正如标题所言，Numpy是用于科学计算的，其中数组对象对图像处理意义重大，还有线性代数函数等。在后面的所有机器学习中对图像的处理，都是基于这个库的，介绍几个简单的实例。
图像数组表示
调用array()方法：
im=array(Iamge.open('xxx.jpg'))
im=array(Iamge.open('xxx.jpg').convert('L'),'f')注意：假设这是一张彩色图像，第一次打开的是彩色图像，数组中会存储三个信息。如（400，300，3)表示（行，列，颜色通道），后面还会有uint8 表示数组元素的数据类型，无符号八位整数。第二行表示的是进行灰度转换，此时就是灰度图像，没有颜色信息，（400，300），float32，因为 ’ f ‘将数据类型转换为浮点型。
像素可以通过下标访问：
#k是通道数
value=im[i,j,k]多数组可以使用数组切片访问 使用：
im[:,i]=100 #将第i列所有数值设为100
im[i].mean() #第i行平均值灰度变换
对灰度图像进行数学操作已达到某种效果。
#反相处理
im2=255-im
#将像素值变换到100到200区间
im3=(100/255)*im+100直方图均衡化
指的是将图像的灰度直方图变平，使得变换后的图像中每个灰度值的分布概率相等。它是一种很好的归一化方法，可以增强图像的对比度。
简单来说：直方图均衡化是将直方图中像素分布集中的区域进行拉伸，分布较少的区域进行压缩，这对背景和前景太亮或太暗的图像好处很多，当然拉伸需要一个拉伸函数来重新计算概率分布，这就需要累计分布函数（CDF)。
举个简单例子来说明：
例如一幅图像有8个灰度级，分别0到7，0级有560个像素值，占总的像素值概率为0.19，依次类推，8个灰度级概率之和为1，我们这样处理，0级：0.19*7=1.33，最近取整为1，因此0级的像素值全划为1，1级：0.19*7+1级概率 *7 最近取整，其他以此类推。当然最后一个一定会是7，这样就保证了不会增加新的级数。可以预见，当概率较小时，很容易被吞并。
当然，某些情况下均衡化并不一定是最好的方案，有时我们需要对某区间进行有目的的增强。此时我们需要直方图规定化，也叫直方图匹配。详情请移步这里
图像平均
图像平均是减少噪声的一种简单方式，思想是假设我们有一组大小相同的图像列表，我们将其简单相加然后除以图像数目。
def compute_average(imlist):
averageim=array(Image.open(imlist[0],'f')
for imname in imlist[1:]:
try:
averageim+=array(Image.open(imname))
except:
print imname+ '...skipped'
averageim/=len(imlist)
return array(averageim,'uint8')该程序提供了异常处理，自动跳过不能打开的图像。
图像的主成分分析（PCA）
这是一个很常用的降维技巧，一副100×100的图像也有10000维，一兆像素有百万维，我们需要对其进行处理后再来使用，来降低算法的开销。请查询PCA
pickle模块
我们在机器学习或者其他应用中，可能需要对一些结果或者数据进行保存，pickle模块的作用就在这里，它会把你的python对象转换为字符串表示，这个过程叫封装，从字符串中重构该对象，称为拆封。
#保存均值和主成分数据
with open('xxx.pkl','wb') as f:
pickle.dump(immean,f)
pickle.dump(V,f)
#打开文件并载入
with open('xxx.pkl','rb') as f:
immean =pickle.load(f)
V=pickle.load(f)