianBlur(radius=2)
  

• Gaussian blur filter.

  參數:

  radius– Blur radius.

• classPIL.ImageFilter.UnsharpMask(radius=2,percent=150,threshold=3)
  

• Unsharp mask filter.

  See Wikipedia』s entry ondigital unsharp maskingfor an explanation of the parameters.

• classPIL.ImageFilter.Kernel(size,kernel,scale=None,offset=0)
  

• Create a convolution kernel. The current version only supports 3x3 and 5x5 integer and floating point kernels.

  In the current version, kernels can only be applied to 「L」 and 「RGB」 images.

  參數:

• size– Kernel size, given as (width, height). In the current version, this must be (3,3) or (5,5).

• kernel– A sequence containing kernel weights.

• scale– Scale factor. If given, the result for each pixel is divided by this value. the default is the sum of the kernel weights.

• offset– Offset. If given, this value is added to the result, after it has been divided by the scale factor.

• classPIL.ImageFilter.RankFilter(size,rank)
  

• Create a rank filter. The rank filter sorts all pixels in a window of the given size, and returns therank『th value.

  參數:

• size– The kernel size, in pixels.

• rank– What pixel value to pick. Use 0 for a min filter,size*size/2for a median filter,size*size-1for a max filter, etc.

• classPIL.ImageFilter.MedianFilter(size=3)
  

• Create a median filter. Picks the median pixel value in a window with the given size.

  參數:

  size– The kernel size, in pixels.

• classPIL.ImageFilter.MinFilter(size=3)

• Create a min filter. Picks the lowest pixel value in a window with the given size.

  參數:

  size– The kernel size, in pixels.

• classPIL.ImageFilter.MaxFilter(size=3)

• Create a max filter. Picks the largest pixel value in a window with the given size.

  參數:

  size– The kernel size, in pixels.

• classPIL.ImageFilter.ModeFilter(size=3)

• Create a mode filter. Picks the most frequent pixel value in a box with the given size. Pixel values that occur only once or twice are ignored; if no pixel value occurs more than twice, the original pixel value is preserved.

  參數:

  size– The kernel size, in pixels.

  更多詳細內容可以參考：PIL/ImageFilter

9）圖像增強

圖像增強也是圖像預處理中的一個基本技術，Pillow中的圖像增強函數主要在ImageEnhance模塊下，通過該模塊可以調節圖像的顏色、對比度和飽和度和銳化等：

[python]view plain

• fromPILimportImageEnhance

• imgE=Image.open("E:/photoshop/lena.jpg")

• imgEH=ImageEnhance.Contrast(imgE)

• imgEH.enhance(1.3).show("30%morecontrast")

圖像增強：

• classPIL.ImageEnhance.Color(image)

• Adjust image color balance.

  This class can be used to adjust the colour balance of an image, in a manner similar to the controls on a colour TV set. An enhancement factor of 0.0 gives a black and white image. A factor of 1.0 gives the original image.

• classPIL.ImageEnhance.Contrast(image)

• Adjust image contrast.

  This class can be used to control the contrast of an image, similar to the contrast control on a TV set. An enhancement factor of 0.0 gives a solid grey image. A factor of 1.0 gives the original image.

• classPIL.ImageEnhance.Brightness(image)
  
  

• Adjust image brightness.

  This class can be used to control the brighntess of an image. An enhancement factor of 0.0 gives a black image. A factor of 1.0 gives the original image.

• classPIL.ImageEnhance.Sharpness(image)

• Adjust image sharpness.

  This class can be used to adjust the sharpness of an image. An enhancement factor of 0.0 gives a blurred image, a factor of 1.0 gives the original image, and a factor of 2.0 gives a sharpened image.

圖像增強的詳細內容可以參考：PIL/ImageEnhance

除了以上介紹的內容外，Pillow還有很多強大的功能：

PIL.Image.alpha_composite(im1,im2)


PIL.Image.blend(im1,im2,alpha)


PIL.Image.composite(image1,image2,mask)
PIL.Image.eval(image,*args)

PIL.Image.fromarray(obj,mode=None)

PIL.Image.frombuffer(mode,size,data,decoder_name='raw',*args)

⑹ 一般Python都用什麼可視化開發工具平台

常見的Python可視化庫有哪些？
Matplotlib
Matplotlib是一個Python 2維繪圖庫，已經成為Python中公認的數據可視化工具，通過Matplotlib你可以很輕松地畫一些或簡單或復雜地圖形，幾行代碼即可生成線圖、直方圖、功率譜、條形圖、錯誤圖、散點圖等等。

Seaborn
Seaborn是基於Mtplotlib產生的一個模塊，專攻於統計可視化，可以和pandas進行無縫鏈接，使初學者更容易上手。相對於Matplotlib，Seaborn語法更簡潔，兩者關系類似於NumPy、和Pandas之間的關系。

HoloViews
HoloViews是一個開源的Python庫，可以用非常少的代碼行中完成數據分析和可視化，除了默認的Matplotlib後端外，還添加了一個Bokeh後端。Bokeh提供了一個強大的平台，通過結合Bokeh提供的互動式小部件，可以使用HTML5 canvas和WebGL快速生成交互性和高維可視化，非常適合於數據的互動式探索。

Altair
Altair是Python的一個公認的統計可視化庫，它的API簡單、友好、一致，並建立在強大的vega-lite（互動式圖形語法）之上。Altair API不包含實際的可視化呈現代碼，而是按照vega-lite規范發出JSON數據結構。由此產生的數據可以在用戶界面中呈現，這種優雅的簡單性產生了漂亮且有效的可視化效果，且只需很少的代碼。

ggplot
ggplot是基於R的ggplot2和圖形語法的Python的繪圖系統，實現了更少的代碼繪制更專業的圖形。
它使用一個高級且富有表現力的API來實現線，點等元素的添加，顏色的更改等不同類型的可視化組件的組合或添加，而不需要重復使用相同的代碼，然而這對那些試圖進行高度定製的的來說，ggplot並不是最好的選擇，盡管它也可以製作一些非常復雜、好看的圖形。

Bokeh
Bokeh是一個Python互動式可視化庫，支持現代化Web瀏覽器展示。它提供風格優雅、簡潔的D3.js的圖形化樣式，並將此功能擴展到高性能交互的數據集，數據流上。使用Bokeh可以快速便捷地創建互動式繪圖、儀錶板和數據應用程序等。
Bokeh能與NumPy、Pandas，Blaze等大部分數組或表格式的數據結構完美結合。