python人工智能自動摳圖,自動摳人像

本文目錄一覽：

• 1、用python摳圖（背景透明化）
• 2、Python如何圖像識別？
• 3、為什麼做AI的都選Python？
• 4、學Python職業前景怎麼樣
• 5、python可以自動排海報嗎
• 6、如何用 Python 實現一個摳圖功能

用python摳圖（背景透明化）

matplotlib讀取RGB圖片的時候，往往把圖片轉化為四通道圖片，其中第四個通道是α通道，可以決定圖像的透明度。

如果把圖片的前景的透明度設定為1，背景的透明度設定為0，那麼就算去掉了背景了。

原圖。

代碼。

出圖。

有部分白色背景由於不夠白，被保留了下來。

換圖。

觀察可知，背景是深淺不一的藍色。

深色參數是a[0,0]，淺色區域比較多，也不容易確定位置。

用如下代碼摳圖，太狠！

再修改代碼。

if a[i,j,2]1.5*a[i,j,0] and a[i,j,2]1.2*a[i,j,1]:

不準摳去黑色部分。經過逐步調整顏色閾值，得到下面的效果。

上面代碼如下。

Python如何圖像識別？

Python圖片文本識別使用的工具是PIL和pytesser。因為他們使用到很多的python庫文件，為了避免一個個工具的安裝，建議使用pythonxy

pytesser是OCR開源項目的一個模塊，在Python中導入這個模塊即可將圖片中的文字轉換成文本。pytesser調用了tesseract。當在Python中調用pytesser模塊時，pytesser又用tesseract識別圖片中的文字。pytesser的使用步驟如下：

首先，安裝Python2.7版本，這個版本比較穩定，建議使用這個版本。

其次，安裝pythoncv。

然後，安裝PIL工具，pytesser的使用需要PIL庫的支持。

接着下載pytesser

最後，將pytesser解壓，這個是免安裝的，可以將解壓後的文件cut到Python安裝目錄的Lib\site-packages下直接使用，比如我的安裝目錄是：C:\Python27\Lib\site-packages，同時把這個目錄添加到環境變量之中。

完成以上步驟之後，就可以編寫圖片文本識別的Python腳本了。參考腳本如下：

from pytesser import *

import ImageEnhance

image = Image.open(‘D:\\workspace\\python\\5.png’)

#使用ImageEnhance可以增強圖片的識別率

enhancer = ImageEnhance.Contrast(image)

image_enhancer = enhancer.enhance(4)

print image_to_string(image_enhancer)

tesseract是谷歌的一個對圖片進行識別的開源框架，免費使用，現在已經支持中文，而且識別率非常高，這裡簡要來個helloworld級別的認識

下載之後進行安裝，不再演示。

在tesseract目錄下，有個tesseract.exe文件，主要調用這個執行文件，用cmd運行到這個目錄下，在這個目錄下同時放置一張需要識別的圖片，這裡是123.jpg

然後運行:tesseract 123.jpg result

會把123.jpg自動識別並轉換為txt文件到result.txt

但是此時中文識別不好

然後找到tessdata目錄，把eng.traineddata替換為chi_sim.traineddata,並且把chi_sim.traineddata重命名為eng.traineddata

ok,現在中文識別基本達到90%以上了

為什麼做AI的都選Python？

為什麼人工智能要用Python？總結了以下三個原因。

1、Python是解釋語言，程序寫起來非常方便

寫程序方便對做機器學習的人很重要。因為經常需要對模型進行各種各樣的修改，這在編譯語言里很可能是牽一髮而動全身的事情，Python里通常可以用很少的時間實現。舉例來說，在C等編譯語言里寫一個矩陣乘法，需要自己分配操作數（矩陣）的內存、分配結果的內存、手動對BLAS接口調用gemm、最後如果沒用smart pointer還得手動回收內存空間。Python幾乎就是import numpy; numpy.dot兩句話的事。

當然現在很多面向C/C++庫已經支持託管的內存管理了，這也讓開發過程容易了很多，但解釋語言仍然有天生的優勢——不需要編譯時間。這對機器學習這種需要大量prototyping和迭代的研究方向是非常有益工作效率的。

2、Python的開發生態成熟，有很多庫可以用

Python靈活的語法還使得包括文本操作、list/dict comprehension等非常實用的功能非常容易高效實現（bbs.cnitedu.cn），配合lambda等使用更是方便。這也是Python良性生態背後的一大原因。

相比而言，Lua雖然也是解釋語言，甚至有LuaJIT這種神器加持，但其本身很難做到Python這樣，一是因為有Python這個前輩佔領着市場份額，另一個也因為它本身種種反常識的設計（比如全局變量）。不過藉著Lua-Python bridge和Torch的東風，Lua似乎也在寄生興起。

3、Python效率超高

解釋語言的發展已經大大超過許多人的想象。很多比如list comprehension的語法糖都是貼近內核實現的。除了JIT之外，還有Cython可以大幅增加運行效率。最後，得益於Python對C的接口，很多像gnumpy，theano這樣高效、Python接口友好的庫可以加速程序的運行，在強大團隊的支撐下，這些庫的效率可能比一個不熟練的程序員用C寫一個月調優的效率還要高。

以上就是總結的人工智能要用Python的三個原因。

學Python職業前景怎麼樣

一、人工智能

Python作為人工智能的黃金語言，選擇人工智能作為就業方向是理所當然的，而且就業前景好，薪資普遍較高，拉勾網上，人工智能工程師的招聘起薪普遍在20K-35K，當然，如果是初級工程師，起薪也已經超過了12500元/月。

二、大數據

我們目前正處於大數據時代，Python這門語言在大數據上比Java更加有效率，大數據雖然難學，但是Python可以更好地和大數據對接，用Python做大數據的薪資也至少是20K以上了，大數據持續火爆，未來做大數據工程師，薪資還將逐漸上漲。

三、網絡爬蟲工程師

網絡爬蟲作為數據採集的利器，在大數據時代作為數據的源頭，十分有用武之地。利用Python可以更快的提升對數據抓取的精準程度和速度，是數據分析師的福祉，通過網絡爬蟲，讓BOSS再也不用擔心你沒有數據。做爬蟲工程師的的薪資為20K起，當然，因為大數據，薪資也將一路上揚。

四、Python web全棧工程師

全棧工程師是指掌握多種技能，並能利用多種技能獨立完成產品的人。也叫全端工程師(同時具備前端和後台能力)，英文Full Stack developer。全棧工程師不管在哪個語言中都是人才中的人才，而Python web全棧工程師工資基本上都高出20K，所以如果你能力足夠，首選就是Python web全棧工程師。

五、Python自動化運維

運維工作者對Python的需求很大，小夥伴們快快行動起來吧，學習Python自動化運維也能有個10k-15k的工資，很不錯哦

六、Python自動化測試

Python這門語言十分高效，只要是和自動化有關係的，它可以發揮出巨大的優勢，目前做自動化測試的大部分的工作者都需要學習Python幫助提高測試效率。用Python測試也可以說是測試人員必備的工具了，Python自動化測試的起薪一般也都是15K左右，所以測試的小夥伴也需要學習Python哦！

python可以自動排海報嗎

可以。通過編碼後可實現。

批量摳圖：輸入文字和海報元素，就可以一鍵自動排版海報，一個小時就幾十張。

如何用 Python 實現一個摳圖功能

使用Python和OpenCV進行摳圖

其中使用了opencv中的grabcut方法

直接上代碼

[python] view plain copy

# encoding:utf-8

# 圖像提取

# 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()