python批量圖片
㈠ 使用boto3批量上傳圖片到S3
最近在工作中需要把本地的圖片上傳到亞馬遜對象存儲S3中供外鏈訪問。
為了更快的實現，使用了python 介面的boto3進行封裝，實現批量上傳圖片到S3
主要有以下的幾個函數：
1、實現S3的連接
2、實現單個圖片的上傳
3、實現單個圖片的刪除
4、實現整個bucket的內容的清除
5、實現上傳整個文件夾里的圖片並做去除非文件
㈡ Python 批量處理圖片，生成gif動圖
大多博客給的生成GIF圖都是要手打圖片名字，覺得太麻煩，整了個把所有圖片放在一個文件夾里，就可以就這些圖片生成GIF圖的工具
# user:Yollison
# Author: Yollison
# createtime: 2021/9/23 9:41
'''
這個程序是把某個文件夾里所有圖片生斗畝成GIF動圖
裡面的功能不包括整理圖畝輪片格式，直接暴力生成，所以圖片最好在保存時就整理好格式
'''
import imageio
import os
def create_gif(image_list, gif_name, ration=0.35):
frames = []
for image_namein image_list:
frames.append(imageio.imread(image_name))
imageio.mimsave(gif_name, frames, 'GIF', ration=ration)
return
def main():
image_list = []
# 自動讀取文件夾里圖片的名字
for filenamein os.listdir(r"D:/results"):# 圖片迅銷信所在文件夾的路徑
image_list.append('D:\\results\\'+filename)# 此路徑與上一條語句路徑保持一致
gif_name ='result.gif' # 保存路徑在此程序這里，也可自己指定路徑
ration =0.35
# 生成gif
create_gif(image_list, gif_name, ration)
if __name__ =='__main__':
main()
㈢ 如何用python實現爬取微博相冊所有圖片
三種方案:
1.直接用Python的requests庫直接爬取，不過這個需要手動做的事情就比較多了，基本上就看你的Python功力了
2.使用scrapy爬蟲框架，這個框架如果不熟悉的話只能自己先去了解下這個框架怎麼用
3.使用自動測試框架selemium模擬登錄操作，及圖片爬取，這個對於大多數會點Python編碼的人來說是最好的選擇了，他比較直觀的能看到怎麼去獲取數據
每種方案的前提都是你必須有一定基礎的編碼能力才行，不是隨便一個人就能用的
㈣ Python小技巧：兩行代碼實現批量給圖片填加水印，這也太簡單了
我們平時要給圖片加水印，但是又不會PS，免不了著急上火，還找不到人，想想還是得自己學一手~
而且圖片很多的話，PS還是挺慢的，用Python一鍵生成即可，效率杠杠的。
准備工作
環境的話我這里使用的是 Python 和 pycharm
如果添加一張圖片的水印，兩行代碼就實現了。
本次使用的模塊是 filestools , 第三方模塊，咱們需要手動安裝一下。
win+r打開搜索框，輸入cmd 按確定後彈出命令提示符窗口，輸入 pip install filestools 即可安裝成功。
代碼解析
1、單張圖片中納添加水印
模塊導入
怎麼使用 filestools 模塊呢？
首先導入模塊裡面的一個方法，watermarker ，點上 marker ，然後 import add_mark
add_mark 已經包含了很多方法
file 是添加水印照片 ，mark 使用哪些字作為水印，out 保存的地方 ，color 顏色，size 水印字體的大小，opacity 不透明度，space 字體間距，angle 旋轉角度。
假設我要給圖片添加上：人生苦短, 快學python
咱們把圖片和文字加進去即可，代碼如下：
2、批量填加多張圖片水印
批量給圖片添加的話，需要用到 OS 模塊。
導入一下
用os模塊讀取文件夾所有內容 ，使用 files 接收。
列印一緩慧下
現在所有文件名字都有了
通過 for 循環遍歷都列印出來
然後將文件添加進去，我們讀取的是 img_1 裡面的內容，那就把這個文擾培答件里的內容都傳進去，保存數據的時候，都會保存在這裡面。
再改一下透明度
我這里改成0.5
這樣就清晰多了~
㈤ python 如何將大量圖片的url保存到本地
你如果要保存圖片的url，直接把imgsrc寫入本地文件就可以了，urllib.request.urlretrieve(imgsrc)這個的意思是你要保存的不是圖片的url，而是要把圖片下載下來，這個是要批量爬取網站上的圖片，需要考慮網站的反爬蟲措施了。
㈥ python處理圖片數據
目錄
1.機器是如何存儲圖像的？
2.在Python中讀取圖像數據
3.從圖像數據中提取特徵的方法#1：灰度像素值特徵
4.從圖像數據中提取特徵的方法#2：通道的平均像素值
5.從圖像數據中提取特徵的方法#3：提取邊緣
是一張數字8的圖像，仔細觀察就會發現，圖像是由小方格組成的。這些小方格被稱為像素。
但是要注意，人們是以視覺的形式觀察圖像的，可以輕松區分邊緣和顏色，從而識別圖片中的內容。然而機器很難做到這一點，它們以數字的形式存儲圖像。請看下圖：
機器以數字矩陣的形式儲存圖像，矩陣大小取決於任意給定圖像的像素數。
假設圖像的尺寸為180 x 200或n x m，這些尺寸基本上是圖像中的像素數（高x寬）。
這些數字或像素值表示像素的強度或亮度，較小的數字（接近0）表示黑色，較大的數字（接近255）表示白色。通過分析下面的圖像，讀者就會弄懂到目前為止所學到的知識。
下圖的尺寸為22 x 16，讀者可以通過計算像素數來驗證：
圖片源於機器學習應用課程
剛才討論的例子是黑白圖像，如果是生活中更為普遍的彩色呢？你是否認為彩色圖像也以2D矩陣的形式存儲？
彩色圖像通常由多種顏色組成，幾乎所有顏色都可以從三原色（紅色，綠色和藍色）生成。
因此，如果是彩色圖像，則要用到三個矩陣（或通道）——紅、綠、藍。每個矩陣值介於0到255之間，表示該像素的顏色強度。觀察下圖來理解這個概念：
圖片源於機器學習應用課程
左邊有一幅彩色圖像（人類可以看到），而在右邊，紅綠藍三個顏色通道對應三個矩陣，疊加三個通道以形成彩色圖像。
請注意，由於原始矩陣非常大且可視化難度較高，因此這些不是給定圖像的原始像素值。此外，還可以用各種其他的格式來存儲圖像，RGB是最受歡迎的，所以筆者放到這里。讀者可以在此處閱讀更多關於其他流行格式的信息。
用Python讀取圖像數據
下面開始將理論知識付諸實踐。啟動Python並載入圖像以觀察矩陣：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from skimage.io import imread, imshow
image = imread('image_8_original.png', as_gray=True)
imshow(image)
#checking image shape
image.shape, image
（28，28）
矩陣有784個值，而且這只是整個矩陣的一小部分。用一個LIVE編碼窗口，不用離開本文就可以運行上述所有代碼並查看結果。
下面來深入探討本文背後的核心思想，並探索使用像素值作為特徵的各種方法。
方法#1：灰度像素值特徵
從圖像創建特徵最簡單的方法就是將原始的像素用作單獨的特徵。
考慮相同的示例，就是上面那張圖（數字『8』），圖像尺寸為28×28。
能猜出這張圖片的特徵數量嗎？答案是與像素數相同！也就是有784個。
那麼問題來了，如何安排這784個像素作為特徵呢？這樣，可以簡單地依次追加每個像素值從而生成特徵向量。如下圖所示：
下面來用Python繪制圖像，並為該圖像創建這些特徵：
image = imread('puppy.jpeg', as_gray=True)
image.shape, imshow(image)
（650，450）
該圖像尺寸為650×450，因此特徵數量應為297,000。可以使用NumPy中的reshape函數生成，在其中指定圖像尺寸：
#pixel features
features = np.reshape(image, (660*450))
features.shape, features
(297000,)
array([0.96470588, 0.96470588, 0.96470588, ..., 0.96862745, 0.96470588,
0.96470588])
這里就得到了特徵——長度為297,000的一維數組。很簡單吧？在實時編碼窗口中嘗試使用此方法提取特徵。
但結果只有一個通道或灰度圖像，對於彩色圖像是否也可以這樣呢？來看看吧！
方法#2：通道的平均像素值
在讀取上一節中的圖像時，設置了參數『as_gray = True』，因此在圖像中只有一個通道，可以輕松附加像素值。下面刪除參數並再次載入圖像：
image = imread('puppy.jpeg')
image.shape
(660, 450, 3)
這次，圖像尺寸為（660，450，3），其中3為通道數量。可以像之前一樣繼續創建特徵，此時特徵數量將是660*450*3 = 891,000。
或者，可以使用另一種方法：
生成一個新矩陣，這個矩陣具有來自三個通道的像素平均值，而不是分別使用三個通道中的像素值。
下圖可以讓讀者更清楚地了解這一思路：
這樣一來，特徵數量保持不變，並且還能考慮來自圖像全部三個通道的像素值。
image = imread('puppy.jpeg')
feature_matrix = np.zeros((660,450))
feature_matrix.shape
(660, 450)
現有一個尺寸為（660×450×3）的三維矩陣，其中660為高度，450為寬度，3是通道數。為獲取平均像素值，要使用for循環：
for i in range(0,iimage.shape[0]):
for j in range(0,image.shape[1]):
feature_matrix[i][j] = ((int(image[i,j,0]) + int(image[i,j,1]) + int(image[i,j,2]))/3)
新矩陣具有相同的高度和寬度，但只有一個通道。現在，可以按照與上一節相同的步驟進行操作。依次附加像素值以獲得一維數組：
features = np.reshape(feature_matrix, (660*450))
features.shape
(297000,)
方法#3：提取邊緣特徵
請思考，在下圖中，如何識別其中存在的對象：
識別出圖中的對象很容易——狗、汽車、還有貓，那麼在區分的時候要考慮哪些特徵呢？形狀是一個重要因素，其次是顏色，或者大小。如果機器也能像這樣識別形狀會怎麼樣？
類似的想法是提取邊緣作為特徵並將其作為模型的輸入。稍微考慮一下，要如何識別圖像中的邊緣呢？邊緣一般都是顏色急劇變化的地方，請看下圖：
筆者在這里突出了兩個邊緣。這兩處邊緣之所以可以被識別是因為在圖中，可以分別看到顏色從白色變為棕色，或者由棕色變為黑色。如你所知，圖像以數字的形式表示，因此就要尋找哪些像素值發生了劇烈變化。
假設圖像矩陣如下：
圖片源於機器學習應用課程
該像素兩側的像素值差異很大，於是可以得出結論，該像素處存在顯著的轉變，因此其為邊緣。現在問題又來了，是否一定要手動執行此步驟？
當然不！有各種可用於突出顯示圖像邊緣的內核，剛才討論的方法也可以使用Prewitt內核（在x方向上）來實現。以下是Prewitt內核：
獲取所選像素周圍的值，並將其與所選內核（Prewitt內核）相乘，然後可以添加結果值以獲得最終值。由於±1已經分別存在於兩列之中，因此添加這些值就相當於獲取差異。
還有其他各種內核，下面是四種最常用的內核：
圖片源於機器學習應用課程
現在回到筆記本，為同一圖像生成邊緣特徵：
#importing the required libraries
import numpy as np
from skimage.io import imread, imshow
from skimage.filters import prewitt_h,prewitt_v
import matplotlib.pyplot as plt
%matplotlib inline
#reading the image
image = imread('puppy.jpeg',as_gray=True)
#calculating horizontal edges using prewitt kernel
edges_prewitt_horizontal = prewitt_h(image)
#calculating vertical edges using prewitt kernel
edges_prewitt_vertical = prewitt_v(image)
imshow(edges_prewitt_vertical, cmap='gray')
㈦ 怎麼用python把多個圖片變成gif 格式
解決這個問題需要用到PIL庫
fromPILimportImage
importos
第一步 獲得所有圖像文件列表，過濾不需要擴展名
filelist=[]
path=os.getcwd()
files=os.listdir(path)
forfinfiles:
if(os.path.isfile(path+'/'+f)):
if(os.path.splitext(f)[1]==".BMP"):
filelist.append(f)
if(os.path.splitext(f)[1]==".JPG"):
filelist.append(f)
if(os.path.splitext(f)[1]==".PNG"):
filelist.append(f)
if(os.path.splitext(f)[1]==".TIF"):
filelist.append(f)
第二步 當判斷文件不是GIF格式的時候轉換為GIF格式
forinfileinfilelist:
outfile=os.path.splitext(infile)[0]+".gif"
ifinfile!=outfile:
try:
Image.open(infile).save(outfile)
print"CoverttoGIFsuccessfully!"
exceptIOError:
print"Thisformatcannotsupport!",infile