1.python 的__call__()方法
Python call()方法, Python 类中一个非常特殊的实例方法，即 call()。该方法的功能类似于在类中重载 () 运算符，使得类实例对象可以像调用普通函数那样，以“对象名()”的形式使用。
就相当于把可以不用先实例化然后再调用函数，直接运行即可！
class Worker: # 定义__call__方法 def __call__(self, name, add): print("调用__call__()方法", name, add) def call(self,name,add): print('调用call函数:',name,add) name = "PaddlePaddler" add = "http://aistudio.baidu.com" work = Worker() work(name, add) work.call(name, add)
调用__call__()方法 PaddlePaddler http://aistudio.baidu.com 调用call函数: PaddlePaddler http://aistudio.baidu.com
2.图像基础知识
2.1图像基本数据结构
在计算机中, 图像是由一个个像素点组成，像素点就是颜色点，而颜色最简单的方式就是用RGB或RGBA表示 。
RGB（图1）
RGB（图2）
如果有A通道就表明这个图像可以有透明效果。
R,G,B每个分量一般是用一个字节(8位)来表示，所以图(1)中每个像素大小就是3 * 8=24位图, 而图(2)中每个像素大小是4 * 8=32位。
白话：
那么图一的大小就是（5 * 5 * 24 / 8 = 25 * 3 = 75KB ）
图二的大小就是（5 * 5 * 32 / 8 = 25 * 4 = 100KB）
相当于大小就是像素点数量 * 通道数
2.2图像y方向正立或倒立
图像是二维数据，数据在内存中只能一维存储，二维转一维有不同的对应方式。比较常见的只有两种方式: 按像素“行排列”从上往下或者从下往上。
如图所示的图像有9个像素点，如果从上往下排列成一维数据是(123456789)， 如果是从下往上排列则为(789456123)。
只所以会有这种区别是因为，前一种是以计算机图形学的屏幕坐标系为参考(左上为原点,y轴向下 )，而另后一种是以标准的数学坐标系为参考(左下为原点,y轴向上)。这两个坐标系只是y值不一样，互相转换的公式为:
y2 = height-1-y1
y1,y2分别为像素在两个坐标系中的y坐标，height为图像的高度。
不过好像只有bmp图片格式以及windows下的GDI，GDI+是从下往上排列，其它比如DirectX,OpenGL,Cocoa(NSImage, UIImage),OpenCV等都是从上往下排列。
2.3 RGB排列顺序
不同图形库中每个像素点中RGBA的排序顺序可能不一样。上面说过像素一般会有RGB,或RGBA四个分量，那么在内存中RGB的排列就有6种情况，如下:
- RGB
- RBG
- GRB
- GBR
- BGR
- BRG
RGBA的排列有24种情况，这里就不全部列出来了。
不过一般只会有RGB,BGR, RGBA, RGBA, BGRA这几种排列据。 绝大多数图形库或环境是BGR/BGRA排列，cocoa中的NSImage或UIImage是RGBA排列。
2.4像素32位对齐
如果是RGB24位图，会存在一个32位对齐的问题——
在x86体系下，cpu一次处理32整数倍的数据会更快，图像处理中经常会按行为单位来处理像素。24位图，宽度不是4的倍数时，其行字节数将不是32整数倍。这时可以采取在行尾添加冗余数据的方式，使其行字节数为32的倍数。
比如，如果图像宽为5像素，不做32位对齐的话，其行位数为24*5=120，120不是32的倍数。是32整数倍并且刚好比120大的数是128，也就只需要在其行尾添加1字节(8位)的冗余数据即可。(一个以空间换时间的例子)
有个公式可以轻松计算出32位对齐后每行应该占的字节数
byteNum = ((width * 24 + 31) & ~31)>>3;
注意结果是字节数，如果想知道位数，还得x8
3.图片格式的必要性
如果将图像原始格式直接存储到文件中将会非常大，比如一个50005000 24位图，所占文件大小为50005000*3字节=71.5MB, 其大小非常可观。如果用zip或rar之类的通用算法来压缩像素数据，得到的压缩比例通常不会太高，因为这些压缩算法没有针对图像数据结构进行特殊处理。于是就有了jpeg,png等格式，同样是图像压缩算法jpeg和png也有不同的适用场景，具体在下文再阐述。
jpeg,png文件之于图像，就相当于zip,rar格式之于普通文件(用zip,rar格式对普通文件进行压缩)。
3.1BMP格式
bmp格式没有压缩像素格式，存储在文件中时先有文件头、再图像头、后面就都是像素数据了，上下颠倒存储。
用windows自带的mspaint工具保存bmp格式时，可以发现有四种bmp可供选择：
- 单色: 一个像素只占一位，要么是0，要么是1，所以只能存储黑白信息
- 16色位图: 一个像素4位，有16种颜色可选
- 256色位图: 一个像素8位，有256种颜色可选
- 24位位图: 就是图(1)所示的位图，颜色可有2^24种可选，对于人眼来说完全足够了。
简单起见，只详细讨论最常见的24位图的bmp格式。
3.2JPEG格式
- jpeg是有损压缩格式, 将像素信息用jpeg保存成文件再读取出来，其中某些像素值会有少许变化。在保存时有个质量参数可在[0,100]之间选择，参数越大图片就越保真，但图片的体积也就越大。一般情况下选择70或80就足够了。
- jpeg没有透明信息。
- jpeg比较适合用来存储相机拍出来的照片，这类图像用jpeg压缩后的体积比较小。其使用的具体算法核心是离散余弦变换、Huffman编码、算术编码等技术，有兴趣的同学可以在网上找一大堆资料，本文就不详细介绍了。
3.3PNG格式
- png是一种无损压缩格式， 压缩大概是用行程编码算法。
- png可以有透明效果。
- png比较适合适量图,几何图。 比如本文中出现的这些图都是用png保存，比用joeg保存体积要小。
3.4GIF格式
上面提到的bmp,jpeg,png图片都只有一帧，而gif可以保存多帧图像，如图所示
3.4WebP编码
Webp是一种高效的图像编码方式，由谷歌推出，开源免费。其图像压缩效率相比jpg可以提升一倍性能。一般保存需要设置压缩因子。
4.常用库
4.1Numpy
Numpy对多维矩阵A的操作一般有：
A.shape #HWC type(A) #numpy.array A.dtype() #uint8, float… np.min(A), np.max(A) #最值
4.2 CV2
读取BGR，通道HWC，范围[0,255] ，类型uint8; 图像类型numpy.ndarray；
4.3 PIL，Pillow, Pillow-SIMD
读取RGB，通道HWC，范围[0,255]，类型uint8；图像类型PngImageFile （np.array, Image.fromarray直接与numpy互相转换）
有.mode方法—rgb信息
4.4 Matplotlib
读取RGB，通道HWC，范围[0,1] ，类型float；图像类型numpy.ndarray
4.5Skimage
读取RGB，通道HWC，范围[0,255]，类型uint8；图像类型numpy.ndarray
有.mode方法—rgb信息
比较特殊，读取的时候image= io.imread(‘test.jpg’,as_grey=False)；
彩图是uint8，[0,255]；灰度图float，[0,1]；
彩图resize变成float，[0,1]；
较混乱，不适用。。。
5.常见操作
5.1CV2
默认读取为三通道彩图，可通过参数更改为单通道灰度图
5.2 显示
Matplotlib最主要目的是用来绘图:
将numpy数组格式的RGB图像显示；
float类型的图像，范围0-1；如果是uint8图像，范围是0-255；
import cv2 import numpy img = cv2.imread('1.png') img_gray = cv2.imread('1.png', 0) print('三通道：', img.shape) print('单通道灰度图：', img_gray.shape)
三通道： (153, 300, 3) 单通道灰度图： (153, 300)
通过shape获得数组的维度，很明显单通道的只有一维。
import matplotlib.pyplot as plt # 显示图片 # plt.imshow(img[..., -1::-1]) # 因为opencv读取进来的是bgr顺序，而imshow需要的是rgb顺序，因此需要先反过来,也可以plt.imshow(img[:,:,::-1]) plt.imshow(img_gray) plt.show()
from PIL import Image # PIL, Pillow, Pillow-SIMD img = Image.open('1.png') plt.imshow(img) plt.show()
img = plt.imread('1.png') plt.imshow(img) plt.show()
5.3 转换
主要是通过numpy的transpose操作，修正RGB，BGR；
例如：
a是rgb图像，那么
a[::-1]，a[:,::-1]，a[:,:,::-1]分别是X轴的镜像，Y轴的镜像，BGR转换为RGB；
opencv相关图像操作； img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # BGR转灰度 img_bgr = cv2.cvtColor(img_gray, cv2.COLOR_GRAY2BGR) # 灰度转BRG img_rgb = cv2.cvtColor(img_gray, cv2.COLOR_GRAY2RGB) # 灰度转RGB b,g,r = cv2.split(img) #bgr图像分离三个通道 img2 = cv2.merge([r,g,b]) #merge成rgb图像
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # BGR转灰度 plt.imshow(img_gray) plt.show()
PIL相关图像操作： img = Image.open('examples.png') img_gray = image.convert(‘L’) img_color = img_gray.convert(‘RGB’)
PIL与numpy格式转换操作： numpy.asarray() Image.fromarray()
如果是pil转opencv，记得需要通过copy命令得到的才可以进行cv2操作，不然会有bug。
PIL类型，尺寸信息，通过.size方法，得到WH；
Numpy类型，通过shape方法，得到HWC
注：如果是PIL自己的类型，得到尺寸信息要使用.size方法
print image.size #width height
同样进行resize操作，顺序也是wh；
img2_resize = img2.resize((960,540))
img2_resize.save(‘test1.jpg’)
而如果使用cv2操作，顺序也是wh；
img3_resize = cv2.resize(img3, (960,540))
cv2.imwrite(‘test2.jpg’, img3_resize)
但如果放在numpy里面，调用shape方法，得到的是HWC；
5.4 保存
PIL
#直接save方法 img = Image.open('examples.png') img.save('examples2.png') img_gray = img.convert('L') img_gray.save('examples_gray.png') # 不管是灰度还是彩色，直接用save函数保存就可以，但注意，只有PIL格式的图片能够用save函数
CV2
#cv2.imwrite import cv2 img = cv2.imread('examples.png') # 这是BGR图片 cv2.imwrite('examples2.png', img) # 这里也应该用BGR图片保存，这里要非常注意，因为用pylab或PIL读入的图片都是RGB的，如果要用opencv存图片就必须做一个转换 img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cv2.imwrite('examples_gray.png', img_gray)
白话
里面涉及了图片的读取，基本定义等内容还涉及了一些数据的处理，特别是numpy数据处理时容易报错，需要格外注意！！！
这里只是基础但是需要认真的品读，不然以后麻烦呦！！！
