Python圖像處理庫(1)

轉自：http://www.ituring.com.cn/tupubarticle/2024

第 1 章　基本的圖像操作和處理

本章講解操作和處理圖像的基礎知識，將通過大量示例介紹處理圖像所需的 Python 工具包，並介紹用於讀取圖像、圖像轉換和縮放、計算導數、畫圖和保存結果等的基本工具。這些工具的使用將貫穿本書的剩余章節。

1.1　PIL：Python圖像處理類庫

PIL（Python Imaging Library Python，圖像處理類庫）提供了通用的圖像處理功能，以及大量有用的基本圖像操作，比如圖像縮放、裁剪、旋轉、顏色轉換等。PIL 是免費的，可以從http://www.pythonware.com/products/pil/ 下載。

利用 PIL 中的函數，我們可以從大多數圖像格式的文件中讀取數據，然后寫入最常見的圖像格式文件中。PIL 中最重要的模塊為 Image。要讀取一幅圖像，可以使用：

from PIL import Image

pil_im = Image.open('empire.jpg')

上述代碼的返回值 pil_im 是一個 PIL 圖像對象。

圖像的顏色轉換可以使用 convert() 方法來實現。要讀取一幅圖像，並將其轉換成灰度圖像，只需要加上 convert('L')，如下所示：

pil_im = Image.open('empire.jpg').convert('L')

在 PIL 文檔中有一些例子，參見http://www.pythonware.com/library/pil/handbook/index.htm。這些例子的輸出結果如圖 1-1 所示。

圖 1-1：用 PIL 處理圖像的例子

1.1.1　轉換圖像格式

通過 save() 方法，PIL 可以將圖像保存成多種格式的文件。下面的例子從文件名列表（filelist）中讀取所有的圖像文件，並轉換成 JPEG 格式：

from PIL import Image
import os

for infile in filelist:
  outfile = os.path.splitext(infile)[0] + ".jpg"
  if infile != outfile:
    try:
      Image.open(infile).save(outfile)
    except IOError:
      print "cannot convert", infile

PIL 的 open() 函數用於創建 PIL 圖像對象，save() 方法用於保存圖像到具有指定文件名的文件。除了后綴變為“.jpg”，上述代碼的新文件名和原文件名相同。PIL 是個足夠智能的類庫，可以根據文件擴展名來判定圖像的格式。PIL 函數會進行簡單的檢查，如果文件不是 JPEG 格式，會自動將其轉換成 JPEG 格式；如果轉換失敗，它會在控制台輸出一條報告失敗的消息。

本書會處理大量圖像列表。下面將創建一個包含文件夾中所有圖像文件的文件名列表。首先新建一個文件，命名為 imtools.py，來存儲一些經常使用的圖像操作，然后將下面的函數添加進去：

import os
def get_imlist(path):

""" 返回目錄中所有JPG 圖像的文件名列表"""

return [os.path.join(path,f) for f in os.listdir(path) if f.endswith('.jpg')]

現在，回到 PIL。

1.1.2　創建縮略圖

使用 PIL 可以很方便地創建圖像的縮略圖。thumbnail() 方法接受一個元組參數（該參數指定生成縮略圖的大小），然后將圖像轉換成符合元組參數指定大小的縮略圖。例如，創建最長邊為 128 像素的縮略圖，可以使用下列命令：

pil_im.thumbnail((128,128))

1.1.3　復制和粘貼圖像區域

使用 crop() 方法可以從一幅圖像中裁剪指定區域：

box = (100,100,400,400)
region = pil_im.crop(box)

該區域使用四元組來指定。四元組的坐標依次是（左，上，右，下）。PIL 中指定坐標系的左上角坐標為（0，0）。我們可以旋轉上面代碼中獲取的區域，然后使用 paste() 方法將該區域放回去，具體實現如下：

region = region.transpose(Image.ROTATE_180)
pil_im.paste(region,box)

1.1.4　調整尺寸和旋轉

要調整一幅圖像的尺寸，我們可以調用 resize() 方法。該方法的參數是一個元組，用來指定新圖像的大小：

out = pil_im.resize((128,128))

要旋轉一幅圖像，可以使用逆時針方式表示旋轉角度，然后調用 rotate() 方法：

out = pil_im.rotate(45)

上述例子的輸出結果如圖 1-1 所示。最左端是原始圖像，然后是灰度圖像、粘貼有旋轉后裁剪圖像的原始圖像，最后是縮略圖。

1.2　Matplotlib

我們處理數學運算、繪制圖表，或者在圖像上繪制點、直線和曲線時，Matplotlib 是個很好的類庫，具有比 PIL 更強大的繪圖功能。Matplotlib 可以繪制出高質量的圖表，就像本書中的許多插圖一樣。Matplotlib 中的 PyLab 接口包含很多方便用戶創建圖像的函數。Matplotlib 是開源工具，可以從 http://matplotlib.sourceforge.net/ 免費下載。該鏈接中包含非常詳盡的使用說明和教程。下面的例子展示了本書中需要使用的大部分函數。

1.2.1　繪制圖像、點和線

盡管 Matplotlib 可以繪制出較好的條形圖、餅狀圖、散點圖等，但是對於大多數計算機視覺應用來說，僅僅需要用到幾個繪圖命令。最重要的是，我們想用點和線來表示一些事物，比如興趣點、對應點以及檢測出的物體。下面是用幾個點和一條線繪制圖像的例子：

from PIL import Image
from pylab import *

# 讀取圖像到數組中
im = array(Image.open('empire.jpg'))

# 繪制圖像
imshow(im)

# 一些點
x = [100,100,400,400]
y = [200,500,200,500]

# 使用紅色星狀標記繪制點
plot(x,y,'r*')

# 繪制連接前兩個點的線
plot(x[:2],y[:2])

# 添加標題，顯示繪制的圖像
title('Plotting: "empire.jpg"')
show()

上面的代碼首先繪制出原始圖像，然后在 x 和 y 列表中給定點的 x 坐標和 y 坐標上繪制出紅色星狀標記點，最后在兩個列表表示的前兩個點之間繪制一條線段（默認為藍色）。該例子的繪制結果如圖 1-2 所示。show() 命令首先打開圖形用戶界面（GUI），然后新建一個圖像窗口。該圖形用戶界面會循環阻斷腳本，然后暫停，直到最后一個圖像窗口關閉。在每個腳本里，你只能調用一次show() 命令，而且通常是在腳本的結尾調用。注意，在 PyLab 庫中，我們約定圖像的左上角為坐標原點。

圖像的坐標軸是一個很有用的調試工具；但是，如果你想繪制出較美觀的圖像，加上下列命令可以使坐標軸不顯示：

axis('off')

上面的命令將繪制出如圖 1-2 右邊所示的圖像。

圖 1-2：Matplotlib 繪圖示例。帶有坐標軸和不帶坐標軸的包含點和一條線段的圖像

在繪圖時，有很多選項可以控制圖像的顏色和樣式。最有用的一些短命令如表 1-1、表 1-2 和表 1-3 所示。使用方法見下面的例子：

plot(x,y)         # 默認為藍色實線
plot(x,y,'r*')    # 紅色星狀標記
plot(x,y,'go-')   # 帶有圓圈標記的綠線
plot(x,y,'ks:')   # 帶有正方形標記的黑色虛線

表1-1：用PyLab庫繪圖的基本顏色格式命令

顏色
'b'	藍色
'g'	綠色
'r'	紅色
'c'	青色
'm'	品紅
'y'	黃色
'k'	黑色
'w'	白色

表1-2：用PyLab庫繪圖的基本線型格式命令

線型
'-'	實線
'--'	虛線
':'	點線

表1-3：用PyLab庫繪圖的基本繪制標記格式命令

標記
'.'	點
'o'	圓圈
's'	正方形
'*'	星形
'+'	加號
'x'	叉號

1.2.2　圖像輪廓和直方圖

下面來看兩個特別的繪圖示例：圖像的輪廓和直方圖。繪制圖像的輪廓（或者其他二維函數的等輪廓線）在工作中非常有用。因為繪制輪廓需要對每個坐標 [x, y] 的像素值施加同一個閾值，所以首先需要將圖像灰度化：

from PIL import Image
from pylab import *

# 讀取圖像到數組中
im = array(Image.open('empire.jpg').convert('L'))

# 新建一個圖像
figure()
# 不使用顏色信息
gray()
# 在原點的左上角顯示輪廓圖像
contour(im, origin='image')
axis('equal')
axis('off')

像之前的例子一樣，這里用 PIL 的 convert() 方法將圖像轉換成灰度圖像。

圖像的直方圖用來表征該圖像像素值的分布情況。用一定數目的小區間（bin）來指定表征像素值的范圍，每個小區間會得到落入該小區間表示范圍的像素數目。該（灰度）圖像的直方圖可以使用hist() 函數繪制：

figure()
hist(im.flatten(),128)
show()

hist() 函數的第二個參數指定小區間的數目。需要注意的是，因為 hist() 只接受一維數組作為輸入，所以我們在繪制圖像直方圖之前，必須先對圖像進行壓平處理。flatten() 方法將任意數組按照行優先准則轉換成一維數組。圖 1-3 為等輪廓線和直方圖圖像。

圖 1-3：用 Matplotlib 繪制圖像等輪廓線和直方圖

1.2.3　交互式標注

有時用戶需要和某些應用交互，例如在一幅圖像中標記一些點，或者標注一些訓練數據。PyLab庫中的 ginput() 函數就可以實現交互式標注。下面是一個簡短的例子：

from PIL import Image
from pylab import *

im = array(Image.open('empire.jpg'))
imshow(im)
print 'Please click 3 points'
x = ginput(3)
print 'you clicked:',x
show()

上面的腳本首先繪制一幅圖像，然后等待用戶在繪圖窗口的圖像區域點擊三次。程序將這些點擊的坐標 [x, y] 自動保存在 x 列表里。

1.3　NumPy

NumPy（http://www.scipy.org/NumPy/）是非常有名的 Python 科學計算工具包，其中包含了大量有用的思想，比如數組對象（用來表示向量、矩陣、圖像等）以及線性代數函數。NumPy 中的數組對象幾乎貫穿用於本書的所有例子中 1 數組對象可以幫助你實現數組中重要的操作，比如矩陣乘積、轉置、解方程系統、向量乘積和歸一化，這為圖像變形、對變化進行建模、圖像分類、圖像聚類等提供了基礎。

1PyLab 實際上包含 NumPy 的一些內容，如數組類型。這也是我們能夠在 1.2 節使用數組類型的原因。

NumPy 可以從 http://www.scipy.org/Download 免費下載，在線說明文檔（http://docs.scipy.org/doc/numpy/）包含了你可能遇到的大多數問題的答案。關於 NumPy 的更多內容，請參考開源書籍 [24]。

1.3.1　圖像數組表示

在先前的例子中，當載入圖像時，我們通過調用 array() 方法將圖像轉換成 NumPy 的數組對象，但當時並沒有進行詳細介紹。NumPy 中的數組對象是多維的，可以用來表示向量、矩陣和圖像。一個數組對象很像一個列表（或者是列表的列表），但是數組中所有的元素必須具有相同的數據類型。除非創建數組對象時指定數據類型，否則數據類型會按照數據的類型自動確定。

對於圖像數據，下面的例子闡述了這一點：

im = array(Image.open('empire.jpg'))
print im.shape, im.dtype

im = array(Image.open('empire.jpg').convert('L'),'f')
print im.shape, im.dtype

控制台輸出結果如下所示：

(800, 569, 3) uint8
(800, 569) float32

每行的第一個元組表示圖像數組的大小（行、列、顏色通道），緊接着的字符串表示數組元素的數據類型。因為圖像通常被編碼成無符號八位整數（uint8），所以在第一種情況下，載入圖像並將其轉換到數組中，數組的數據類型為“uint8”。在第二種情況下，對圖像進行灰度化處理，並且在創建數組時使用額外的參數“f”；該參數將數據類型轉換為浮點型。關於更多數據類型選項，可以參考圖書 [24]。注意，由於灰度圖像沒有顏色信息，所以在形狀元組中，它只有兩個數值。

數組中的元素可以使用下標訪問。位於坐標 i、j，以及顏色通道 k 的像素值可以像下面這樣訪問：

value = im[i,j,k]

多個數組元素可以使用數組切片方式訪問。切片方式返回的是以指定間隔下標訪問該數組的元素值。下面是有關灰度圖像的一些例子：

im[i,:] = im[j,:]      # 將第 j 行的數值賦值給第 i 行
im[:,i] = 100          # 將第 i 列的所有數值設為100
im[:100,:50].sum()     # 計算前100 行、前 50 列所有數值的和
im[50:100,50:100]      # 50~100 行，50~100 列（不包括第 100 行和第 100 列）
im[i].mean()           # 第 i 行所有數值的平均值
im[:,-1]               # 最后一列
im[-2,:] (or im[-2])   # 倒數第二行

注意，示例僅僅使用一個下標訪問數組。如果僅使用一個下標，則該下標為行下標。注意，在最后幾個例子中，負數切片表示從最后一個元素逆向計數。我們將會頻繁地使用切片技術訪問像素值，這也是一個很重要的思想。

我們有很多操作和方法來處理數組對象。本書將在使用到的地方逐一介紹。你可以查閱在線文檔或者開源圖書 [24] 獲取更多信息。

1.3.2　灰度變換

將圖像讀入 NumPy 數組對象后，我們可以對它們執行任意數學操作。一個簡單的例子就是圖像的灰度變換。考慮任意函數 f，它將 0...255 區間（或者 0...1 區間）映射到自身（意思是說，輸出區間的范圍和輸入區間的范圍相同）。下面是關於灰度變換的一些例子：

from PIL import Image
from numpy import *

im = array(Image.open('empire.jpg').convert('L'))

im2 = 255 - im # 對圖像進行反相處理

im3 = (100.0/255) * im + 100 # 將圖像像素值變換到100...200 區間

im4 = 255.0 * (im/255.0)**2 # 對圖像像素值求平方后得到的圖像

第一個例子將灰度圖像進行反相處理；第二個例子將圖像的像素值變換到 100...200 區間；第三個例子對圖像使用二次函數變換，使較暗的像素值變得更小。圖 1-4 為所使用的變換函數圖像。圖 1-5 是輸出的圖像結果。你可以使用下面的命令查看圖像中的最小和最大像素值：

print int(im.min()), int(im.max())

圖 1-4：灰度變換示例。三個例子中所使用函數的圖像，其中虛線表示恆等變換

圖 1-5：灰度變換。對圖像應用圖 1-4 中的函數：f(x)=255-x 對圖像進行反相處理（左）；f(x)=(100/255)x+100 對圖像進行變換（中）；f(x)=255(x/255)2 對圖像做二次變換（右）

如果試着對上面例子查看最小值和最大值，可以得到下面的輸出結果：

2 255
0 253
100 200
0 255

array() 變換的相反操作可以使用 PIL 的 fromarray() 函數完成：

pil_im = Image.fromarray(im)

如果你通過一些操作將“uint8”數據類型轉換為其他數據類型，比如之前例子中的 im3 或者 im4，那么在創建 PIL 圖像之前，需要將數據類型轉換回來：

pil_im = Image.fromarray(uint8(im))

如果你並不十分確定輸入數據的類型，安全起見，應該先轉換回來。注意，NumPy 總是將數組數據類型轉換成能夠表示數據的“最低”數據類型。對浮點數做乘積或除法操作會使整數類型的數組變成浮點類型。

1.3.3　圖像縮放

NumPy 的數組對象是我們處理圖像和數據的主要工具。想要對圖像進行縮放處理沒有現成簡單的方法。我們可以使用之前 PIL 對圖像對象轉換的操作，寫一個簡單的用於圖像縮放的函數。把下面的函數添加到 imtool.py 文件里：

def imresize(im,sz):
  """ 使用PIL 對象重新定義圖像數組的大小"""
  pil_im = Image.fromarray(uint8(im))

  return array(pil_im.resize(sz))

我們將會在接下來的內容中使用這個函數。

1.3.4　直方圖均衡化

圖像灰度變換中一個非常有用的例子就是直方圖均衡化。直方圖均衡化是指將一幅圖像的灰度直方圖變平，使變換后的圖像中每個灰度值的分布概率都相同。在對圖像做進一步處理之前，直方圖均衡化通常是對圖像灰度值進行歸一化的一個非常好的方法，並且可以增強圖像的對比度。

在這種情況下，直方圖均衡化的變換函數是圖像中像素值的累積分布函數（cumulative distribution function，簡寫為 cdf，將像素值的范圍映射到目標范圍的歸一化操作）。

下面的函數是直方圖均衡化的具體實現。將這個函數添加到 imtool.py 里：

def histeq(im,nbr_bins=256):
  """ 對一幅灰度圖像進行直方圖均衡化"""

  # 計算圖像的直方圖
  imhist,bins = histogram(im.flatten(),nbr_bins,normed=True)
  cdf = imhist.cumsum() # cumulative distribution function
  cdf = 255 * cdf / cdf[-1] # 歸一化

  # 使用累積分布函數的線性插值，計算新的像素值
  im2 = interp(im.flatten(),bins[:-1],cdf)

  return im2.reshape(im.shape), cdf

該函數有兩個輸入參數，一個是灰度圖像，一個是直方圖中使用小區間的數目。函數返回直方圖均衡化后的圖像，以及用來做像素值映射的累積分布函數。注意，函數中使用到累積分布函數的最后一個元素（下標為 -1），目的是將其歸一化到 0...1 范圍。你可以像下面這樣使用該函數：

from PIL import Image
from numpy import *

im = array(Image.open('AquaTermi_lowcontrast.jpg').convert('L'))
im2,cdf = imtools.histeq(im)

圖 1-6 和圖 1-7 為上面直方圖均衡化例子的結果。上面一行顯示的分別是直方圖均衡化之前和之后的灰度直方圖，以及累積概率分布函數映射圖像。可以看到，直方圖均衡化后圖像的對比度增強了，原先圖像灰色區域的細節變得清晰。

圖 1-6：直方圖均衡化示例。左側為原始圖像和直方圖，中間圖為灰度變換函數，右側為直方圖均衡化后的圖像和相應直方圖

圖 1-7：直方圖均衡化示例。左側為原始圖像和直方圖，中間圖為灰度變換函數，右側為直方圖均衡化后的圖像和相應直方圖

1.3.5　圖像平均

圖像平均操作是減少圖像噪聲的一種簡單方式，通常用於藝術特效。我們可以簡單地從圖像列表中計算出一幅平均圖像。假設所有的圖像具有相同的大小，我們可以將這些圖像簡單地相加，然后除以圖像的數目，來計算平均圖像。下面的函數可以用於計算平均圖像，將其添加到 imtool.py 文件里：

def compute_average(imlist):
  """ 計算圖像列表的平均圖像"""

  # 打開第一幅圖像，將其存儲在浮點型數組中
  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)

  # 返回uint8 類型的平均圖像
  return array(averageim, 'uint8')

該函數包括一些基本的異常處理技巧，可以自動跳過不能打開的圖像。我們還可以使用 mean() 函數計算平均圖像。mean() 函數需要將所有的圖像堆積到一個數組中；也就是說，如果有很多圖像，該處理方式需要占用很多內存。我們將會在下一節中使用該函數。

1.3.6　圖像的主成分分析（PCA）

PCA（Principal Component Analysis，主成分分析）是一個非常有用的降維技巧。它可以在使用盡可能少維數的前提下，盡量多地保持訓練數據的信息，在此意義上是一個最佳技巧。即使是一幅 100×100 像素的小灰度圖像，也有 10 000 維，可以看成 10 000 維空間中的一個點。一兆像素的圖像具有百萬維。由於圖像具有很高的維數，在許多計算機視覺應用中，我們經常使用降維操作。PCA 產生的投影矩陣可以被視為將原始坐標變換到現有的坐標系，坐標系中的各個坐標按照重要性遞減排列。

為了對圖像數據進行 PCA 變換，圖像需要轉換成一維向量表示。我們可以使用 NumPy 類庫中的flatten() 方法進行變換。

將變平的圖像堆積起來，我們可以得到一個矩陣，矩陣的一行表示一幅圖像。在計算主方向之前，所有的行圖像按照平均圖像進行了中心化。我們通常使用 SVD（Singular Value Decomposition，奇異值分解）方法來計算主成分；但當矩陣的維數很大時，SVD 的計算非常慢，所以此時通常不使用 SVD 分解。下面就是 PCA 操作的代碼：

from PIL import Image
from numpy import *

def pca(X):
  """ 主成分分析：
    輸入：矩陣X ，其中該矩陣中存儲訓練數據，每一行為一條訓練數據
    返回：投影矩陣（按照維度的重要性排序）、方差和均值"""

  # 獲取維數
  num_data,dim = X.shape

  # 數據中心化
  mean_X = X.mean(axis=0)
  X = X - mean_X

if dim>num_data:
  # PCA- 使用緊致技巧
  M = dot(X,X.T) # 協方差矩陣
  e,EV = linalg.eigh(M) # 特征值和特征向量
  tmp = dot(X.T,EV).T # 這就是緊致技巧
  V = tmp[::-1] # 由於最后的特征向量是我們所需要的，所以需要將其逆轉
  S = sqrt(e)[::-1] # 由於特征值是按照遞增順序排列的，所以需要將其逆轉
  for i in range(V.shape[1]):
    V[:,i] /= S
else:
  # PCA- 使用SVD 方法
  U,S,V = linalg.svd(X)
  V = V[:num_data] # 僅僅返回前nun_data 維的數據才合理

# 返回投影矩陣、方差和均值
return V,S,mean_X

該函數首先通過減去每一維的均值將數據中心化，然后計算協方差矩陣對應最大特征值的特征向量，此時可以使用簡明的技巧或者 SVD 分解。這里我們使用了 range() 函數，該函數的輸入參數為一個整數 n，函數返回整數 0...(n-1) 的一個列表。你也可以使用 arange() 函數來返回一個數組，或者使用 xrange() 函數返回一個產生器（可能會提升速度）。我們在本書中貫穿使用range() 函數。

如果數據個數小於向量的維數，我們不用 SVD 分解，而是計算維數更小的協方差矩陣 XXT 的特征向量。通過僅計算對應前 k（k 是降維后的維數）最大特征值的特征向量，可以使上面的 PCA 操作更快。由於篇幅所限，有興趣的讀者可以自行探索。矩陣 V 的每行向量都是正交的，並且包含了訓練數據方差依次減少的坐標方向。

我們接下來對字體圖像進行 PCA 變換。fontimages.zip 文件包含采用不同字體的字符 a 的縮略圖。所有的 2359 種字體可以免費下載 2。假定這些圖像的名稱保存在列表 imlist 中，跟之前的代碼一起保存傳在 pca.py 文件中，我們可以使用下面的腳本計算圖像的主成分：

2免費字體圖像庫由 Martin Solli 收集並上傳（http://webstaff.itn.liu.se/~marso/）。

from PIL import Image
from numpy import *
from pylab import *
import pca

im = array(Image.open(imlist[0])) # 打開一幅圖像，獲取其大小
m,n = im.shape[0:2] # 獲取圖像的大小
imnbr = len(imlist) # 獲取圖像的數目

# 創建矩陣，保存所有壓平后的圖像數據
immatrix = array([array(Image.open(im)).flatten()
               for im in imlist],'f')

# 執行 PCA 操作
V,S,immean = pca.pca(immatrix)

# 顯示一些圖像（均值圖像和前 7 個模式）
figure()
gray()
subplot(2,4,1)
imshow(immean.reshape(m,n))
for i in range(7):
  subplot(2,4,i+2)
  imshow(V[i].reshape(m,n))

show()

注意，圖像需要從一維表示重新轉換成二維圖像；可以使用 reshape() 函數。如圖 1-8 所示，運行該例子會在一個繪圖窗口中顯示 8 個圖像。這里我們使用了 PyLab 庫的 subplot() 函數在一個窗口中放置多個圖像。

圖 1-8：平均圖像（左上）和前 7 個模式（具有最大方差的方向模式）

1.3.7　使用pickle模塊

如果想要保存一些結果或者數據以方便后續使用，Python 中的 pickle 模塊非常有用。pickle模塊可以接受幾乎所有的 Python 對象，並且將其轉換成字符串表示，該過程叫做封裝（pickling）。從字符串表示中重構該對象，稱為拆封（unpickling）。這些字符串表示可以方便地存儲和傳輸。

我們來看一個例子。假設想要保存上一節字體圖像的平均圖像和主成分，可以這樣來完成：

# 保存均值和主成分數據
f = open('font_pca_modes.pkl', 'wb')
pickle.dump(immean,f)
pickle.dump(V,f)
f.close()

在上述例子中，許多對象可以保存到同一個文件中。pickle 模塊中有很多不同的協議可以生成 .pkl 文件；如果不確定的話，最好以二進制文件的形式讀取和寫入。在其他 Python 會話中載入數據，只需要如下使用 load() 方法：

# 載入均值和主成分數據
f = open('font_pca_modes.pkl', 'rb')
immean = pickle.load(f)
V = pickle.load(f)
f.close()

注意，載入對象的順序必須和先前保存的一樣。Python 中有個用 C 語言寫的優化版本，叫做cpickle 模塊，該模塊和標准 pickle 模塊完全兼容。關於 pickle 模塊的更多內容，參見pickle 模塊文檔頁 http://docs.python.org/library/pickle.html。

在本書接下來的章節中，我們將使用 with 語句處理文件的讀寫操作。這是 Python 2.5 引入的思想，可以自動打開和關閉文件（即使在文件打開時發生錯誤）。下面的例子使用 with() 來實現保存和載入操作：

# 打開文件並保存
with open('font_pca_modes.pkl', 'wb') as f:
  pickle.dump(immean,f)
  pickle.dump(V,f)

和

# 打開文件並載入
with open('font_pca_modes.pkl', 'rb') as f:
  immean = pickle.load(f)
  V = pickle.load(f)

上面的例子乍看起來可能很奇怪，但 with() 確實是個很有用的思想。如果你不喜歡它，可以使用之前的 open 和 close 函數。

作為 pickle 的一種替代方式，NumPy 具有讀寫文本文件的簡單函數。如果數據中不包含復雜的數據結構，比如在一幅圖像上點擊的點列表，NumPy 的讀寫函數會很有用。保存一個數組 x 到文件中，可以使用：

savetxt('test.txt',x,'%i')

最后一個參數表示應該使用整數格式。類似地，讀取可以使用：

x = loadtxt('test.txt')

你可以從在線文檔http://docs.scipy.org/doc/numpy/reference/generated/numpy.loadtxt.html 了解更多內容。

最后，NumPy 有專門用於保存和載入數組的函數。你可以在上面的在線文檔里查看關於 save()和 load() 的更多內容。