教你如何用python来弄一个高逼格的朋友圈

本文介绍如何使用Python的PIL库将一张图片填充为正方形并切割成九张小图,展示了50行Python代码的强大功能。通过具体实例,文章详细解释了处理规则和非规则图片的方法。

小编今天要给大家介绍一个Python库:

PIL(Python Image Library)

下面我们用一个实际的例子

看看50行python代码可以做什么神奇的事情

这是小编发的一个朋友圈

切图前是一张图

切图后就是九张图啦

成功霸屏😄

除了可以处理规整的正方形图片

还可以处理非规则的图片

比如下面这张宽度远大于高度的图片

我是是怎么处理的呢?

很简单

取宽和高之间的较大值

然后填充白色

就可以构造出一张正方形的图片啦

当然,想把一张图片做成这样子也很容易啦,现在很多手机上的图片处理软件都能实现。

小编举这个例子只是为了给大家介绍介绍PIL库,感兴趣的童鞋也可以练习练习编程嘛~

好了,现在就来看看这个PIL库到底是个什么吧~

PIL是一个功能非常强大的Python图像处理标准库,但是呢,由于PIL支持Python2.7,所以使用Python3的程序猿们又在PIL的基础上分离出来了一个分支,创建了另外一个库Pillow,是可以支持Python3的

Pillow兼容了PIL的大部分语法,使用起来也非常的简单。

下面就讲讲是如何使用PIL库实现了上文介绍的小程序。

其实思路很简单:

对应代码如下:

# -*- coding: utf-8 -*-
'''
将一张图片填充为正方形后切为9张图
'''
from PIL import Image
import sys
#将图片填充为正方形
def fill_image(image):
    width, height = image.size    
    #选取长和宽中较大值作为新图片的
    new_image_length = width if width > height else height    
    #生成新图片[白底]
    new_image = Image.new(image.mode, (new_image_length, new_image_length), color='white')    
    #将之前的图粘贴在新图上,居中 if width > height:#原图宽大于高,则填充图片的竖直维度
 #(x,y)二元组表示粘贴上图相对下图的起始位置
        new_image.paste(image, (0, int((new_image_length - height) / 2)))
    else:
        new_image.paste(image, (int((new_image_length - width) / 2),0))    
    return new_image
#切图
def cut_image(image):
    width, height = image.size
    item_width = int(width / 3)
    box_list = []    
    # (left, upper, right, lower) for i in range(0,3):#两重循环,生成9张图片基于原图的位置 for j in range(0,3):           
            #print((i*item_width,j*item_width,(i+1)*item_width,(j+1)*item_width))
            box = (j*item_width,i*item_width,(j+1)*item_width,(i+1)*item_width)
            box_list.append(box)

    image_list = [image.crop(box) for box in box_list]    
    return image_list
#保存
def save_images(image_list):
    index = 1 
    for image in image_list:
        image.save('./result/python'+str(index) + '.png', 'PNG')
        index += 1

if __name__ == '__main__':
    file_path = "python.jpeg"
    image = Image.open(file_path)   
    #image.show()
    image = fill_image(image)
    image_list = cut_image(image)
   save_images(image_list)

#在学习Python的过程中,往往因为没有资料或者没人指导从而导致自己不想学下去了,因此我特意准备了个群 592539176 ,群里有大量的PDF书籍、教程都给大家免费使用!不管是学习到哪个阶段的小伙伴都可以获取到自己相对应的资料!

相信大家看了代码就知道是怎么实现的了吧,代码中可能比较难理解的地方我也给出了相应的注释,大家赶快用代码去跑一跑。

除了切图外,PIL还能做很多其他好玩的事情,小编把中文文档下载下来啦!

 

基于TROPOMI光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI光谱数据与多模态特征深度学习技术,发展了一套效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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