簡介

計算機視覺是人工智能的一個分支，它處理圖像和視頻數據，以執行各種任務，包括對象檢測、圖像分割和面部識別。

計算機視覺旨在讓計算機“看到”世界，就像人眼一樣。它涉及到使用計算機算法和技術來從圖像和視頻中提取有意義的信息。

計算機視覺廣泛應用于各個領域，包括：

• 醫療保?。横t學圖像分析、疾病診斷、藥物發現
• 汽車：自動駕駛、交通監控、行人檢測
• 安全：面部識別、物體檢測、異常檢測

• 娛樂：圖像編輯、視頻游戲、視覺特效

計算機視覺的技術

計算機視覺涉及使用各種技術，包括：

• 圖像處理：對圖像進行操作以增強或修改它們，例如亮度調整、對比度調整、噪聲去除。
• 特征提?。簭膱D像中識別和提取特定特征，例如邊緣、紋理和顏色。
• 圖像分類：將圖像分為預定義類別，例如“貓”、“狗”或“風景”。

---

什么是計算機視覺

計算機視覺（Computer Vision）是指使用計算機進行圖像和視頻的分析、理解、處理和識別的技術，也是人工智能領域的一個重要分支。 在這個過程中，計算機通過對數字圖像的處理，將人眼所感知的視覺轉化為計算機可以理解和處理的數字信息，實現從視覺信息到語義信息的轉換。

計算機視覺主要涉及三個方面：圖像獲取、圖像處理和圖像分析。 其中，圖像獲取是指通過攝像機獲取場景中的圖像；圖像處理則是利用計算機對圖像進行去噪、增強、糾正畸變等操作，提高圖像質量；圖像分析則是對處理后的圖像進行對象檢測、目標跟蹤、圖像分割、特征提取、三維重建等操作，從而實現對圖像的理解和識別。

計算機視覺在很多領域都有廣泛應用。 例如，在安全監控、交通管理、物流配送、醫療診斷、無人駕駛等領域，計算機視覺可以通過對圖像和視頻的處理和分析來實現自主決策和智能化控制，從而提高生產效率和安全性。 此外，在虛擬現實、游戲設計和圖像美學等領域，計算機視覺也扮演著重要的角色，通過對圖像和視頻進行美化、增強和特效展現等操作，提供更優質的視覺體驗。

機器人視覺系統中圖像分割技術傳統方法概論1

姓名：寇世文 學號 【嵌牛導讀】：隨著人工智能技術的不斷發展，智能機器人領域也得到了空前的發展。 尤其是深度神經網絡廣泛應用于視覺系統中后，取得了許多很明顯的成效。 對于自主移動機器人來說，視覺系統有著十分重要的作用，而圖像分割技術更是在這個系統中擔任著十分重要的角色。 傳統的圖像分割技術基本上已經能夠將圖像的前景和后景分隔開來，但是近年來隨著深度學習算法的發展，人們開始將其應用到圖像分割中，提出了很多分割網絡，也達到了很好的分割效果。 在實現圖像分割的基礎上，人們還使得分割具有了語義類別和標簽，就是現在的語義分割。 本文在介紹了語義分割的基礎上又引出了新的任務分割場景，實例分割和全景分割。 并且介紹了最近研究的熱點三維點云的語義分割問題，闡述了其實現的必要性。 【嵌牛鼻子】智能機器人，圖像分割、語義分割、計算機視覺 【嵌牛提問】圖像分割技術的傳統常見方法 【嵌牛正文】 一、引言 計算機視覺，即computer vision，就是通過計算機來模擬人的視覺工作原理，來獲取和完成一系列圖像信息處理的機器。 計算機視覺屬于機器學習在視覺領域的應用，是一個多學科交叉的研究領域，其涉及數學、物理、生物、計算機工程等多個學科。 計算機視覺的主要應用有無人駕駛、人臉識別、無人安防、車輛車牌識別、智能傳圖、3D重構、VR/AR、智能拍照、醫學圖像處理、無人機、工業檢測等。 人駕駛又稱自動駕駛，是目前人工智能領域一個比較重要的研究方向，讓汽車可以進行自主駕駛，或者輔助駕駛員駕駛，提升駕駛操作的安全性。 人臉識別技術目前已經研究得相對比較成熟，并在很多地方得到了應用，且人臉識別準確率目前已經高于人眼的識別準確率。 安防一直是我國比較重視的問題，也是人們特別重視的問題，在很多重要地點都安排有巡警巡查，在居民小區以及公司一般也都有保安巡查來確保安全。 車輛車牌識別目前已經是一種非誠成熟的技術了，高速路上的違章檢測，車流分析，安全帶識別，智能紅綠燈，還有停車場的車輛身份識別等都用到了車輛車牌識別。 3D重構之前在工業領域應用比較多，可以用于對三維物體進行建模，方便測量出物體的各種參數，或者對物體進行簡單復制。 計算機視覺還有很多應用，隨著技術的發展，應用領域也會越來越多。 在工業領域的應用，在機器人技術方面的應用等。 對于傳統的圖像分割過程，通?？梢苑譃?個步驟，即特征感知、圖像預處理、特征提取、特征篩選和推理預測與識別。 通過研究發現，在視覺的早期的發展過程中，人們對于圖像中的特征并沒有表現出足夠的關注。 且傳統的分割過程是把特征提取和分類分開來做的，等到需要輸出結果的時候再結合到一起，可想而知其實現的困難程度。 在深度學習算法出來之后，卷積神經網絡被廣泛應用于計算機視覺技術中，也因此衍生出了很多的研究方向。 深度學習主要是以特征為基礎來進行比對，如在人臉識別方面，使用卷積神經網絡分別對兩張人臉進行不同位置的特征提取，然后再進行相互比對，最后得到比對結果。 目前的計算機視覺的主要研究方向有圖像分類、目標檢測、圖像分割、目標跟蹤、圖像濾波與降噪、圖像增強、風格化、三維重建、圖像檢索、GAN等。 本文主要是針對圖像分割這一領域，進行簡要的概述。 圖像分割技術是計算機視覺領域的個重要的研究方向，是圖像語義理解的重要一環。 圖像分割是指將圖像分成若干具有相似性質的區域的過程，從數學角度來看，圖像分割是將圖像劃分成互不相交的區域的過程。 近些年來隨著深度學習技術的逐步深入，圖像分割技術有了突飛猛進的發展，該技術相關的場景物體分割、人體前背景分割、人臉人體Parsing、三維重建等技術已經在無人駕駛、增強現實、安防監控等行業都得到廣泛的應用。 二、發展現狀 近來已經有很多學者將圖像分割技術應用到移動機器人的控制中，能夠做到在機器人運動的同時定位、構建地圖并分割出不同的前景和后景，使視覺系統掃描到的圖像具有語義信息。 并有學者也致力于分割得更為準確和精細，不僅能夠做到區分不同類的物體，也能夠實現對同類的不同物體的分類，甚至可以做到在此基礎上加上對背景的分割。 由于我們生活的世界是三維空間，還有學者將圖像場景還原到三維中，然后使用相關方法對整個三維場景進行分割。 作為計算機視覺的研究中的一個較為經典的難題，圖像分割這一領域也越來越被人們所關注。 首先是傳統的圖像分割方法。 在傳統分割方面，人們使用數字圖像處理、拓撲學、數學等方面的知識來進行圖像分割。 雖然現在的算力逐漸增加且深度學習不斷發展，一些傳統的分割方法所取得的效果不如深度學習，但是其分割的思想仍有很多值得我們去學習的。 第一種方法是基于閾值的圖像分割方法。 這種方法的核心思想是想根據圖像的灰度特征來給出一個或多個灰度閾值，將此閾值作為一個標準值與圖像中的每個像素逐一進行比較。 很容易想到，通過這個逐一比較過程能夠得到兩類結果，一類是灰度值大于閾值的像素點集，另一類是灰度值小于閾值的像素點集，從而很自然地將圖像進行了分割。 所以，不難發現，此方法的最關鍵的一步就是按照一定的準則函數來得到最佳灰度閾值，這樣才能夠得到合適的分類結果。 值得一提的是，如果圖像中需要分割的目標和背景分別占據了不同的灰度值甚至是不同的等級，那使用這種方法會得到很好的效果。 并且，假如對于一張圖像的處理，我們只需要設定一個閾值時，可以將其稱為單閾值分割。 但是圖像中如果不止一個目標，即有多個目標需要進行提取的時候，單一閾值分割就無法做到將它們都分割開來，此時應選取多個閾值對其進行處理，這個分割的過程為多閾值分割。 總的來說，閾值分割法有著其獨特的特點，其計算簡單、效率較高。 但是，由于這種方法只考慮的是單個像素的灰度值及其特征，而完全忽略了空間特征，這也就導致了其對噪聲比較敏感且魯棒性不高。 第二種方法是基于區域的圖像分割方法。 這種方法具有兩種基本形式：一種是區域生長，這種分割方法是從單個像素出發，逐漸將相似的區域進行合并，最終得到需要的區域。 另一種方法是直接從圖像的全局出發，一點一點逐步切割至所需要的區域。 區域生長指的是，給定一組種子像素，其分別代表了不同的生長區域，然后讓這些種子像素逐漸合并鄰域里符合條件的像素點。 如果有新的像素點添加進來，同樣把它們作為種子像素來處理。 區域分裂合并的分割過程可以說是區域生長的逆過程，這種方法是從圖像的全局出發通過不斷分裂得到各個子區域，然后提取目標的過程。 此外，在此過程中，還需要合并前景區域。 在區域分割方法中還有一種分水嶺算法。 受啟發于分水嶺的構成，這種分割方法將圖像看作是測地學上的拓撲地貌，這樣圖像中每一個像素點對應的海拔高度可以用該點的灰度值來表示。 分水嶺的形成過程實際上可以通過模擬浸入過程來實現。 具體做法是，在每個局部極小值的表面都刺穿一個小孔，然后把模型慢慢浸入水中，隨著水慢慢浸入其中，分水嶺就隨之形成了。 第三種方法是基于邊緣檢測的分割方法。 邊緣檢測的思想就是試圖通過檢測不同物體的邊緣來將圖像分割開來，這種方法是人們最先想到的也是研究最多的方法之一。 如果我們將圖片從空間域變換到頻率域中去，其中物體的邊緣部分就對應著高頻部分，很容易就能夠找到邊緣信息，因此也使得分割問題變得容易。 邊緣檢測的方法能夠實現快而且準確的定位，但是其不能保證邊緣的連續性和封閉性，且當一幅圖像的細節信息過多時，其就會在邊緣處產生大量的細碎邊緣，在形成完整的分割區域時就會有缺陷。 第四種圖像分割方法結合了特定的工具。 這里所說的特定工具是各種圖像處理工具以及算法等，隨著圖像分割研究工作的深入，很多學者開始將一些圖像處理的工具和一些算法應用到此工作中，并取得了不錯的結果。 小波變換在數字圖像處理中發揮著很重要的作用，它能夠將時域和頻域統一起來研究信號。 尤其是在圖像邊緣檢測方面，小波變換能夠檢測二元函數的局部突變能力。 其次是基于遺傳算法的圖像分割，遺傳算法主要借鑒了生物界自然選擇和自然遺傳機制的隨機化搜索方法。 其模擬了由基因序列控制的生物群體的進化過程，其擅長于全局搜索，但是局部搜多能力不足。 將遺傳算法應用到圖像處理中也是當前研究的一個熱點問題，在此選擇這種方法的主要原因是遺傳算法具有快速的隨機搜索能力，而且其搜索能力與問題的領域沒有任何關系。 除此之外，還有基于主動輪廓模型的分割方法，這種方法具有統一的開放式的描述形式，為圖像分割技術的研究和創新提供了理想的框架。 此方法也是對邊緣信息進行檢測的一種方法，主要是在給定圖像中利用曲線演化來檢測目標。

圖像處理和計算機視覺有什么區別？

圖像處理（Image Processing）和計算機視覺（Computer Vision）是兩個相關但有所區別的領域。 它們之間的主要區別在于目標和處理方法。 圖像處理（Image Processing）主要關注對數字圖像進行操作和改進，以便于更好地顯示、存儲或傳輸。 圖像處理的目標是對圖像本身進行優化和處理，而不是理解圖像中的內容。 圖像處理的技術包括：圖像增強（例如對比度和亮度調整）、濾波（例如平滑和銳化）、去噪、圖像壓縮、圖像融合等。 圖像處理的應用場景包括衛星圖像處理、醫學圖像處理、圖像壓縮、圖像恢復等。 計算機視覺（Computer Vision）則主要關注讓計算機能夠像人類一樣理解和分析數字圖像或視頻。 計算機視覺的目標是對圖像中的物體、場景或概念進行識別和理解。 計算機視覺的技術包括：特征提取、模式識別、物體檢測、圖像分割、場景重建、運動分析等。 計算機視覺的應用場景非常廣泛，包括自動駕駛、醫療影像分析、虛擬現實、增強現實、人臉識別等。 總結一下，圖像處理主要關注對圖像本身進行操作和優化，以改善圖像的顯示、存儲或傳輸，而計算機視覺則關注讓計算機能夠理解和分析圖像中的內容。 雖然這兩個領域有很多技術和應用的重疊，但它們的側重點和目標是不同的。

ai視覺是什么ai視覺技術

AI視覺指的是將人工智能（AI）技術應用于計算機視覺（Computer Vision, CV）領域，實現對圖像和視頻數據的分析和理解。 AI視覺可以讓計算機具備類似人類視覺的能力，通過識別、分類、分割、跟蹤、檢測等方法，對圖像和視頻數據進行處理和分析。 AI視覺主要涉及以下技術和應用：1. 圖像識別：通過訓練深度學習模型，對圖像進行分類、識別和標注，例如識別貓狗、人臉識別、物體識別等。 2. 目標檢測與跟蹤：自動檢測目標并追蹤其運動軌跡，例如行人檢測、車輛檢測等。 3. 圖像分割：將圖像分割成不同的區域，為各種應用場景提供支持，例如醫學圖像分析和自動駕駛。 4. 圖像生成：通過深度學習模型生成高保真度的圖像，例如超分辨率圖像生成和風格轉換等。 AI視覺技術被廣泛應用于各種領域，如智能安防、無人駕駛、醫療診斷、智能制造等，還涉及到虛擬現實、增強現實等新興領域。 總而言之，AI視覺是一種頗具前景的技術，具有廣泛的發展應用前景。

python組件有多少個(2023年最新解答)

常用的生物信息學python庫有哪些

常用的生物信息學python庫：

Python默認的圖形界面接口。 Tkinter是一個和Tk接口的Python模塊，Tkinter庫提供了對TkAPI的接口，它屬于Tcl/Tk的GUI工具組。

用于pythonGUI程序開發的GTK+庫。 GTK就是用來實現GIMP和Gnome的庫。

用于python的Qt開發庫。 QT就是實現了KDE環境的那個庫，由一系列的模塊組成，有qt,qtcanvas,qtgl,qtnetwork,qtsql,qttable,qtuiandqtxml，包含有300個類和超過5750個的函數和方法。 PyQt還支持一個叫qtext的模塊，它包含一個QScintilla庫。 該庫是Scintillar編輯器類的Qt接口。

GUI編程框架，熟悉MFC的人會非常喜歡，簡直是同一架構（對于初學者或者對設計要求不高的用戶來說，使用BoaConStructor可以方便迅速的進行wxPython的開發）

python提供強大的圖形處理的能力，并提供廣泛的圖形文件格式支持，該庫能進行圖形格式的轉換、打印和顯示。 還能進行一些圖形效果的處理，如圖形的放大、縮小和旋轉等。 是Python用戶進行圖象處理的強有力工具。

一個Python代碼加速度器，可使Python代碼的執行速度提高到與編譯語言一樣的水平。

Jabber服務器采用開發的XMPP協議，GoogleTalk也是采用XMPP協議的IM系統。 在Python中有一個xmpppy模塊支持該協議。 也就是說，我們可以通過該模塊與Jabber服務器通信，是不是很Cool。

用于多媒體操作的python模塊。 它提供了豐富而簡單的接口用于多媒體處理(wav,mp3,ogg,avi,divx,dvd,cddaetc)。 可在Windows和Linux平臺下使用。

Pythonmegawidgets，Python超級GUI組件集，一個在python中利用Tkinter模塊構建的高級GUI組件，每個Pmw都合并了一個或多個Tkinter組件，以實現更有用和更復雜的功能。

用Python解析和處理XML文檔的工具包，包中的4DOM是完全相容于W3CDOM規范的。它包含以下內容：

xmlproc:一個符合規范的XML解析器。 Expat:一個快速的，非驗證的XML解析器。 還有其他和他同級別的還有PyHtmlPySGML。

用于多媒體開發和游戲軟件開發的模塊。

模塊封裝了“OpenGL應用程序編程接口”，通過該模塊python程序員可在程序中集成2D和3D的圖形。

NumPy、NumArray、SAGE

NumArray是Python的一個擴展庫，主要用于處理任意維數的固定類型數組，簡單說就是一個矩陣庫。 它的底層代碼使用C來編寫，所以速度的優勢很明顯。 SAGE是基于NumPy和其他幾個工具所整合成的數學軟件包，目標是取代Magma,Maple,Mathematica和Matlab這類工具。

用于連接MySQL數據庫。 還有用于zope的ZMySQLDA模塊，通過它就可在zope中連接mysql數據庫。

用于連接sqlite數據庫。

Python-ldap

提供一組面向對象的API，可方便地在python中訪問ldap目錄服務，它基于OpenLDAP2.x。

發送電子郵件。

定義了FTP類和一些方法，用以進行客戶端的ftp編程。 如果想了解ftp協議的詳細內容，請參考RFC959。

OpenCL的Python接口，通過該模塊可以使用GPU實現并行計算。

10個Python圖像編輯工具

以下提到的這些Python工具在編輯圖像、操作圖像底層數據方面都提供了簡單直接的方法。

--ParulPandey

當今的世界充滿了數據，而圖像數據就是其中很重要的一部分。 但只有經過處理和分析，提高圖像的質量，從中提取出有效地信息，才能利用到這些圖像數據。

常見的圖像處理操作包括顯示圖像，基本的圖像操作，如裁剪、翻轉、旋轉；圖像的分割、分類、特征提取；圖像恢復；以及圖像識別等等。 Python作為一種日益風靡的科學編程語言，是這些圖像處理操作的最佳選擇。 同時，在Python生態當中也有很多可以免費使用的優秀的圖像處理工具。

下文將介紹10個可以用于圖像處理任務的Python庫，它們在編輯圖像、查看圖像底層數據方面都提供了簡單直接的方法。

scikit-image是一個結合NumPy數組使用的開源Python工具，它實現了可用于研究、教育、工業應用的算法和應用程序。 即使是對于剛剛接觸Python生態圈的新手來說，它也是一個在使用上足夠簡單的庫。 同時它的代碼質量也很高，因為它是由一個活躍的志愿者社區開發的，并且通過了同行評審(peerreview)。

scikit-image的文檔非常完善，其中包含了豐富的用例。

可以通過導入skimage使用，大部分的功能都可以在它的子模塊中找到。

圖像濾波(imagefiltering)：

使用match_template()方法實現模板匹配(templatematching)：

在展示頁面可以看到更多相關的例子。

NumPy提供了對數組的支持，是Python編程的一個核心庫。 圖像的本質其實也是一個包含像素數據點的標準NumPy數組，因此可以通過一些基本的NumPy操作（例如切片、掩膜(mask)、花式索引(fancyindexing)等），就可以從像素級別對圖像進行編輯。 通過NumPy數組存儲的圖像也可以被skimage加載并使用matplotlib顯示。

在NumPy的官方文檔中提供了完整的代碼文檔和資源列表。

使用NumPy對圖像進行掩膜(mask)操作：

像NumPy一樣，SciPy是Python的一個核心科學計算模塊，也可以用于圖像的基本操作和處理。 尤其是SciPyv1.1.0中的子模塊，它提供了在n維NumPy數組上的運行的函數。 SciPy目前還提供了線性和非線性濾波(linearandnon-linearfiltering)、二值形態學(binarymorphology)、B樣條插值(B-splineinterpolation)、對象測量(objectmeasurements)等方面的函數。

在官方文檔中可以查閱到的完整函數列表。

使用SciPy的高斯濾波對圖像進行模糊處理：

PIL(PythonImagingLibrary)是一個免費Python編程庫，它提供了對多種格式圖像文件的打開、編輯、保存的支持。 但在2009年之后PIL就停止發布新版本了。 幸運的是，還有一個PIL的積極開發的分支Pillow，它的安裝過程比PIL更加簡單，支持大部分主流的操作系統，并且還支持Python3。 Pillow包含了圖像的基礎處理功能，包括像素點操作、使用內置卷積內核進行濾波、顏色空間轉換等等。

Pillow的官方文檔提供了Pillow的安裝說明自己代碼庫中每一個模塊的示例。

使用Pillow中的ImageFilter模塊實現圖像增強：

OpenCV（OpenSourceComputerVision庫）是計算機視覺領域最廣泛使用的庫之一，OpenCV-Python則是OpenCV的PythonAPI。 OpenCV-Python的運行速度很快，這歸功于它使用C/C++編寫的后臺代碼，同時由于它使用了Python進行封裝，因此調用和部署的難度也不大。 這些優點讓OpenCV-Python成為了計算密集型計算機視覺應用程序的一個不錯的選擇。

入門之前最好先閱讀OpenCV2-Python-Guide這份文檔。

使用OpenCV-Python中的金字塔融合(PyramidBlending)將蘋果和橘子融合到一起：

SimpleCV是一個開源的計算機視覺框架。 它支持包括OpenCV在內的一些高性能計算機視覺庫，同時不需要去了解位深度(bitdepth)、文件格式、色彩空間(colorspace)之類的概念，因此SimpleCV的學習曲線要比OpenCV平緩得多，正如它的口號所說，“將計算機視覺變得更簡單”。 SimpleCV的優點還有：

官方文檔簡單易懂，同時也附有大量的學習用例。

文檔包含了安裝介紹、示例以及一些Mahotas的入門教程。

Mahotas力求使用少量的代碼來實現功能。例如這個FindingWally游戲：

ITK（InsightSegmentationandRegistrationToolkit）是一個為開發者提供普適性圖像分析功能的開源、跨平臺工具套件，SimpleITK則是基于ITK構建出來的一個簡化層，旨在促進ITK在快速原型設計、教育、解釋語言中的應用。 SimpleITK作為一個圖像分析工具包，它也帶有大量的組件，可以支持常規的濾波、圖像分割、圖像配準(registration)功能。 盡管SimpleITK使用C++編寫，但它也支持包括Python在內的大部分編程語言。

有很多JupyterNotebooks用例可以展示SimpleITK在教育和科研領域中的應用，通過這些用例可以看到如何使用Python和R利用SimpleITK來實現交互式圖像分析。

使用Python+SimpleITK實現的CT/MR圖像配準過程：

pgmagick是使用Python封裝的GraphicsMagick庫。 GraphicsMagick通常被認為是圖像處理界的瑞士軍刀，因為它強大而又高效的工具包支持對多達88種主流格式圖像文件的讀寫操作，包括DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM、TIFF等等。

pgmagick的GitHub倉庫中有相關的安裝說明、依賴列表，以及詳細的使用指引。

圖像縮放：

邊緣提?。?

Cairo是一個用于繪制矢量圖的二維圖形庫，而Pycairo是用于Cairo的一組Python綁定。 矢量圖的優點在于做大小縮放的過程中不會丟失圖像的清晰度。 使用Pycairo可以在Python中調用Cairo的相關命令。

Pycairo的GitHub倉庫提供了關于安裝和使用的詳細說明，以及一份簡要介紹Pycairo的入門指南。

使用Pycairo繪制線段、基本圖形、徑向漸變(radialgradients)：

以上就是Python中的一些有用的圖像處理庫，無論你有沒有聽說過、有沒有使用過，都值得試用一下并了解它們。

作者：ParulPandey選題：lujun9972譯者：HankChow校對：wxy

在python中一共有多少個標準庫？

Python語言官方的參考手冊鐘，介紹了與Python一同發行的標準庫。

文本處理服務

string?---常見的字符串操作

re?---正則表達式操作

difflib?---計算差異的輔助工具

textwrap?---文本自動換行與填充

unicodedata?---Unicode數據庫

stringprep?---因特網字符串預備

readline?---GNUreadline接口

rlcompleter?---GNUreadline的補全函數

二進制數據服務

struct?---將字節串解讀為打包的二進制數據

codecs?---編解碼器注冊和相關基類

數據類型

zoneinfo?---IANA時區支持

calendar?---日歷相關函數

collections?---容器數據類型

?---容器的抽象基類

heapq?---堆隊列算法

bisect?---數組二分查找算法

array?---高效的數值數組

weakref?---弱引用

types?---動態類型創建和內置類型名稱

copy?---淺層(shallow)和深層(deep)復制操作

pprint?---數據美化輸出

reprlib?---另一種?repr()?實現

enum?---對枚舉的支持

graphlib?---操作類似圖的結構的功能

數字和數學模塊

numbers?---數字的抽象基類

math?---數學函數

cmath?---關于復數的數學函數

decimal?---十進制定點和浮點運算

frActions?---分數

random?---生成偽隨機數

statistics?---數學統計函數

函數式編程模塊

itertools?---為高效循環而創建迭代器的函數

functools?---高階函數和可調用對象上的操作

operator?---標準運算符替代函數

文件和目錄訪問

pathlib?---面向對象的文件系統路徑

?---常用路徑操作

fileinput?---迭代來自多個輸入流的行

stat?---解析?stat()?結果

filecmp?---文件及目錄的比較

tempfile?---生成臨時文件和目錄

glob?---Unix風格路徑名模式擴展

fnmatch?---Unix文件名模式匹配

linecache?---隨機讀寫文本行

shutil?---高階文件操作

數據持久化

pickle?---Python對象序列化

copyreg?---注冊配合?pickle?模塊使用的函數

shelve?---Python對象持久化

marshal?---內部Python對象序列化

dbm?---Unix數據庫接口

sqlite3?---SQLite數據庫DB-API2.0接口模塊

數據壓縮和存檔

zlib?---與?gzip?兼容的壓縮

gzip?---對?gzip?格式的支持

bz2?---對?bzip2?壓縮算法的支持

lzma?---用LZMA算法壓縮

zipfile?---使用ZIP存檔

tarfile?---讀寫tar歸檔文件

文件格式

csv?---CSV文件讀寫

configparser?---配置文件解析器

tomllib?---ParseTOMLfiles

netrc?---netrc文件處理

plistlib?---生成與解析Apple??文件

加密服務

hashlib?---安全哈希與消息摘要

hmac?---基于密鑰的消息驗證

secrets?---生成管理密碼的安全隨機數

通用操作系統服務

os?---多種操作系統接口

io?---處理流的核心工具

time?---時間的訪問和轉換

argparse?---命令行選項、參數和子命令解析器

getopt?---C風格的命令行選項解析器

logging?---Python的日志記錄工具

?---日志記錄配置

?---日志處理程序

getpass?---便攜式密碼輸入工具

curses?---終端字符單元顯示的處理

?---用于curses程序的文本輸入控件

?---用于ASCII字符的工具

?---curses的面板棧擴展

platForm?---獲取底層平臺的標識數據

errno?---標準errno系統符號

ctypes?---Python的外部函數庫

并發執行

threading?---基于線程的并行

multiprocessing?---基于進程的并行

_memory?---Sharedmemoryfordirectaccessacrossprocesses

concurrent?包

?---啟動并行任務

subprocess?---子進程管理

sched?---事件調度器

queue?---一個同步的隊列類

contextvars?---上下文變量

_thread?---底層多線程API

網絡和進程間通信

asyncio?---異步I/O

socket?---底層網絡接口

ssl?---套接字對象的TLS/SSL包裝器

select?---等待I/O完成

selectors?---高級I/O復用庫

signal?---設置異步事件處理程序

mmap?---內存映射文件支持

互聯網數據處理

email?---電子郵件與MIME處理包

json?---JSON編碼和解碼器

mailbox?---操作多種格式的郵箱

mimetypes?---映射文件名到MIME類型

base64?---Base16,Base32,Base64,Base85數據編碼

binascii?---二進制和ASCII碼互轉

quopri?---編碼與解碼經過MIME轉碼的可打印數據

結構化標記處理工具

html?---超文本標記語言支持

?---簡單的HTML和XHTML解析器

?---HTML一般實體的定義

XML處理模塊

?---ElementTreeXMLAPI

?---文檔對象模型API

?---最小化的DOM實現

?---支持構建部分DOM樹

?---支持SAX2解析器

?---SAX處理句柄的基類

?---SAX工具集

?---用于XML解析器的接口

?---使用Expat的快速XML解析

互聯網協議和支持

webbrowser?---方便的Web瀏覽器控制工具

wsgiref?---WSGI工具和參考實現

urllib?---URL處理模塊

?---用于打開URL的可擴展庫

?---urllib使用的Response類

?用于解析URL

?引發的異常類

?語法分析程序

http?---HTTP模塊

?---HTTP協議客戶端

ftplib?---FTP協議客戶端

poplib?---POP3協議客戶端

imaplib?---IMAP4協議客戶端

smtplib?---SMTP協議客戶端

uuid?---?RFC4122?定義的UUID對象

socketserver?---用于網絡服務器的框架

?---HTTP服務器

?---HTTP狀態管理

?——HTTP客戶端的Cookie處理

xmlrpc?---XMLRPC服務端與客戶端模塊

?---XML-RPC客戶端訪問

?---基本XML-RPC服務器

ipaddress?---IPv4/IPv6操作庫

多媒體服務

wave?---讀寫WAV格式文件

colorsys?---顏色系統間的轉換

國際化

gettext?---多語種國際化服務

locale?---國際化服務

程序框架

turtle?---海龜繪圖

cmd?---支持面向行的命令解釋器

shlex?——簡單的詞法分析

Tk圖形用戶界面(GUI)

tkinter?——Tcl/Tk的Python接口

?---顏色選擇對話框

?---Tkinter字體封裝

Tkinter對話框

?---Tkinter消息提示

?---滾動文字控件

?---拖放操作支持

?---Tk風格的控件

---

---

相關標簽： 處理圖像和視頻數據、 計算機視覺屬于人工智能嗎、 執行對象檢測、 圖像分割和面部識別、 計算機視覺、

上一篇：后端開發處理HTTP請求，管理會話和數據庫。后

下一篇：自然語言處理處理文本數據，執行文本分類情感