data = scipy.io.loadmat('test.mat') 

data = {}  
data['x'] = x  
scipy.io.savemat('test.mat',data) 

from scipy.misc import imsave  
imsave('test.jpg',im) 

lena = scipy.misc.lena() 

from PIL import Image,ImageEnhance     #调用库
 
im = Image.open("E:/testdata/01.jpg")  #打开图片
print (im.format, im.size, im.mode)    #打印图像信息
'''
  format:图像属性，如png，jpeg
  size：图像分辨率
  mode：
        1     1位像素，黑和白，存成8位的像素
	L	8位像素，黑白
	P	8位像素，使用调色板映射到任何其他模式
	RGB	3× 8位像素，真彩
	RGBA	4×8位像素，真彩+透明通道
	CMYK	4×8位像素，颜色隔离
	YCbCr	3×8位像素，彩色视频格式
	I	32位整型像素
	F	32位浮点型像素
'''
new_im = im.convert('L')                       # 将图像转为其它模式
new_im.save("E:/testdata/02.png")              # 保存图像，可以改变图像格式
 
box = (0, 0, 500, 500)                         # 确定拷贝区域大小(左上角坐标，右下角坐标)
region = im.crop(box)                          # 将im表示的图片对象拷贝到region中，大小为box
 
region = im.resize((400, 400),Image.ANTIALIAS) # 改变图像尺寸
'''
  函数原型：im.resize(size, filter):
    size：所要求的尺寸，是一个二元组：（width, height）
    filter：为NEAREST、BILINEAR、BICUBIC或者ANTIALIAS之一
'''
 
im_30 = im.rotate(30, Image.NEAREST,1)         # 图像逆时针旋转30度
'''
  函数原型：im.rotate(angle,filter=NEAREST, expand=0) ⇒ image
    angle：逆时针旋转的角度值
    filter：NEAREST、BILINEAR或者BICUBIC之一
    expand，如果为true，表示输出图像足够大，可以装载旋转后的图像。
            如果为false或者缺省，则输出图像与输入图像尺寸一样大。
'''
r,g,b=im.split()                             # 分割成三个通道，此时r,g,b分别为三个图像对象。
new_im=Image.merge("RGB",(r,g,b))            # 将r,g,b,三通道合并
 
example = np.random.randint(0,255,size=(300,300,3))  # numpy数组
new_img = Image.fromarray(example, 'RGB')      # 将numpy的narray转为Image类，第二个参数为mode
 
new_im.show()                                # 显示图像
# ---------将索引图变成彩色图-------------------
cmap = [np.random.randint(0, 255) for x in range(768)]  # 生成色彩隐射图，大小需要为256*3=768
img = img.convert('P')                       # 转换为P模式
img.putpalette(cmap)                         # 给索引图着色
img.show()                                   # 显示图像
 
#----------图像增强-----------------------
# 增强亮度
enhanceImg = ImageEnhance.Brightness(img)
# 图片尖锐化
enhanceImg = ImageEnhance.Sharpness(img) 
# 对比度增强
enhanceImg = ImageEnhance.Contrast(img)  
# 色彩增强
enhanceImg = ImageEnhance.Color(img) 
enhanceImg.enhance(2.0).show()    # 2.0表示增强两倍，1.0表示不增强。
 

from scipy.misc import imread,imsave,imresize
import scipy.io
 
img = imread("E:/testdata/01.jpg")    # 读取图像
print (img)                           # numpy 数组
 
img_type = img.dtype                  # 获取图片的数据类型
print(img_type)                       # uint8
 
img_shape = img.shape                 # 获取图片的大小
print(img_shape)                      # (310, 493, 3)  
 
newimg=imresize(img,(100,100))        # 图像裁剪
'''
  函数原型：imresize(arr, size, interp='bilinear', mode=None)
    arr：ndarray类型的图像
    size：裁剪后的尺寸，是一个元组
    interp ： 插值方法，为‘nearest', ‘lanczos', ‘bilinear', ‘bicubic' or ‘cubic'
    mode：PIL中的图像模式 (‘P', ‘L'等等)，在resize之前先转换模式
'''
 
imsave("timg_color.png",newimg)       # 保存图片
 
# ------------使用scipy加载.mat文件-------------
data = scipy.io.loadmat('Data.mat')
print (data)                         # 一般data为一个字典类型的数据

import cv2
 
img = cv2.imread('E:/testdata/01.jpg')  # 读取图像
print( img.shape )
print (img)
 
b,g,r = cv2.split(img)                   # 拆分图像通道
img = cv2.merge((b,g,r))                 # 合并图像通道
 
res=cv2.resize(img,(50,50),interpolation=cv2.INTER_CUBIC)   # 图像缩放
'''
	INTER_NEAREST	最近邻插值
	INTER_LINEAR	双线性插值（默认设置）
	INTER_AREA	使用像素区域关系进行重采样。 它可能是图像抽取的首选方法，因为它会产生无云纹理的结果。 但是当图像缩放时，它类似于INTER_NEAREST方法。
	INTER_CUBIC	4x4像素邻域的双三次插值
	INTER_LANCZOS4	8x8像素邻域的Lanczos插值
'''
 
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 转换读取图像的通道顺序，cv2默认为BGR顺序,这里转为RGB，其它软件均为RGB
 
cv2.imwrite("hehe.jpg",res)               # 保存图像
 
cv2.imshow("res",res)                     # 显示图像
cv2.waitKey(0)
cv2.destroyAllWindows()

tf.image.decode_jpeg(contents, channels=None, ratio=None, fancy_upscaling=None, try_recover_truncated=None, acceptable_fraction=None, name=None)
tf.image.encode_jpeg(image, format=None, quality=None, progressive=None, optimize_size=None, chroma_downsampling=None, density_unit=None, x_density=None, y_density=None, xmp_metadata=None, name=None)
tf.image.decode_png(contents, channels=None, name=None)
tf.image.encode_png(image, compression=None, name=None)

tf.image.resize_images(images, new_height, new_width, method=0)
tf.image.resize_area(images, size, name=None)
tf.image.resize_bicubic(images, size, name=None)
tf.image.resize_bilinear(images, size, name=None)
tf.image.resize_nearest_neighbor(images, size, name=None)

tf.image.resize_image_with_crop_or_pad(image, target_height, target_width)
tf.image.pad_to_bounding_box(image, offset_height, offset_width, target_height, target_width)
tf.image.crop_to_bounding_box(image, offset_height, offset_width, target_height, target_width)
tf.image.random_crop(image, size, seed=None, name=None)
tf.image.extract_glimpse(input, size, offsets, centered=None, normalized=None, uniform_noise=None, name=None)

tf.image.flip_up_down(image)
tf.image.random_flip_up_down(image, seed=None)
tf.image.flip_left_right(image)
tf.image.random_flip_left_right(image, seed=None)

    #coding=utf-8
    import tensorflow as tf
    import numpy as np
    import os 
    from PIL import Image
 
    # 从文件读取数据，得到的是二进制文件
    image_data = tf.gfile.FastGFile("D:/test/2.jpg", 'rb').read()
    with tf.Session() as sess:
      # 将二进制数据解码为一个Tensor,此时的数据类型为tf.uint8
      img_data = tf.image.decode_jpeg(image_data)
      print (img_data.eval().shape)  
 
      # 对图像进行resize，0：双线性差值。1：最近邻居法。2：双三次插值法。3：面积插值法。
      resized = tf.image.resize_images(img_data, [500, 500], method=0)
 
      # TensorFlow的函数处理图片后存储的数据是float32格式的，需要转换成uint8才能正确打印图片。      
      resized = np.asarray(resized.eval(), dtype='uint8') 
 
      # 显示图片
      new_img = Image.fromarray(resized, 'RGB')    
      new_img.show()  
 
      # 对图像进行编码,并且保存图像
      encoded_image = tf.image.encode_jpeg(resized)
      print (type(encoded_image))
      with tf.gfile.GFile("./3.jpg","wb") as f:
        f.write(encoded_image.eval())   

tf.image.convert_image_dtype(image，dtype)