本文目录一览：
- 1、用python抠图（背景透明化）
- 2、Python如何图像识别？
- 3、为什么做AI的都选Python？
- 4、学Python职业前景怎么样
- 5、python可以自动排海报吗
- 6、如何用 Python 实现一个抠图功能
用python抠图（背景透明化）
matplotlib读取RGB图片的时候，往往把图片转化为四通道图片，其中第四个通道是α通道，可以决定图像的透明度。
如果把图片的前景的透明度设定为1，背景的透明度设定为0，那么就算去掉了背景了。
原图。
代码。
出图。
有部分白色背景由于不够白，被保留了下来。
换图。
观察可知，背景是深浅不一的蓝色。
深色参数是a[0,0]，浅色区域比较多，也不容易确定位置。
用如下代码抠图，太狠！
再修改代码。
if a[i,j,2]1.5*a[i,j,0] and a[i,j,2]1.2*a[i,j,1]:
不准抠去黑色部分。经过逐步调整颜色阈值，得到下面的效果。
上面代码如下。
Python如何图像识别？
Python图片文本识别使用的工具是PIL和pytesser。因为他们使用到很多的python库文件，为了避免一个个工具的安装，建议使用pythonxy
pytesser是OCR开源项目的一个模块，在Python中导入这个模块即可将图片中的文字转换成文本。pytesser调用了tesseract。当在Python中调用pytesser模块时，pytesser又用tesseract识别图片中的文字。pytesser的使用步骤如下：
首先，安装Python2.7版本，这个版本比较稳定，建议使用这个版本。
其次，安装pythoncv。
然后，安装PIL工具，pytesser的使用需要PIL库的支持。
接着下载pytesser
最后，将pytesser解压，这个是免安装的，可以将解压后的文件cut到Python安装目录的Libsite-packages下直接使用，比如我的安装目录是：C:Python27Libsite-packages，同时把这个目录添加到环境变量之中。
完成以上步骤之后，就可以编写图片文本识别的Python脚本了。参考脚本如下：
from pytesser import *
import ImageEnhance
image = Image.open('D:\workspace\python\5.png')
#使用ImageEnhance可以增强图片的识别率
enhancer = ImageEnhance.Contrast(image)
image_enhancer = enhancer.enhance(4)
print image_to_string(image_enhancer)
tesseract是谷歌的一个对图片进行识别的开源框架，免费使用，现在已经支持中文，而且识别率非常高，这里简要来个helloworld级别的认识
下载之后进行安装，不再演示。
在tesseract目录下，有个tesseract.exe文件，主要调用这个执行文件，用cmd运行到这个目录下，在这个目录下同时放置一张需要识别的图片，这里是123.jpg
然后运行:tesseract 123.jpg result
会把123.jpg自动识别并转换为txt文件到result.txt
但是此时中文识别不好
然后找到tessdata目录，把eng.traineddata替换为chi_sim.traineddata,并且把chi_sim.traineddata重命名为eng.traineddata
ok,现在中文识别基本达到90%以上了
为什么做AI的都选Python？
为什么人工智能要用Python？总结了以下三个原因。
1、Python是解释语言，程序写起来非常方便
写程序方便对做机器学习的人很重要。因为经常需要对模型进行各种各样的修改，这在编译语言里很可能是牵一发而动全身的事情，Python里通常可以用很少的时间实现。举例来说，在C等编译语言里写一个矩阵乘法，需要自己分配操作数（矩阵）的内存、分配结果的内存、手动对BLAS接口调用gemm、最后如果没用smart pointer还得手动回收内存空间。Python几乎就是import numpy; numpy.dot两句话的事。
当然现在很多面向C/C++库已经支持托管的内存管理了，这也让开发过程容易了很多，但解释语言仍然有天生的优势——不需要编译时间。这对机器学习这种需要大量prototyping和迭代的研究方向是非常有益工作效率的。
2、Python的开发生态成熟，有很多库可以用
Python灵活的语法还使得包括文本操作、list/dict comprehension等非常实用的功能非常容易高效实现（bbs.cnitedu.cn），配合lambda等使用更是方便。这也是Python良性生态背后的一大原因。
相比而言，Lua虽然也是解释语言，甚至有LuaJIT这种神器加持，但其本身很难做到Python这样，一是因为有Python这个前辈占领着市场份额，另一个也因为它本身种种反常识的设计（比如全局变量）。不过借着Lua-Python bridge和Torch的东风，Lua似乎也在寄生兴起。
3、Python效率超高
解释语言的发展已经大大超过许多人的想象。很多比如list comprehension的语法糖都是贴近内核实现的。除了JIT之外，还有Cython可以大幅增加运行效率。最后，得益于Python对C的接口，很多像gnumpy，theano这样高效、Python接口友好的库可以加速程序的运行，在强大团队的支撑下，这些库的效率可能比一个不熟练的程序员用C写一个月调优的效率还要高。
以上就是总结的人工智能要用Python的三个原因。
学Python职业前景怎么样
一、人工智能
Python作为人工智能的黄金语言，选择人工智能作为就业方向是理所当然的，而且就业前景好，薪资普遍较高，拉勾网上，人工智能工程师的招聘起薪普遍在20K-35K，当然，如果是初级工程师，起薪也已经超过了12500元/月。
二、大数据
我们目前正处于大数据时代，Python这门语言在大数据上比Java更加有效率，大数据虽然难学，但是Python可以更好地和大数据对接，用Python做大数据的薪资也至少是20K以上了，大数据持续火爆，未来做大数据工程师，薪资还将逐渐上涨。
三、网络爬虫工程师
网络爬虫作为数据采集的利器，在大数据时代作为数据的源头，十分有用武之地。利用Python可以更快的提升对数据抓取的精准程度和速度，是数据分析师的福祉，通过网络爬虫，让BOSS再也不用担心你没有数据。做爬虫工程师的的薪资为20K起，当然，因为大数据，薪资也将一路上扬。
四、Python web全栈工程师
全栈工程师是指掌握多种技能，并能利用多种技能独立完成产品的人。也叫全端工程师(同时具备前端和后台能力)，英文Full Stack developer。全栈工程师不管在哪个语言中都是人才中的人才，而Python web全栈工程师工资基本上都高出20K，所以如果你能力足够，首选就是Python web全栈工程师。
五、Python自动化运维
运维工作者对Python的需求很大，小伙伴们快快行动起来吧，学习Python自动化运维也能有个10k-15k的工资，很不错哦
六、Python自动化测试
Python这门语言十分高效，只要是和自动化有关系的，它可以发挥出巨大的优势，目前做自动化测试的大部分的工作者都需要学习Python帮助提高测试效率。用Python测试也可以说是测试人员必备的工具了，Python自动化测试的起薪一般也都是15K左右，所以测试的小伙伴也需要学习Python哦！
python可以自动排海报吗
可以。通过编码后可实现。
批量抠图：输入文字和海报元素，就可以一键自动排版海报，一个小时就几十张。
如何用 Python 实现一个抠图功能
使用Python和OpenCV进行抠图
其中使用了opencv中的grabcut方法
直接上代码
[python] view plain copy
# encoding:utf-8
# 图像提取
# create by
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('1.jpg')
mask = np.zeros(img.shape[:2], np.uint8)
bgdModel = np.zeros((1, 65), np.float64)
fgdModel = np.zeros((1, 65), np.float64)
rect = (20, 20, 413, 591)
cv2.grabCut(img, mask, rect, bgdModel, fgdModel, 10, cv2.GC_INIT_WITH_RECT)mask2 = np.where((mask == 2) | (mask == 0), 0, 1).astype('uint8')img = img * mask2[:, :, np.newaxis]
img += 255 * (1 - cv2.cvtColor(mask2, cv2.COLOR_GRAY2BGR))# plt.imshow(img)
# plt.show()
img = np.array(img)
mean = np.mean(img)
img = img - mean
img = img * 0.9 + mean * 0.9
img /= 255
plt.imshow(img)
plt.show()