前言
在讲解后面的采样以及傅里叶变换之前，我们需要掌握python对图像的输入、输出以及显示等操作。
本篇涉及都是简单的图像显示保存等操作，但是后面基于此复杂的变换都会或多或少用到这些知识。所以，别看非常简单，应用起来还是非常多的。
使用PIL读取，保存和显示图像
在PIL包中，使用Image.open()函数读取磁盘图像。获取图像后，我们可以完整的获取图像的宽高，分辨率等信息。
from PIL import Image
img=Image.open("4.jpg")
print("图像宽度："+str(img.width))
print("图像高度："+str(img.height))
print("图像分辨率："+img.format)
print("图像模式："+img.mode)
img.show()
运行之后，图片这些信息都会完整的显示出来：
而对于识别图像内容来说，我们一般都是将图像转换为灰度图像。而PIL包转换为恢复图像的方式如下：
img=Image.open("4.jpg")
imgL=img.convert("L")
imgL.show()
运行之后，灰度图像会通过默认的电脑图片显示程序，显示出来。
至于存储图像，我们通过如下代码实现：
imgL.save("1111111.jpg")
使用matplotlib读取，保存和显示图像
在OpenCV中，我们对图像进行直方图处理的时候，会经常辅助用到matplotlib包。所以，我们有必要掌握matplotlib包读取，保存与显示图像。
from matplotlib.image import imread
import matplotlib.pyplot as plt
img = imread("4.jpg")#读取图像
print(img.shape, img.dtype, type(img))#输出图像的参数
plt.figure(figsize=(10, 10))
plt.axis("off")#不显示坐标轴
#显示图像
plt.imshow(img)
plt.show()
plt.savefig("11111.jpg")#保存图像
上面注释非常详细，这里就不在赘述。不过，其imshow()方法还有一个插值参数interpolation。
plt.imshow(img,interpolation="spline16")
通过interpolation参数，我们可以使用不同的插值对图像进行处理。
使用scikit-image读取，保存和显示图像
scikit-image包与PIL一样，可以读取图像后获取图像的详细参数信息。同时，它也可以与OpenCV一样进行色彩空间的转换。
from skimage import io,color
import matplotlib.pyplot as plt
img=io.imread("4.jpg")#读取图像
print(img.shape,img.dtype,type(img))#输出图像参数
plt.axis("off")#去除坐标轴
io.imsave("11111.jpg",img)#保存图像
hsv=color.rgb2hsv(img)#图像转换为hsv色彩空间
#显示图像
plt.imshow(hsv)
plt.show()
scikit-image与matplotlib读取后的格式都是numpy.ndarray。
下面是skimage库子模块：
| 模块 | 作用 |
|---|---|
| io | 读取,保存和显示图片和视频 |
| color | 色彩空间变换 |
| data | 提供一些测试图片和样本数据 |
| filters | 图像增强，边缘检测，排序滤波器，自动阈值等 |
| draw | 操作于numpy数组上的基本图形绘制，包括线条，矩阵，圆和文本等 |
| transform | 几何变换和其他变换，如旋转，拉伸和Radon(拉东)变换等 |
| exposure | 图像强度调整，例如，直方图均衡化等 |
| feature | 特征检测和提取， 例如，纹理分析等 |
| graph | 图论操作，例如，最短路径 |
| measure | 图像属性测量，例如，相似度和轮廓 |
| morphology | 形态学操作，如开闭运算，骨架提取等 |
| novice | 简化的用于教学目的的接口 |
| restoration | 修复算法，例如去卷积算法，去噪等 |
| segmentation | 图像分割为多个区域 |
| util | 通用工具 |
| viewer | 简单图形用户界面用于可视化结果和探索参数 |