A. python处理图像何时要将图像转化为uint8格式uint8是什么用array（）方法打开图像后图像是什么格式
1. uint8是无符号八位整型，表示范围是[0, 255]的整数
2. Python处理图像个人主要推荐下面两种
a) PIL (pip install pillow)，这个比较原生，并且处理过程中一直是uint8
fromPILimportImage
importnumpyasnp
im=Image.open('test.jpg')#从读入就是uint8
npim=np.array(im)#转换成numpyarray处理
b) cv2 (pip install opencv-python)，opencv的python实现
importcv2
im=cv2.imread('test.jpg')#读入默认是uint8格式的numpyarray
一般情况直接用uint8即可，若是有需求（如神经网络等），可以转换成浮点数等形式。如果需要转回PIL的图像对象，那就必须是uint8的格式。如果一直用cv2的话，也可以直接保存浮点数形式的（注意是0~255，不是0~1）。
B. Python怎么输出一幅图像每个点的像素值
我是用PIL这个库，用opencv的库也可以x0dx0afrom PIL import Imagex0dx0aimg=Image.open("demo.jpg")x0dx0aimg_array=img.load()x0dx0a然后就可以通过img_array[x,y]来读取像素值了x0dx0a另外img.size查看图片大小，也可以通过img_array[x,y]=(11,22,33)来设置RGB像素值
C. python下使用openCV3，如何在一幅灰度图中，为所有灰度为某特定值的点赋另一灰度值
你好，我觉得用np.where是可以实现的，下面是相关的实现代码：
importcv2
importnumpyasnp
image=np.zeros((400,400,3),dtype="uint8")
raw=image.()
image[np.where((image==[0,0,0]).all(axis=2))]=[255,255,255]
cv2.imshow('Test0',image)
lower_black=np.array([0,0,0],dtype="uint16")
upper_black=np.array([70,70,70],dtype="uint16")
black_mask=cv2.inRange(image,lower_black,upper_black)
image[np.where((image==[0,0,0]).all(axis=2))]=[155,255,155]
black_mask[np.where(black_mask==[0])]=[155]
cv2.imshow('Test',image)
cv2.imshow('Test2',raw)
cv2.imshow('Test3',black_mask)
D. Python 有那么神吗
很多对Python不熟悉的人，认为Python在最近这些年的兴起是运气而已。本文帮助大家回顾一下过去十几年Python的3次增长和对应的历史背景。
Python设计之处的特点，包括易学易用，以及作为胶水语言。易学易用是个难以量化的东西，但至少我接触的绝大多数朋友都认同Python在学习和使用上是比大部分语言简单的。有些人不认同Python通常也不是认为Python相对其他语言难学，而是认为Python的运行速度慢，或者动态类型语言的通病。至于胶水语言就比较窄了，面向作为胶水而设计的语言是很少的，印象里只有Lua算得上一个。另一个Python相较其他语言的优势是字符串处理。
以下介绍Python获得发展的3次机遇期。
2006年的搜索/NLP：2006年前后正好是搜索引擎公司发展的爆发期。那一年Google中国李开复搞了关门弟子计划，网络也做了诸多广告，比如网络更懂中文系列。在那个时代搜索引擎就是IT行业的高科技。之后不久，阿里巴巴也搞了个ASC(阿里巴巴搜索技术研究中心)，后来多次追潮流更名，一直作为阿里巴巴内部的前沿研发部门。
而Python用作搜索引擎和NLP是很有历史的。早期Google在90年代开发搜索引擎爬虫就是使用Python实现的。而即便是现在，开发爬虫，Python也基本上就是第一选择。很多人学习Python的入门程序也是爬虫。而Python适合开发爬虫的关键在于Python的字符串处理是很方便的。
也就是从2006年末开始，国内的python-cn邮件列表涌入了大量的新人，并以爬虫为例开始深入学习Python。
2010年的WEB创业潮：2010年开始，国内外出现了新一轮的创业潮，大家开发的是各种各样的网站。此时的WEB开发上，Python已经逐步成为主流WEB服务器开发选项中的一种。相对于同时代的Java和PHP等，有着开发效率上的优势。
正因为早期创业公司需要迅速的迭代和试错，使得这个时代的Python成为了一个不错的选项。进而让更多工程师开始学习起来Python。
也就是从这个时期开始，才逐渐有较多的公司会公开招聘Python工程师。在此前招聘Python工程师的广告是非常非常少见的。
2014年的Deep Learning：从2014年开始火起来的深度学习上，Python的优势是近乎绝对的。深度学习的主流开发语言只有C++和Python两种了，其他语言可以认为根本就没能在这里分到什么像样的空间。所有主流的Deep Learning框架，也是官方直接提供了C++和Python两种接口。而由于C++开发的难度，当前确实有不少从业工程师是直接用Python搞定深度学习的相关步骤。
这次Python的增长期被更多不了解Python的人认为是Python的狗屎运。但其背后的逻辑反倒是非常坚固的。原因就是Python是个很好的胶水。最初的起点是numpy库。
numpy是封装了BLAS的科学计算库。BLAS是对CPU向量指令集高度优化的数学运算库。通过BLAS进行科学计算可以得到顶级的计算性能，这个计算性能比未经向量指令集优化的C程序还能快上数倍。而numpy的另一个重要特点就是，把buffer做了封装，使得buffer的内容是无需Python处理的，而是实际交给特定的软件库来处理，numpy只是负责维护该buffer的生命周期，形状等元数据。这就使得numpy的计算性能不会受到Python的影响，但同时却可以利用Python的易学易用来管理buffer的生命周期。
numpy对buffer的管理带来的易用性优势在后来得到了很大的发展。如以下几点：
OpenCV：在opencv-python中就是使用了numpy.array来管理图像数据，却没有像C++接口一样使用Mat。同样的顶级性能。
PyCuda/PyOpenCL：也是利用了numpy.array来透明传递数据给GPU做高性能计算。尤其是集成了JIT，使得可以用字符串的方式传递kernel function，不再像C++一样要独立编译一遍。
Caffe/TensorFlow：同样利用了numpy.array，并利用了PyCuda/PyOpenCL的集成。
所以这样一路发现下来，由Python是个好胶水，就真的把若干很好用的库全流程的粘在了一起。在流程集成上都是顶级的性能，而没有Python的性能损耗，同时带来了非常好的易用性。
相比其他语言，对这些C/C++库的玩法都是先封装一层对象，包准封装的前后对不上。而且因为大部分语言并不是面向胶水设计，开发C接口都很困难。自然与这些高性能计算库的结合困难重重。累计起来就与Python产生了差距。
题主所提到的R语言，是一种领域相关的语言，是做统计领域的，类似的还有做科学计算的Matlab。如果程序的输出只是一份报告，甚至一份统计图，问题是不大的。但想要成为产品，与其他系统集成则成了难题。一般的服务器部署产品，是不会选择在工程上这么不专业的语言。所以，实际应用时，还是要有工程师负责将算法提取出来，移植到产品级的语言和平台上。举个例子，R虽然可以正常的访问MySQL数据库之类的。但产品级系统中，涉及到memcache、kafka、etcd等，可就没有R语言的接口了。所以这些领域相关语言，写一些自己电脑上跑的小程序还可以，进入产品是没什么希望了。
再者就是因为通用性一直难以跨越出自己的领域，所以这类语言的生命周期一般都不太长，失去自己领域的强支撑后会很快消亡。所以建议题主还是花一些精力去看看业界通用的一些语言。
E. opencv 图像识别 c python哪个快
两者主要的区别在于接口和效率。
实际上Python和C++的OpenCV接口几乎一样，不同的是用C++的话，矩阵用的是cv::Mat，Python里面用的是numpy.array，用法和接口都不一样，但文档丰富，使用也非常方便，原理也相似。
效率方面，Python的接口实际上只是一层Binding，最终还是调用libopencv_*.so里面的函数，所以在OpenCV这一层效率与C++是完全一致的。唯一不同的就是它的numpy.array和cv::Mat。Numpy底层也是使用C Extension的方法写，但相比C++版的OpenCV接口，Python的接口需要把Numpy的数据转化成OpenCV的C接口可接受的输入。
实测Python写的程序会慢，但具体慢多少并没有测试数据可支撑。
用Python写实际上也不会比C++开发快多少，因为接口都是一样的，我建议不如直接用C++写。
简单说两句，选python还是C++，考虑下面几个问题
1. 性能压力在哪里？python的GIL使得多线程不能多核并行，必须用多进程，而且天生python要比c++慢一些。因此如果是cpu密集型，建议用C++，如果是IO密集型，python没有那么大的劣势。
2. 开发成本高还是运行成本高，一个开发人员一个月多少钱，一个服务器一个月多少钱，通常来说前者越来越贵而后者反之，权衡下利弊，C++开发要比python慢，在性能都达标的情况下，如果节省的服务器成本能抵过开发成本，用C++，反之用python。
1，差不多，基本调用参数都一样，格式符合各自语言规范。
2，在我开发的程序中python比cpp明显有差距，但是换到工作用的电脑上这个差距就看不错来了，so，硬件配置好一些，用python做实时也是没有问题的。外，感觉同样的函数python就是比cpp慢一些，虽然上面说到python底层用的也是lib。
3，基本一样。（python可能功能稍微差一点2.4.8版本有个函数没在python中找到，但是也就那一个）
4，python比较简单，开发可能快一点（主要是软件的其他部分可能比较容易开发）。
F. 如何从python中opencv的阵列读取原始PNG
PNG图像从我的iPhone到我的MacBook通过TCP。 MacBook的代码是从怎样的形象与OpenCV的转换？ PNG格式被选中它们是有效的，但其他格式可以 我写了一个测试程序，从文件中读取的rawImage，但不知道如何将它转化成：# Read rawImage from a file, but in reality will have it from TCPServer
f = open('frame.png', "rb")
rawImage = f.read()
f.close()
# Not sure how to convert rawImage
npImage = np.array(rawImage)
matImage = cv2.imdecode(rawImage, 1)
#show it
cv.NamedWindow('display')
cv.MoveWindow('display', 10, 10)
cv.ShowImage('display', matImage)
cv. WaitKey(0)
1. 另一种方式， 也是在阅读一个实际的文件的情况下，这将适用于一个unicode路径（在Windows上进行测试）with open(image_full_path, 'rb') as img_stream:
file_bytes = numpy.asarray(bytearray(img_stream.read()), dtype=numpy.uint8)
img_data_ndarray = cv2.imdecode(file_bytes, cv2.CV_LOAD_IMAGE_UNCHANGED)
img_data_cvmat = cv.fromarray(img_data_ndarray) # convert to old cvmat if needed
2. （你的问题似乎被标记的Objective-C，但你问的Python，所以是你的榜样，所以我'的。） 我的第一篇文章对堆栈溢出！ 简历。似乎是你在找什么。 的LoadImage（iscolor=CV_LOAD_IMAGE_COLOR）→无Loads an image from a file as an IplImage.
Parameters:
filename (str) – Name of file to be loaded.
iscolor (int) –
Specific color type of the loaded image:
CV_LOAD_IMAGE_COLOR the loaded image is forced to be a 3-channel color image
CV_LOAD_IMAGE_GRAYSCALE the loaded image is forced to be grayscale
CV_LOAD_IMAGE_UNCHANGED the loaded image will be loaded as is.
该函数cvLoadImage加载图像从指定的文件和 返回的指针加载的图像。目前，下列文件 格式支持：Windows bitmaps - BMP, DIB
JPEG files - JPEG, JPG, JPE
Portable Network Graphics - PNG
Portable image format - PBM, PGM, PPM
Sun rasters - SR, RAS
TIFF files - TIFF, TIF
注意，在当前的alpha通道，如果有的话，是 从输出图像除去，例如4通道的RGBA图像会 加载为RGB。
3. 我想通了：# Read rawImage from a file, but in reality will have it from TCPServer
f = open('frame.png', "rb")
rawImage = f.read()
f.close()
# Convert rawImage to Mat
pilImage = Image.open(StringIO(rawImage));
npImage = np.array(pilImage)
matImage = cv.fromarray(npImage)
#show it
cv.NamedWindow('display')
cv.MoveWindow('display', 10, 10)
cv.ShowImage('display', matImage)
cv. WaitKey(0)
G. 如何用 Python 实现一个抠图功能
使用Python和OpenCV进行抠图
其中使用了opencv中的grabcut方法
直接上代码
[python] view plain
# encoding:utf-8
# 图像提取
# create by
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('1.jpg')
mask = np.zeros(img.shape[:2], np.uint8)
bgdModel = np.zeros((1, 65), np.float64)
fgdModel = np.zeros((1, 65), np.float64)
rect = (20, 20, 413, 591)
cv2.grabCut(img, mask, rect, bgdModel, fgdModel, 10, cv2.GC_INIT_WITH_RECT)mask2 = np.where((mask == 2) | (mask == 0), 0, 1).astype('uint8')img = img * mask2[:, :, np.newaxis]
img += 255 * (1 - cv2.cvtColor(mask2, cv2.COLOR_GRAY2BGR))# plt.imshow(img)
# plt.show()
img = np.array(img)
mean = np.mean(img)
img = img - mean
img = img * 0.9 + mean * 0.9
img /= 255
plt.imshow(img)
plt.show()