计算机视觉：处理图像和视频数据，执行对象检测、图像分割和面部识别。(计算机视觉属于人工智能吗)

简介

计算机视觉是人工智能的一个分支，它处理图像和视频数据，以执行各种任务，包括对象检测、图像分割和面部识别。

计算机视觉旨在让计算机“看到”世界，就像人眼一样。它涉及到使用计算机算法和技术来从图像和视频中提取有意义的信息。

计算机视觉广泛应用于各个领域，包括：

• 医疗保健：医学图像分析、疾病诊断、药物发现
• 汽车：自动驾驶、交通监控、行人检测
• 安全：面部识别、物体检测、异常检测

• 娱乐：图像编辑、视频游戏、视觉特效

计算机视觉的技术

计算机视觉涉及使用各种技术，包括：

• 图像处理：对图像进行操作以增强或修改它们，例如亮度调整、对比度调整、噪声去除。
• 特征提取：从图像中识别和提取特定特征，例如边缘、纹理和颜色。
• 图像分类：将图像分为预定义类别，例如“猫”、“狗”或“风景”。

---

什么是计算机视觉

计算机视觉（Computer Vision）是指使用计算机进行图像和视频的分析、理解、处理和识别的技术，也是人工智能领域的一个重要分支。 在这个过程中，计算机通过对数字图像的处理，将人眼所感知的视觉转化为计算机可以理解和处理的数字信息，实现从视觉信息到语义信息的转换。

计算机视觉主要涉及三个方面：图像获取、图像处理和图像分析。 其中，图像获取是指通过摄像机获取场景中的图像；图像处理则是利用计算机对图像进行去噪、增强、纠正畸变等操作，提高图像质量；图像分析则是对处理后的图像进行对象检测、目标跟踪、图像分割、特征提取、三维重建等操作，从而实现对图像的理解和识别。

计算机视觉在很多领域都有广泛应用。 例如，在安全监控、交通管理、物流配送、医疗诊断、无人驾驶等领域，计算机视觉可以通过对图像和视频的处理和分析来实现自主决策和智能化控制，从而提高生产效率和安全性。 此外，在虚拟现实、游戏设计和图像美学等领域，计算机视觉也扮演着重要的角色，通过对图像和视频进行美化、增强和特效展现等操作，提供更优质的视觉体验。

机器人视觉系统中图像分割技术传统方法概论1

姓名：寇世文 学号 【嵌牛导读】：随着人工智能技术的不断发展，智能机器人领域也得到了空前的发展。 尤其是深度神经网络广泛应用于视觉系统中后，取得了许多很明显的成效。 对于自主移动机器人来说，视觉系统有着十分重要的作用，而图像分割技术更是在这个系统中担任着十分重要的角色。 传统的图像分割技术基本上已经能够将图像的前景和后景分隔开来，但是近年来随着深度学习算法的发展，人们开始将其应用到图像分割中，提出了很多分割网络，也达到了很好的分割效果。 在实现图像分割的基础上，人们还使得分割具有了语义类别和标签，就是现在的语义分割。 本文在介绍了语义分割的基础上又引出了新的任务分割场景，实例分割和全景分割。 并且介绍了最近研究的热点三维点云的语义分割问题，阐述了其实现的必要性。 【嵌牛鼻子】智能机器人，图像分割、语义分割、计算机视觉 【嵌牛提问】图像分割技术的传统常见方法 【嵌牛正文】 一、引言 计算机视觉，即computer vision，就是通过计算机来模拟人的视觉工作原理，来获取和完成一系列图像信息处理的机器。 计算机视觉属于机器学习在视觉领域的应用，是一个多学科交叉的研究领域，其涉及数学、物理、生物、计算机工程等多个学科。 计算机视觉的主要应用有无人驾驶、人脸识别、无人安防、车辆车牌识别、智能传图、3D重构、VR/AR、智能拍照、医学图像处理、无人机、工业检测等。 人驾驶又称自动驾驶，是目前人工智能领域一个比较重要的研究方向，让汽车可以进行自主驾驶，或者辅助驾驶员驾驶，提升驾驶操作的安全性。 人脸识别技术目前已经研究得相对比较成熟，并在很多地方得到了应用，且人脸识别准确率目前已经高于人眼的识别准确率。 安防一直是我国比较重视的问题，也是人们特别重视的问题，在很多重要地点都安排有巡警巡查，在居民小区以及公司一般也都有保安巡查来确保安全。 车辆车牌识别目前已经是一种非诚成熟的技术了，高速路上的违章检测，车流分析，安全带识别，智能红绿灯，还有停车场的车辆身份识别等都用到了车辆车牌识别。 3D重构之前在工业领域应用比较多，可以用于对三维物体进行建模，方便测量出物体的各种参数，或者对物体进行简单复制。 计算机视觉还有很多应用，随着技术的发展，应用领域也会越来越多。 在工业领域的应用，在机器人技术方面的应用等。 对于传统的图像分割过程，通常可以分为5个步骤，即特征感知、图像预处理、特征提取、特征筛选和推理预测与识别。 通过研究发现，在视觉的早期的发展过程中，人们对于图像中的特征并没有表现出足够的关注。 且传统的分割过程是把特征提取和分类分开来做的，等到需要输出结果的时候再结合到一起，可想而知其实现的困难程度。 在深度学习算法出来之后，卷积神经网络被广泛应用于计算机视觉技术中，也因此衍生出了很多的研究方向。 深度学习主要是以特征为基础来进行比对，如在人脸识别方面，使用卷积神经网络分别对两张人脸进行不同位置的特征提取，然后再进行相互比对，最后得到比对结果。 目前的计算机视觉的主要研究方向有图像分类、目标检测、图像分割、目标跟踪、图像滤波与降噪、图像增强、风格化、三维重建、图像检索、GAN等。 本文主要是针对图像分割这一领域，进行简要的概述。 图像分割技术是计算机视觉领域的个重要的研究方向，是图像语义理解的重要一环。 图像分割是指将图像分成若干具有相似性质的区域的过程，从数学角度来看，图像分割是将图像划分成互不相交的区域的过程。 近些年来随着深度学习技术的逐步深入，图像分割技术有了突飞猛进的发展，该技术相关的场景物体分割、人体前背景分割、人脸人体Parsing、三维重建等技术已经在无人驾驶、增强现实、安防监控等行业都得到广泛的应用。 二、发展现状 近来已经有很多学者将图像分割技术应用到移动机器人的控制中，能够做到在机器人运动的同时定位、构建地图并分割出不同的前景和后景，使视觉系统扫描到的图像具有语义信息。 并有学者也致力于分割得更为准确和精细，不仅能够做到区分不同类的物体，也能够实现对同类的不同物体的分类，甚至可以做到在此基础上加上对背景的分割。 由于我们生活的世界是三维空间，还有学者将图像场景还原到三维中，然后使用相关方法对整个三维场景进行分割。 作为计算机视觉的研究中的一个较为经典的难题，图像分割这一领域也越来越被人们所关注。 首先是传统的图像分割方法。 在传统分割方面，人们使用数字图像处理、拓扑学、数学等方面的知识来进行图像分割。 虽然现在的算力逐渐增加且深度学习不断发展，一些传统的分割方法所取得的效果不如深度学习，但是其分割的思想仍有很多值得我们去学习的。 第一种方法是基于阈值的图像分割方法。 这种方法的核心思想是想根据图像的灰度特征来给出一个或多个灰度阈值，将此阈值作为一个标准值与图像中的每个像素逐一进行比较。 很容易想到，通过这个逐一比较过程能够得到两类结果，一类是灰度值大于阈值的像素点集，另一类是灰度值小于阈值的像素点集，从而很自然地将图像进行了分割。 所以，不难发现，此方法的最关键的一步就是按照一定的准则函数来得到最佳灰度阈值，这样才能够得到合适的分类结果。 值得一提的是，如果图像中需要分割的目标和背景分别占据了不同的灰度值甚至是不同的等级，那使用这种方法会得到很好的效果。 并且，假如对于一张图像的处理，我们只需要设定一个阈值时，可以将其称为单阈值分割。 但是图像中如果不止一个目标，即有多个目标需要进行提取的时候，单一阈值分割就无法做到将它们都分割开来，此时应选取多个阈值对其进行处理，这个分割的过程为多阈值分割。 总的来说，阈值分割法有着其独特的特点，其计算简单、效率较高。 但是，由于这种方法只考虑的是单个像素的灰度值及其特征，而完全忽略了空间特征，这也就导致了其对噪声比较敏感且鲁棒性不高。 第二种方法是基于区域的图像分割方法。 这种方法具有两种基本形式：一种是区域生长，这种分割方法是从单个像素出发，逐渐将相似的区域进行合并，最终得到需要的区域。 另一种方法是直接从图像的全局出发，一点一点逐步切割至所需要的区域。 区域生长指的是，给定一组种子像素，其分别代表了不同的生长区域，然后让这些种子像素逐渐合并邻域里符合条件的像素点。 如果有新的像素点添加进来，同样把它们作为种子像素来处理。 区域分裂合并的分割过程可以说是区域生长的逆过程，这种方法是从图像的全局出发通过不断分裂得到各个子区域，然后提取目标的过程。 此外，在此过程中，还需要合并前景区域。 在区域分割方法中还有一种分水岭算法。 受启发于分水岭的构成，这种分割方法将图像看作是测地学上的拓扑地貌，这样图像中每一个像素点对应的海拔高度可以用该点的灰度值来表示。 分水岭的形成过程实际上可以通过模拟浸入过程来实现。 具体做法是，在每个局部极小值的表面都刺穿一个小孔，然后把模型慢慢浸入水中，随着水慢慢浸入其中，分水岭就随之形成了。 第三种方法是基于边缘检测的分割方法。 边缘检测的思想就是试图通过检测不同物体的边缘来将图像分割开来，这种方法是人们最先想到的也是研究最多的方法之一。 如果我们将图片从空间域变换到频率域中去，其中物体的边缘部分就对应着高频部分，很容易就能够找到边缘信息，因此也使得分割问题变得容易。 边缘检测的方法能够实现快而且准确的定位，但是其不能保证边缘的连续性和封闭性，且当一幅图像的细节信息过多时，其就会在边缘处产生大量的细碎边缘，在形成完整的分割区域时就会有缺陷。 第四种图像分割方法结合了特定的工具。 这里所说的特定工具是各种图像处理工具以及算法等，随着图像分割研究工作的深入，很多学者开始将一些图像处理的工具和一些算法应用到此工作中，并取得了不错的结果。 小波变换在数字图像处理中发挥着很重要的作用，它能够将时域和频域统一起来研究信号。 尤其是在图像边缘检测方面，小波变换能够检测二元函数的局部突变能力。 其次是基于遗传算法的图像分割，遗传算法主要借鉴了生物界自然选择和自然遗传机制的随机化搜索方法。 其模拟了由基因序列控制的生物群体的进化过程，其擅长于全局搜索，但是局部搜多能力不足。 将遗传算法应用到图像处理中也是当前研究的一个热点问题，在此选择这种方法的主要原因是遗传算法具有快速的随机搜索能力，而且其搜索能力与问题的领域没有任何关系。 除此之外，还有基于主动轮廓模型的分割方法，这种方法具有统一的开放式的描述形式，为图像分割技术的研究和创新提供了理想的框架。 此方法也是对边缘信息进行检测的一种方法，主要是在给定图像中利用曲线演化来检测目标。

图像处理和计算机视觉有什么区别？

图像处理（Image Processing）和计算机视觉（Computer Vision）是两个相关但有所区别的领域。 它们之间的主要区别在于目标和处理方法。 图像处理（Image Processing）主要关注对数字图像进行操作和改进，以便于更好地显示、存储或传输。 图像处理的目标是对图像本身进行优化和处理，而不是理解图像中的内容。 图像处理的技术包括：图像增强（例如对比度和亮度调整）、滤波（例如平滑和锐化）、去噪、图像压缩、图像融合等。 图像处理的应用场景包括卫星图像处理、医学图像处理、图像压缩、图像恢复等。 计算机视觉（Computer Vision）则主要关注让计算机能够像人类一样理解和分析数字图像或视频。 计算机视觉的目标是对图像中的物体、场景或概念进行识别和理解。 计算机视觉的技术包括：特征提取、模式识别、物体检测、图像分割、场景重建、运动分析等。 计算机视觉的应用场景非常广泛，包括自动驾驶、医疗影像分析、虚拟现实、增强现实、人脸识别等。 总结一下，图像处理主要关注对图像本身进行操作和优化，以改善图像的显示、存储或传输，而计算机视觉则关注让计算机能够理解和分析图像中的内容。 虽然这两个领域有很多技术和应用的重叠，但它们的侧重点和目标是不同的。

ai视觉是什么ai视觉技术

AI视觉指的是将人工智能（AI）技术应用于计算机视觉（Computer Vision, CV）领域，实现对图像和视频数据的分析和理解。 AI视觉可以让计算机具备类似人类视觉的能力，通过识别、分类、分割、跟踪、检测等方法，对图像和视频数据进行处理和分析。 AI视觉主要涉及以下技术和应用：1. 图像识别：通过训练深度学习模型，对图像进行分类、识别和标注，例如识别猫狗、人脸识别、物体识别等。 2. 目标检测与跟踪：自动检测目标并追踪其运动轨迹，例如行人检测、车辆检测等。 3. 图像分割：将图像分割成不同的区域，为各种应用场景提供支持，例如医学图像分析和自动驾驶。 4. 图像生成：通过深度学习模型生成高保真度的图像，例如超分辨率图像生成和风格转换等。 AI视觉技术被广泛应用于各种领域，如智能安防、无人驾驶、医疗诊断、智能制造等，还涉及到虚拟现实、增强现实等新兴领域。 总而言之，AI视觉是一种颇具前景的技术，具有广泛的发展应用前景。

python组件有多少个(2023年最新解答)

常用的生物信息学python库有哪些

常用的生物信息学python库：

Python默认的图形界面接口。 Tkinter是一个和Tk接口的Python模块，Tkinter库提供了对TkAPI的接口，它属于Tcl/Tk的GUI工具组。

用于pythonGUI程序开发的GTK+库。 GTK就是用来实现GIMP和Gnome的库。

用于python的Qt开发库。 QT就是实现了KDE环境的那个库，由一系列的模块组成，有qt,qtcanvas,qtgl,qtnetwork,qtsql,qttable,qtuiandqtxml，包含有300个类和超过5750个的函数和方法。 PyQt还支持一个叫qtext的模块，它包含一个QScintilla库。 该库是Scintillar编辑器类的Qt接口。

GUI编程框架，熟悉MFC的人会非常喜欢，简直是同一架构（对于初学者或者对设计要求不高的用户来说，使用BoaConStructor可以方便迅速的进行wxPython的开发）

python提供强大的图形处理的能力，并提供广泛的图形文件格式支持，该库能进行图形格式的转换、打印和显示。 还能进行一些图形效果的处理，如图形的放大、缩小和旋转等。 是Python用户进行图象处理的强有力工具。

一个Python代码加速度器，可使Python代码的执行速度提高到与编译语言一样的水平。

Jabber服务器采用开发的XMPP协议，GoogleTalk也是采用XMPP协议的IM系统。 在Python中有一个xmpppy模块支持该协议。 也就是说，我们可以通过该模块与Jabber服务器通信，是不是很Cool。

用于多媒体操作的python模块。 它提供了丰富而简单的接口用于多媒体处理(wav,mp3,ogg,avi,divx,dvd,cddaetc)。 可在Windows和Linux平台下使用。

Pythonmegawidgets，Python超级GUI组件集，一个在python中利用Tkinter模块构建的高级GUI组件，每个Pmw都合并了一个或多个Tkinter组件，以实现更有用和更复杂的功能。

用Python解析和处理XML文档的工具包，包中的4DOM是完全相容于W3CDOM规范的。它包含以下内容：

xmlproc:一个符合规范的XML解析器。 Expat:一个快速的，非验证的XML解析器。 还有其他和他同级别的还有PyHtmlPySGML。

用于多媒体开发和游戏软件开发的模块。

模块封装了“OpenGL应用程序编程接口”，通过该模块python程序员可在程序中集成2D和3D的图形。

NumPy、NumArray、SAGE

NumArray是Python的一个扩展库，主要用于处理任意维数的固定类型数组，简单说就是一个矩阵库。 它的底层代码使用C来编写，所以速度的优势很明显。 SAGE是基于NumPy和其他几个工具所整合成的数学软件包，目标是取代Magma,Maple,Mathematica和Matlab这类工具。

用于连接MySQL数据库。 还有用于zope的ZMySQLDA模块，通过它就可在zope中连接mysql数据库。

用于连接sqlite数据库。

Python-ldap

提供一组面向对象的API，可方便地在python中访问ldap目录服务，它基于OpenLDAP2.x。

发送电子邮件。

定义了FTP类和一些方法，用以进行客户端的ftp编程。 如果想了解ftp协议的详细内容，请参考RFC959。

OpenCL的Python接口，通过该模块可以使用GPU实现并行计算。

10个Python图像编辑工具

以下提到的这些Python工具在编辑图像、操作图像底层数据方面都提供了简单直接的方法。

--ParulPandey

当今的世界充满了数据，而图像数据就是其中很重要的一部分。 但只有经过处理和分析，提高图像的质量，从中提取出有效地信息，才能利用到这些图像数据。

常见的图像处理操作包括显示图像，基本的图像操作，如裁剪、翻转、旋转；图像的分割、分类、特征提取；图像恢复；以及图像识别等等。 Python作为一种日益风靡的科学编程语言，是这些图像处理操作的最佳选择。 同时，在Python生态当中也有很多可以免费使用的优秀的图像处理工具。

下文将介绍10个可以用于图像处理任务的Python库，它们在编辑图像、查看图像底层数据方面都提供了简单直接的方法。

scikit-image是一个结合NumPy数组使用的开源Python工具，它实现了可用于研究、教育、工业应用的算法和应用程序。 即使是对于刚刚接触Python生态圈的新手来说，它也是一个在使用上足够简单的库。 同时它的代码质量也很高，因为它是由一个活跃的志愿者社区开发的，并且通过了同行评审(peerreview)。

scikit-image的文档非常完善，其中包含了丰富的用例。

可以通过导入skimage使用，大部分的功能都可以在它的子模块中找到。

图像滤波(imagefiltering)：

使用match_template()方法实现模板匹配(templatematching)：

在展示页面可以看到更多相关的例子。

NumPy提供了对数组的支持，是Python编程的一个核心库。 图像的本质其实也是一个包含像素数据点的标准NumPy数组，因此可以通过一些基本的NumPy操作（例如切片、掩膜(mask)、花式索引(fancyindexing)等），就可以从像素级别对图像进行编辑。 通过NumPy数组存储的图像也可以被skimage加载并使用matplotlib显示。

在NumPy的官方文档中提供了完整的代码文档和资源列表。

使用NumPy对图像进行掩膜(mask)操作：

像NumPy一样，SciPy是Python的一个核心科学计算模块，也可以用于图像的基本操作和处理。 尤其是SciPyv1.1.0中的子模块，它提供了在n维NumPy数组上的运行的函数。 SciPy目前还提供了线性和非线性滤波(linearandnon-linearfiltering)、二值形态学(binarymorphology)、B样条插值(B-splineinterpolation)、对象测量(objectmeasurements)等方面的函数。

在官方文档中可以查阅到的完整函数列表。

使用SciPy的高斯滤波对图像进行模糊处理：

PIL(PythonImagingLibrary)是一个免费Python编程库，它提供了对多种格式图像文件的打开、编辑、保存的支持。 但在2009年之后PIL就停止发布新版本了。 幸运的是，还有一个PIL的积极开发的分支Pillow，它的安装过程比PIL更加简单，支持大部分主流的操作系统，并且还支持Python3。 Pillow包含了图像的基础处理功能，包括像素点操作、使用内置卷积内核进行滤波、颜色空间转换等等。

Pillow的官方文档提供了Pillow的安装说明自己代码库中每一个模块的示例。

使用Pillow中的ImageFilter模块实现图像增强：

OpenCV（OpenSourceComputerVision库）是计算机视觉领域最广泛使用的库之一，OpenCV-Python则是OpenCV的PythonAPI。 OpenCV-Python的运行速度很快，这归功于它使用C/C++编写的后台代码，同时由于它使用了Python进行封装，因此调用和部署的难度也不大。 这些优点让OpenCV-Python成为了计算密集型计算机视觉应用程序的一个不错的选择。

入门之前最好先阅读OpenCV2-Python-Guide这份文档。

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

SimpleCV是一个开源的计算机视觉框架。 它支持包括OpenCV在内的一些高性能计算机视觉库，同时不需要去了解位深度(bitdepth)、文件格式、色彩空间(colorspace)之类的概念，因此SimpleCV的学习曲线要比OpenCV平缓得多，正如它的口号所说，“将计算机视觉变得更简单”。 SimpleCV的优点还有：

官方文档简单易懂，同时也附有大量的学习用例。

文档包含了安装介绍、示例以及一些Mahotas的入门教程。

Mahotas力求使用少量的代码来实现功能。例如这个FindingWally游戏：

ITK（InsightSegmentationandRegistrationToolkit）是一个为开发者提供普适性图像分析功能的开源、跨平台工具套件，SimpleITK则是基于ITK构建出来的一个简化层，旨在促进ITK在快速原型设计、教育、解释语言中的应用。 SimpleITK作为一个图像分析工具包，它也带有大量的组件，可以支持常规的滤波、图像分割、图像配准(registration)功能。 尽管SimpleITK使用C++编写，但它也支持包括Python在内的大部分编程语言。

有很多JupyterNotebooks用例可以展示SimpleITK在教育和科研领域中的应用，通过这些用例可以看到如何使用Python和R利用SimpleITK来实现交互式图像分析。

使用Python+SimpleITK实现的CT/MR图像配准过程：

pgmagick是使用Python封装的GraphicsMagick库。 GraphicsMagick通常被认为是图像处理界的瑞士军刀，因为它强大而又高效的工具包支持对多达88种主流格式图像文件的读写操作，包括DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM、TIFF等等。

pgmagick的GitHub仓库中有相关的安装说明、依赖列表，以及详细的使用指引。

图像缩放：

边缘提取：

Cairo是一个用于绘制矢量图的二维图形库，而Pycairo是用于Cairo的一组Python绑定。 矢量图的优点在于做大小缩放的过程中不会丢失图像的清晰度。 使用Pycairo可以在Python中调用Cairo的相关命令。

Pycairo的GitHub仓库提供了关于安装和使用的详细说明，以及一份简要介绍Pycairo的入门指南。

使用Pycairo绘制线段、基本图形、径向渐变(radialgradients)：

以上就是Python中的一些有用的图像处理库，无论你有没有听说过、有没有使用过，都值得试用一下并了解它们。

作者：ParulPandey选题：lujun9972译者：HankChow校对：wxy

在python中一共有多少个标准库？

Python语言官方的参考手册钟，介绍了与Python一同发行的标准库。

文本处理服务

string?---常见的字符串操作

re?---正则表达式操作

difflib?---计算差异的辅助工具

textwrap?---文本自动换行与填充

unicodedata?---Unicode数据库

stringprep?---因特网字符串预备

readline?---GNUreadline接口

rlcompleter?---GNUreadline的补全函数

二进制数据服务

struct?---将字节串解读为打包的二进制数据

codecs?---编解码器注册和相关基类

数据类型

zoneinfo?---IANA时区支持

calendar?---日历相关函数

collections?---容器数据类型

?---容器的抽象基类

heapq?---堆队列算法

bisect?---数组二分查找算法

array?---高效的数值数组

weakref?---弱引用

types?---动态类型创建和内置类型名称

copy?---浅层(shallow)和深层(deep)复制操作

pprint?---数据美化输出

reprlib?---另一种?repr()?实现

enum?---对枚举的支持

graphlib?---操作类似图的结构的功能

数字和数学模块

numbers?---数字的抽象基类

math?---数学函数

cmath?---关于复数的数学函数

decimal?---十进制定点和浮点运算

frActions?---分数

random?---生成伪随机数

statistics?---数学统计函数

函数式编程模块

itertools?---为高效循环而创建迭代器的函数

functools?---高阶函数和可调用对象上的操作

operator?---标准运算符替代函数

文件和目录访问

pathlib?---面向对象的文件系统路径

?---常用路径操作

fileinput?---迭代来自多个输入流的行

stat?---解析?stat()?结果

filecmp?---文件及目录的比较

tempfile?---生成临时文件和目录

glob?---Unix风格路径名模式扩展

fnmatch?---Unix文件名模式匹配

linecache?---随机读写文本行

shutil?---高阶文件操作

数据持久化

pickle?---Python对象序列化

copyreg?---注册配合?pickle?模块使用的函数

shelve?---Python对象持久化

marshal?---内部Python对象序列化

dbm?---Unix数据库接口

sqlite3?---SQLite数据库DB-API2.0接口模块

数据压缩和存档

zlib?---与?gzip?兼容的压缩

gzip?---对?gzip?格式的支持

bz2?---对?bzip2?压缩算法的支持

lzma?---用LZMA算法压缩

zipfile?---使用ZIP存档

tarfile?---读写tar归档文件

文件格式

csv?---CSV文件读写

configparser?---配置文件解析器

tomllib?---ParseTOMLfiles

netrc?---netrc文件处理

plistlib?---生成与解析Apple??文件

加密服务

hashlib?---安全哈希与消息摘要

hmac?---基于密钥的消息验证

secrets?---生成管理密码的安全随机数

通用操作系统服务

os?---多种操作系统接口

io?---处理流的核心工具

time?---时间的访问和转换

argparse?---命令行选项、参数和子命令解析器

getopt?---C风格的命令行选项解析器

logging?---Python的日志记录工具

?---日志记录配置

?---日志处理程序

getpass?---便携式密码输入工具

curses?---终端字符单元显示的处理

?---用于curses程序的文本输入控件

?---用于ASCII字符的工具

?---curses的面板栈扩展

platForm?---获取底层平台的标识数据

errno?---标准errno系统符号

ctypes?---Python的外部函数库

并发执行

threading?---基于线程的并行

multiprocessing?---基于进程的并行

_memory?---Sharedmemoryfordirectaccessacrossprocesses

concurrent?包

?---启动并行任务

subprocess?---子进程管理

sched?---事件调度器

queue?---一个同步的队列类

contextvars?---上下文变量

_thread?---底层多线程API

网络和进程间通信

asyncio?---异步I/O

socket?---底层网络接口

ssl?---套接字对象的TLS/SSL包装器

select?---等待I/O完成

selectors?---高级I/O复用库

signal?---设置异步事件处理程序

mmap?---内存映射文件支持

互联网数据处理

email?---电子邮件与MIME处理包

json?---JSON编码和解码器

mailbox?---操作多种格式的邮箱

mimetypes?---映射文件名到MIME类型

base64?---Base16,Base32,Base64,Base85数据编码

binascii?---二进制和ASCII码互转

quopri?---编码与解码经过MIME转码的可打印数据

结构化标记处理工具

html?---超文本标记语言支持

?---简单的HTML和XHTML解析器

?---HTML一般实体的定义

XML处理模块

?---ElementTreeXMLAPI

?---文档对象模型API

?---最小化的DOM实现

?---支持构建部分DOM树

?---支持SAX2解析器

?---SAX处理句柄的基类

?---SAX工具集

?---用于XML解析器的接口

?---使用Expat的快速XML解析

互联网协议和支持

webbrowser?---方便的Web浏览器控制工具

wsgiref?---WSGI工具和参考实现

urllib?---URL处理模块

?---用于打开URL的可扩展库

?---urllib使用的Response类

?用于解析URL

?引发的异常类

?语法分析程序

http?---HTTP模块

?---HTTP协议客户端

ftplib?---FTP协议客户端

poplib?---POP3协议客户端

imaplib?---IMAP4协议客户端

smtplib?---SMTP协议客户端

uuid?---?RFC4122?定义的UUID对象

socketserver?---用于网络服务器的框架

?---HTTP服务器

?---HTTP状态管理

?——HTTP客户端的Cookie处理

xmlrpc?---XMLRPC服务端与客户端模块

?---XML-RPC客户端访问

?---基本XML-RPC服务器

ipaddress?---IPv4/IPv6操作库

多媒体服务

wave?---读写WAV格式文件

colorsys?---颜色系统间的转换

国际化

gettext?---多语种国际化服务

locale?---国际化服务

程序框架

turtle?---海龟绘图

cmd?---支持面向行的命令解释器

shlex?——简单的词法分析

Tk图形用户界面(GUI)

tkinter?——Tcl/Tk的Python接口

?---颜色选择对话框

?---Tkinter字体封装

Tkinter对话框

?---Tkinter消息提示

?---滚动文字控件

?---拖放操作支持

?---Tk风格的控件

---

---

相关标签： 处理图像和视频数据、 计算机视觉属于人工智能吗、 执行对象检测、 图像分割和面部识别、 计算机视觉、

上一篇：后端开发处理HTTP请求，管理会话和数据库。后

下一篇：自然语言处理处理文本数据，执行文本分类情感