Python图形图像处理(使用PIL)

本文介绍如何使用Python和PIL库批量处理图片,包括调整大小和拼接为一张大图,以此来减少HTTP请求次数,提升网页加载速度。

Python是一个神奇的语言,上手极快,而且可以找到很多写的非常优秀的模块。这几天在给单位做CSS Sprites时,需要将一些图片先进行缩略,然后拼成一张大图,这样虽然数据量的传输没有降低,但是可以减少链接请求数,从而提高WEB服务的速度。

一时没有找到顺手的图形处理工具,(photoshop, GIMP太专业,而且体积太大,如果为了处理几百张图片就要装,未免浪费)于是自己用python写了一个,其实我学习python一共花的时间不过5小时,关于pil中的使用方法大部分来自pil的handbook,不过很快就完成了任务,顺便记录一下。

 

思路很简单:

遍历一个文件夹中的所有指定格式的图片,并将其resize,最后将这些resize过的图片对象粘贴到一个大的image上,并保存。

新生成的大图有两种形式,一种是竖直排列,一种是水平排列。这两种我都做了一下。下面是代码:

import Image
import glob
import os

# vertical iconify the given image
def viconify(path=".\\", ext="jpg", size=(16, 16)):
    src = path + "*." + ext
    mode = "RGBA"
    width = size[0]
    height = len(glob.glob(src))*size[1]

    target = Image.new(mode, (width, height))

    currentHeight = 0
    step = size[1]

    for infile in glob.glob(src):
        img = Image.open(infile)
        img = img.resize(size)

        if img.mode != mode:
            img = img.convert(mode)
        target.paste(img, (0, currentHeight))
        currentHeight += step
    targetFile = "targetVer" + str(width) + "_" + str(height) + "." + ext
    print "target name = ", targetFile
    target.save(targetFile);


# horizontal iconify the given image
def hiconify(path=".\\", ext="jpg", size=(16,16)):
    f = path+"*."+ext 

    mode = "RGBA"
    width = len(glob.glob(f))*size[0]
    height = size[1]

    target = Image.new(mode, (width, height))
    
    currentLeft = 0
    step = size[0]

    for infile in glob.glob(f):
        img = Image.open(infile)
        img = img.resize(size)

        if img.mode != mode:
            img = img.convert(mode)

        target.paste(img, (currentLeft,0))
        currentLeft += step

    targetFile = "targetHor" + str(width) + "_" + str(height) + "." + ext
    print "target name = ", targetFile
    target.save(targetFile);

# for test only
hiconify("picLib3\\", "png", (32,32))
viconify("picLib3\\", "png", (32,32))

 要注意的地方就是最后两行的测试函数,我用的都是png图片,Jpg也做了测试,可以正常运行。其他的格式没有测试,如果有问题,可以讨论。我用的是skype的自带的一些icon做的测试,如果有侵权嫌疑,请及时通知,呵呵。


python就是简单,但是借助一些外部的包,就可以快速的完成很多需求。通过一些简单的例子,大概可以归纳出python的一些特点,而这些特点都是我个人感兴趣的所在,现在大概列一下,大家可以参考

  • 弱类型,(列表,元组等)
  • 函数式变成(谁说函数式变成是学院派?)
  • 面向对象
  • 强大的模块化
  • 优秀的外部支持(和其他语言的接口)

我对javascript的函数式变成做了一些研究,发现它跟python有很多相似之处,同时js要简单一些。有机会把我学习javascript的函数式编程的一些体会也贴出来,今天就先睡觉了。

提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值