众所周知，在数字图像处理领域中有很多基准测试图像，这些图像用来作为科研人员PK自己的算法时的参考，给大家提供一个公平的样本，针对同一个问题进行处理时，可以用这些基准图像做实验，比较常见的应该就是lena图像了，公众号中有不少文章也是使用lena图像进行演示的，例如使用Python对图像进行中值滤波，Python使用numpy滤除图像中的低频信号。

在Python扩展库scipy的misc模块中曾经就有过lena图像的，不过后来不知道为啥取消了，而在与scipy有关的资料或书籍中，很多地方都以face和ascent图像进行演示，直接使用misc.face()和ascent()就可以获得该图像的数据。那么这两个图像到底是什么样的数据呢？通过简单分析就可以发现，这两个图像的数据实际就是像素的颜色值，其中face图像是个彩色图像，其数据是个三维数组，是个1024x768的图像，而图像中每个像素的值又是一个数组，分别对应该像素颜色的红、绿、蓝分量。ascent图像是个灰度图像，其数据是个二维数组，分别对应图像中每个像素的灰度值。

在可视化扩展库matplotlib.pyplot中可以很容易显示数组形式的图像数据，例如

>>> from scipy import misc

>>> import matplotlib.pyplot as plt

>>> face = misc.face()

>>> plt.figure()

<matplotlib.figure.Figure object at 0x0000000005181DA0>

>>> plt.imshow(face)

<matplotlib.image.AxesImage object at 0x000000000804A518>

>>> plt.show()

运行结果为：

在清楚了misc中图像数据的格式和含义之后，我们也可以很容易地把它们转换成图像文件并进行保存。例如下面的代码

from PIL import Image

from scipy import misc

face = misc.ascent()

height, width = len(face), len(face[0])

im = Image.new('RGB',\

               (width, height),\

               (255,255,255))

for w in range(width):

    for h in range(height):

        try:

            im.putpixel((w,h),\

                        tuple(face[h][w]))

        except:

            im.putpixel((w,h),\

                        (face[h][w],)*3)

im.show()

运行结果为：

把代码第3行中的face = misc.ascent()替换为face = misc.face()，运行结果为：

---------------分割线---------------

Python培训班通知：

1、7月16日-23日，青岛，面向山东省内高校老师，通知详见使用Python对图像进行中值滤波

2、8月6日-12日，济南，面向全国高校老师，通知详见关于举办2017年暑期全国高校教师 “Python编程及应用”培训班通知