python批量图片
㈠ 使用boto3批量上传图片到S3
最近在工作中需要把本地的图片上传到亚马逊对象存储S3中供外链访问。
为了更快的实现，使用了python 接口的boto3进行封装，实现批量上传图片到S3
主要有以下的几个函数：
1、实现S3的连接
2、实现单个图片的上传
3、实现单个图片的删除
4、实现整个bucket的内容的清除
5、实现上传整个文件夹里的图片并做去除非文件
㈡ Python 批量处理图片，生成gif动图
大多博客给的生成GIF图都是要手打图片名字，觉得太麻烦，整了个把所有图片放在一个文件夹里，就可以就这些图片生成GIF图的工具
# user:Yollison
# Author: Yollison
# createtime: 2021/9/23 9:41
'''
这个程序是把某个文件夹里所有图片生斗亩成GIF动图
里面的功能不包括整理图亩轮片格式，直接暴力生成，所以图片最好在保存时就整理好格式
'''
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 = []
# 自动读取文件夹里图片的名字
for filenamein os.listdir(r"D:/results"):# 图片迅销信所在文件夹的路径
image_list.append('D:\\results\\'+filename)# 此路径与上一条语句路径保持一致
gif_name ='result.gif' # 保存路径在此程序这里，也可自己指定路径
ration =0.35
# 生成gif
create_gif(image_list, gif_name, ration)
if __name__ =='__main__':
main()
㈢ 如何用python实现爬取微博相册所有图片
三种方案:
1.直接用Python的requests库直接爬取，不过这个需要手动做的事情就比较多了，基本上就看你的Python功力了
2.使用scrapy爬虫框架，这个框架如果不熟悉的话只能自己先去了解下这个框架怎么用
3.使用自动测试框架selemium模拟登录操作，及图片爬取，这个对于大多数会点Python编码的人来说是最好的选择了，他比较直观的能看到怎么去获取数据
每种方案的前提都是你必须有一定基础的编码能力才行，不是随便一个人就能用的
㈣ Python小技巧：两行代码实现批量给图片填加水印，这也太简单了
我们平时要给图片加水印，但是又不会PS，免不了着急上火，还找不到人，想想还是得自己学一手~
而且图片很多的话，PS还是挺慢的，用Python一键生成即可，效率杠杠的。
准备工作
环境的话我这里使用的是 Python 和 pycharm
如果添加一张图片的水印，两行代码就实现了。
本次使用的模块是 filestools , 第三方模块，咱们需要手动安装一下。
win+r打开搜索框，输入cmd 按确定后弹出命令提示符窗口，输入 pip install filestools 即可安装成功。
代码解析
1、单张图片中纳添加水印
模块导入
怎么使用 filestools 模块呢？
首先导入模块里面的一个方法，watermarker ，点上 marker ，然后 import add_mark
add_mark 已经包含了很多方法
file 是添加水印照片 ，mark 使用哪些字作为水印，out 保存的地方 ，color 颜色，size 水印字体的大小，opacity 不透明度，space 字体间距，angle 旋转角度。
假设我要给图片添加上：人生苦短, 快学python
咱们把图片和文字加进去即可，代码如下：
2、批量填加多张图片水印
批量给图片添加的话，需要用到 OS 模块。
导入一下
用os模块读取文件夹所有内容 ，使用 files 接收。
打印一缓慧下
现在所有文件名字都有了
通过 for 循环遍历都打印出来
然后将文件添加进去，我们读取的是 img_1 里面的内容，那就把这个文扰培答件里的内容都传进去，保存数据的时候，都会保存在这里面。
再改一下透明度
我这里改成0.5
这样就清晰多了~
㈤ python 如何将大量图片的url保存到本地
你如果要保存图片的url，直接把imgsrc写入本地文件就可以了，urllib.request.urlretrieve(imgsrc)这个的意思是你要保存的不是图片的url，而是要把图片下载下来，这个是要批量爬取网站上的图片，需要考虑网站的反爬虫措施了。
㈥ python处理图片数据
目录
1.机器是如何存储图像的？
2.在Python中读取图像数据
3.从图像数据中提取特征的方法#1：灰度像素值特征
4.从图像数据中提取特征的方法#2：通道的平均像素值
5.从图像数据中提取特征的方法#3：提取边缘
是一张数字8的图像，仔细观察就会发现，图像是由小方格组成的。这些小方格被称为像素。
但是要注意，人们是以视觉的形式观察图像的，可以轻松区分边缘和颜色，从而识别图片中的内容。然而机器很难做到这一点，它们以数字的形式存储图像。请看下图：
机器以数字矩阵的形式储存图像，矩阵大小取决于任意给定图像的像素数。
假设图像的尺寸为180 x 200或n x m，这些尺寸基本上是图像中的像素数（高x宽）。
这些数字或像素值表示像素的强度或亮度，较小的数字（接近0）表示黑色，较大的数字（接近255）表示白色。通过分析下面的图像，读者就会弄懂到目前为止所学到的知识。
下图的尺寸为22 x 16，读者可以通过计算像素数来验证：
图片源于机器学习应用课程
刚才讨论的例子是黑白图像，如果是生活中更为普遍的彩色呢？你是否认为彩色图像也以2D矩阵的形式存储？
彩色图像通常由多种颜色组成，几乎所有颜色都可以从三原色（红色，绿色和蓝色）生成。
因此，如果是彩色图像，则要用到三个矩阵（或通道）——红、绿、蓝。每个矩阵值介于0到255之间，表示该像素的颜色强度。观察下图来理解这个概念：
图片源于机器学习应用课程
左边有一幅彩色图像（人类可以看到），而在右边，红绿蓝三个颜色通道对应三个矩阵，叠加三个通道以形成彩色图像。
请注意，由于原始矩阵非常大且可视化难度较高，因此这些不是给定图像的原始像素值。此外，还可以用各种其他的格式来存储图像，RGB是最受欢迎的，所以笔者放到这里。读者可以在此处阅读更多关于其他流行格式的信息。
用Python读取图像数据
下面开始将理论知识付诸实践。启动Python并加载图像以观察矩阵：
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）
矩阵有784个值，而且这只是整个矩阵的一小部分。用一个LIVE编码窗口，不用离开本文就可以运行上述所有代码并查看结果。
下面来深入探讨本文背后的核心思想，并探索使用像素值作为特征的各种方法。
方法#1：灰度像素值特征
从图像创建特征最简单的方法就是将原始的像素用作单独的特征。
考虑相同的示例，就是上面那张图（数字‘8’），图像尺寸为28×28。
能猜出这张图片的特征数量吗？答案是与像素数相同！也就是有784个。
那么问题来了，如何安排这784个像素作为特征呢？这样，可以简单地依次追加每个像素值从而生成特征向量。如下图所示：
下面来用Python绘制图像，并为该图像创建这些特征：
image = imread('puppy.jpeg', as_gray=True)
image.shape, imshow(image)
（650，450）
该图像尺寸为650×450，因此特征数量应为297,000。可以使用NumPy中的reshape函数生成，在其中指定图像尺寸：
#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])
这里就得到了特征——长度为297,000的一维数组。很简单吧？在实时编码窗口中尝试使用此方法提取特征。
但结果只有一个通道或灰度图像，对于彩色图像是否也可以这样呢？来看看吧！
方法#2：通道的平均像素值
在读取上一节中的图像时，设置了参数‘as_gray = True’，因此在图像中只有一个通道，可以轻松附加像素值。下面删除参数并再次加载图像：
image = imread('puppy.jpeg')
image.shape
(660, 450, 3)
这次，图像尺寸为（660，450，3），其中3为通道数量。可以像之前一样继续创建特征，此时特征数量将是660*450*3 = 891,000。
或者，可以使用另一种方法：
生成一个新矩阵，这个矩阵具有来自三个通道的像素平均值，而不是分别使用三个通道中的像素值。
下图可以让读者更清楚地了解这一思路：
这样一来，特征数量保持不变，并且还能考虑来自图像全部三个通道的像素值。
image = imread('puppy.jpeg')
feature_matrix = np.zeros((660,450))
feature_matrix.shape
(660, 450)
现有一个尺寸为（660×450×3）的三维矩阵，其中660为高度，450为宽度，3是通道数。为获取平均像素值，要使用for循环：
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)
新矩阵具有相同的高度和宽度，但只有一个通道。现在，可以按照与上一节相同的步骤进行操作。依次附加像素值以获得一维数组：
features = np.reshape(feature_matrix, (660*450))
features.shape
(297000,)
方法#3：提取边缘特征
请思考，在下图中，如何识别其中存在的对象：
识别出图中的对象很容易——狗、汽车、还有猫，那么在区分的时候要考虑哪些特征呢？形状是一个重要因素，其次是颜色，或者大小。如果机器也能像这样识别形状会怎么样？
类似的想法是提取边缘作为特征并将其作为模型的输入。稍微考虑一下，要如何识别图像中的边缘呢？边缘一般都是颜色急剧变化的地方，请看下图：
笔者在这里突出了两个边缘。这两处边缘之所以可以被识别是因为在图中，可以分别看到颜色从白色变为棕色，或者由棕色变为黑色。如你所知，图像以数字的形式表示，因此就要寻找哪些像素值发生了剧烈变化。
假设图像矩阵如下：
图片源于机器学习应用课程
该像素两侧的像素值差异很大，于是可以得出结论，该像素处存在显着的转变，因此其为边缘。现在问题又来了，是否一定要手动执行此步骤？
当然不！有各种可用于突出显示图像边缘的内核，刚才讨论的方法也可以使用Prewitt内核（在x方向上）来实现。以下是Prewitt内核：
获取所选像素周围的值，并将其与所选内核（Prewitt内核）相乘，然后可以添加结果值以获得最终值。由于±1已经分别存在于两列之中，因此添加这些值就相当于获取差异。
还有其他各种内核，下面是四种最常用的内核：
图片源于机器学习应用课程
现在回到笔记本，为同一图像生成边缘特征：
#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 怎么用python把多个图片变成gif 格式
解决这个问题需要用到PIL库
fromPILimportImage
importos
第一步 获得所有图像文件列表，过滤不需要扩展名
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 当判断文件不是GIF格式的时候转换为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