本文主要介绍了Python开发实战--用python做一个简单GUI小软件，通过具体的内容展现，希望对大家Python开发的学习有所帮助。

用python做一个简单软件

前言

这是一个课设，用python做一个扫描完软件

我主要做的GUI部分，记录分享一下。也是第一次用python做小软件，python的方便果然是名不虚传

遇到问题

1.python版本

下载了python3.7的编译器

由于最终软件要在win7上运行，即32位的，因此下载了python3.7的32位

打包后遇到问题：w10打包的不能在w7上运行----->下载python32位的解释器

在w10执行python代码，参考博客： https://blog.csdn.net/qq_27280237/article/details/84644900

2.opencv降级

参考博客： https://www.cnblogs.com/guobin-/p/10842486.html

3.安装打包软件pyinstaller

参考博客： https://blog.csdn.net/Nire_Yeyu/article/details/104683888/

https://blog.csdn.net/Nire_Yeyu/article/details/104683888/

https://www.cnblogs.com/xbblogs/p/9682708.html

##最终打包代码

pyinstaller -F -w -i 图片名.ico  文件名.py

4.输出的图片没法保存

有中文路径

软件效果

python代码

1.GUI部分

import PySimpleGUI as sg

import PIL.Image

import scanner_doee2

import cv2

import os

import numpy as np

import other

from other import convert_to_bytes

from tkinter import *

# 全局变量

mp_path = ['读取图像','原图处理','滤镜']

mp_key = ['原图处理', '图像翻转', '寻找轮廓','读取图像','img0']

choices = ('素描滤镜','复古滤镜','反色滤镜','边界滤镜', '模糊滤镜','不加滤镜','浮雕滤镜')

#缓存图片标号

# 原图/翻转后的图片  0

# 圈出轮廓的图 10

# 透视变换后 11

# 调整亮度和对比度后的图 2

# 添加滤镜后的图 3

sg.theme('Light Blue 2')

layout1 = [

            [sg.Frame(layout=[

                [sg.Text('图像地址'), sg.Input(key='path_in'), sg.FileBrowse()],

                [sg.Button('读取图像')]

            ], title='读图',title_color='blue')],

          [sg.Button('翻转调整'),sg.Button('矫正处理')],

            [sg.Frame(layout=[

                [sg.Button('手动调节'), sg.Button('自适应均衡化'), sg.Button('清空效果')],

            ], title='亮度和对比度调节',title_color='blue')],

           [sg.Frame(layout = [

                    [sg.Listbox(choices, size=(15, len(choices)), key='filter')],

                    [sg.Button('滤镜处理')]

                                 ],  title='滤镜', title_color='blue') ],

           [sg.Frame(layout=[

               [sg.Button('阈值调节')]],

               title='阈值', title_color='blue', relief=sg.RELIEF_SUNKEN, tooltip='Use these to set flags')],

          [sg.Frame(layout=[

                        [sg.Radio('普通', "RADIO1",key='普通', default=True, size=(10, 1)), sg.Radio('拍书', "RADIO1",key='拍书'),sg.Radio('证书', "RADIO1", key='证件',default=False, size=(10, 1))]],

                        title='应用场景', title_color='blue', relief=sg.RELIEF_SUNKEN, tooltip='Use these to set flags')],

         [sg.Frame(layout=[

            [sg.Text('保存地址'), sg.Input(key='path_out'),sg.FolderBrowse(target='path_out')],

            [sg.Button('输出图像')]

            ], title='输出',title_color='blue')],

]

layout2 = [[sg.Text('原图：')],

              [sg.Image(key='img0',size=(300,300))],

           [sg.Text('寻找到轮廓后的图：')],

           [sg.Image(key='img10',  size=(300, 300))],

            [sg.Text('位置矫正+裁剪后的图：')],

              [sg.Image(key='img11',size=(300, 300))]

           ]

layout3=[ [sg.Text('调整后的图')],

              [sg.Image(key='img2',size=(500,500))]

          ]

layout = [[sg.Column(layout1, element_justification='c'), sg.VSeperator(),sg.Column(layout2, element_justification='c'),sg.Column(layout3, element_justification='c')]]

window = sg.Window('扫描王', layout)

while (True):

    event, values = window.read()

    if event !=None:

        print(event,values)

    if event =='读取图像':

      path_in = values['path_in']

      path_save=os.path.dirname(path_in)

      img0=cv2.imread(path_in)

      print(path_save)

      scanner_doee2.varible(path_save)

      # orig =  img0  #备份原图

      # 重新设置图片的大小，以便对其进行处理:选择最佳维度，以便重要内容不会丢失

      # img0 = cv2.resize(img0, (1500, 880))

      cv2.imwrite(path_save+'/img0.jpg',img0)

      window['img0'].update(data=convert_to_bytes(path_in, (300,300)))

    if event =='翻转调整':

        img0=np.rot90(img0)

        cv2.imwrite(path_save + '/img0.jpg', img0)

        window['img0'].update(data=convert_to_bytes(path_save+'/img0.jpg', (300, 300)))

    if event=='矫正处理':

        img1=scanner_doee2.solve(img0)

        img2=img1

        img3=img1

        window['img10'].update(data=convert_to_bytes(path_save+'/img10.jpg', resize=(300,300)))

        window['img11'].update(data=convert_to_bytes(path_save+'/img11.jpg', resize=(300,300)))

    if event=='清空效果':

        img2=img1

        cv2.imwrite(path_save + '/img2.jpg', img2)

        window['img2'].update(data=convert_to_bytes(path_save+'/img2.jpg', resize=(500,500)))

    if event=='手动调节':

        img2=scanner_doee2.light(img2)

        cv2.imwrite(path_save + '/img2.jpg', img2)

        window['img2'].update(data=convert_to_bytes(path_save+'/img2.jpg', resize=(500,500)))

    if event=='自适应均衡化':

        img2=scanner_doee2.autoEqualHistColor(img2)

        cv2.imwrite(path_save + '/img2.jpg', img2)

        window['img2'].update(data=convert_to_bytes(path_save+'/img2.jpg', resize=(500,500)))

    if event=='滤镜处理':

        img3=img2

        ss=values['filter']

        print(ss,ss[0])

        if ss[0]=='复古滤镜':

            img3 = scanner_doee2.mirror2(img2)

        elif ss[0]=='素描滤镜':

            print(ss)

            img3 = scanner_doee2.mirror1(img2)

        elif ss[0] == '反色滤镜':

            print(ss)

            img3 = scanner_doee2.mirror3(img2)

        elif ss[0] == '边界滤镜':

            img3 = scanner_doee2.mirror4(img2)

        elif ss[0] == '浮雕滤镜':

            img3 = scanner_doee2.mirror5(img2,1)

        elif ss[0] == '模糊滤镜':

            img3 = scanner_doee2.mirror5(img2,2)

        elif ss[0]=='不加滤镜':

            img3=img2

        cv2.imwrite(path_save + '/img2.jpg', img3)

        window['img2'].update(data=convert_to_bytes(path_save + '/img2.jpg', resize=(500, 500)))

    if event=='阈值调节':

        img4=img2

        img4=scanner_doee2.yuzhi(img2)

        cv2.imwrite(path_save + '/img2.jpg', img4)

        window['img2'].update(data=convert_to_bytes(path_save + '/img2.jpg', resize=(500, 500)))

    if event=='输出图像':

        img5=cv2.imread(path_save + '/img2.jpg')

        h,w,c=img5.shape

        # A4 297*210mm

        # B5 250*176

        # 身份证 54*85.6

        if values['拍书']==True:

            scale = min(h/250,  w/176)

            img5=cv2.resize(img5,(int(176* scale), int(250* scale)))

        elif values['证件']==True:

            scale = min(h/54,  w/85.6)

            img5=cv2.resize(img5,(int(85.6* scale), int(54* scale)))

        elif values['普通']==True:

            img5 = cv2.imread(path_save + '/img2.jpg')

        cv2.imshow('output',img5)

        path_out=values['path_out']

        cv2.imwrite( path_out+ '/out.jpg', img5)

        # cv2.imwrite(path_save + '/img2.jpg', img5)

    if event == sg.WIN_CLOSED or event == 'Exit':

        break

2.算法部分

import cv2

import numpy as np

from math import sqrt

import cmath

from PIL import Image, ImageFilter

path_save='yes'

def varible(ss):

    global path_save

    path_save=ss

    print(path_save)

def rectify(h):

    h = h.reshape((4,2))   #改变数组的形状，变成4*2形状的数组

    hnew = np.zeros((4,2), dtype = np.float32)  #创建一个4*2的零矩阵

    #确定检测文档的四个顶点

    add = h.sum(1)

    hnew[0] = h[np.argmin(add)]   #argmin()函数是返回最大数的索引

    hnew[2] = h[np.argmax(add)]

    diff = np.diff(h, axis = 1)  #沿着制定轴计算第N维的离散差值

    hnew[1] = h[np.argmin(diff)]

    hnew[3] = h[np.argmax(diff)]

    return hnew

# 拟合曲线顶点的去中心化

def approxCenter(approx):

    sum_x,sum_y = 0,0

    approx_center = approx;

    for a in approx:

        sum_x = sum_x + a[0][0];

        sum_y = sum_y + a[0][1];

    avr_x = sum_x/len(approx);

    avr_y = sum_y/len(approx);

    for a in approx_center:

        a[0][0] = a[0][0] - avr_x

        a[0][1] = a[0][1] - avr_y

    return approx_center,avr_x,avr_y

#将顶点极坐标化，返回极角

def approxTheta(approx):

    cn = complex(approx[0][0],approx[0][1])   #得到每个点相对中心的直角坐标

    r,theta = cmath.polar(cn)       #将直角坐标转为极坐标，得到极角

    return theta

# 合并拟合多边形顶点中的相近点

# approx：拟合多边形（n维数组）

# M：距离阈值

def approxCombine(approx,M):

    del_indexs = []

    for i in range(len(approx)):

        if i not in del_indexs: #判断是否是已删点，如果是则跳过计算

            for j in range(i+1,len(approx)):

                if j not in del_indexs:     #判断是否是已删点，如果是则跳过计算

                    #计算两点距离

                    dis = sqrt((approx[i][0][0] - approx[j][0][0])**2 + (approx[i][0][1] - approx[j][0][1])**2)

                    if dis < M :

                        #将两个相近点,近似为中值点

                        approx[i][0][0] = (approx[i][0][0] + approx[j][0][0])/2 

                        approx[i][0][1] = (approx[i][0][1] + approx[j][0][1])/2 

                        del_indexs.append(j)

    approx = np.delete(approx, del_indexs,0)     #删除多余的近似点

    approx,avr_x,avr_y = approxCenter(approx);   #将顶点去中心化,用于计算极坐标

    approx = sorted(approx, key = approxTheta, reverse = True)    #按照极角进行降序排序

    approx = np.array(approx)   #sorted返回list型，转换为ndarray

    # 恢复去中心的顶点

    for a in approx:

        a[0][0] = a[0][0] + avr_x

        a[0][1] = a[0][1] + avr_y

    return approx

#伽马变换

#gamma > 1时，图像对比度增强

def gamma_trans(input_image, gamma):

    img_norm = input_image/255.0

    img_gamma = np.power(img_norm,gamma)*255.0

    img_gamma = img_gamma.astype(np.uint8)

    return img_gamma

# 彩色直方图均衡（对比度增强）（效果一般）

def equalHistColor(img_in):

    b, g, r = cv2.split(img_in)

    b1 = cv2.equalizeHist(b)

    g1 = cv2.equalizeHist(g)

    r1 = cv2.equalizeHist(r)

    img_out = cv2.merge([b1,g1,r1])

    return img_out

# 彩色伽马变换（对比度增强）（效果较好）

def gammaColor(img_in,gamma):

    b, g, r = cv2.split(img_in)

    b1 = gamma_trans(b,gamma)

    g1 = gamma_trans(g,gamma)

    r1 = gamma_trans(r,gamma)

    img_out = cv2.merge([b1,g1,r1])

    return img_out

# 亮度调节，原理：将原图与一张全黑图像融合，调节融合的比例，即为亮度调节

# c为原图所占比例，c > 1时，亮度增强

def light_img(img1, c):

    rows, cols, channels = img1.shape

    # 新建全零(黑色)图片数组:np.zeros(img1.shape, dtype=uint8)

    blank = np.zeros([rows, cols, channels], img1.dtype)

    dst = cv2.addWeighted(img1, c, blank, 1-c, 0)   #两幅图像融合，当1-c小于0时，亮度增强

    return dst

def solve(image):

    # print(path_save)

    # path_save='C:/Users/53055/Desktop/pythonProject3'

    #创建原始图像的副本

    orig = image.copy()

    orig_w, orig_h, ch = orig.shape  # 读取大小

    #重新设置图片的大小，以便对其进行处理:选择最佳维度，以便重要内容不会丢失

    image = cv2.resize(image, (1500,880))

    orig_h_ratio = orig_h / 1500.0  # 保存缩放比例

    orig_w_ratio = orig_w / 880.0  # 保存缩放比例

    #对图像进行灰度处理，并进而进行行高斯模糊处理

    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    blurred = cv2.GaussianBlur(gray, (5,5), 0)

    #使用canny算法进行边缘检测

    edged = cv2.Canny(blurred,0,50)

    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))

    edged = cv2.dilate(edged, kernel)  # 膨胀

    #创建canny算法处理后的副本

    orig_edged = edged.copy()

    #找到边缘图像中的轮廓，只保留最大的，并初始化屏幕轮廓

    #findContours()函数用于从二值图像中查找轮廓

    # RETR_LIST：寻找所有轮廓

    # CHAIN_APPROX_NONE：输出轮廓上所有的连续点

    contours, hierarchy = cv2.findContours(edged, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)

    approxs = []

    for c in contours:

        p = cv2.arcLength(c, True)   #计算封闭轮廓的周长或者曲线的长度

        approx = cv2.approxPolyDP(c, 0.02*p, True)  #指定0.02*p精度逼近多边形曲线，这种近似曲线为闭合曲线,因此参数closed为True

        approx_cmb = approxCombine(approx,60)   # 合并轮廓中相近的坐标点

        if len(approx_cmb) == 4:                 #如果是四边

            approxs.append(approx_cmb)      #该轮廓为可能的目标轮廓

    # 将轮廓的拟合多边型按面积大小降序排序

    approxs = sorted(approxs, key = cv2.contourArea, reverse = True)

    # 选取面积最大的四边形轮廓

    target = approxs[0]

    # 将轮廓映射到原图上

    for t in target:

        t[0][0] = t[0][0] * orig_h_ratio

        t[0][1] = t[0][1] * orig_w_ratio

    # 在原灰度图上绘制寻找到的目标四边形轮廓

    orig_marked = orig

    # all_approxs = cv2.cvtColor(temp, cv2.COLOR_GRAY2RGB)

    cv2.drawContours(orig_marked,[target],-1,(0,255,0),8)

    # cv2.imshow('orig_marked',orig_marked)

    # 保存圈出轮廓的图

    cv2.imwrite(path_save + '/img10.jpg', orig_marked)

    # for i in range(len(approxs)):

    #     cv2.drawContours(all_approxs,[approxs[i]],-1,(0,255,0),2)

    #将目标轮廓映射到800*800四边形（用于透视变换）

    approx = rectify(target)

    pts2 = np.float32([[0,0],[800,0],[800,800],[0,800]])

    # 透视变换

    # 使用gtePerspectiveTransform函数获得透视变换矩阵：approx是源图像中四边形的4个定点集合位置；pts2是目标图像的4个定点集合位置

    M = cv2.getPerspectiveTransform(approx, pts2)

    # 使用warpPerspective函数对源图像进行透视变换，输出图像dst大小为800*800

    dst = cv2.warpPerspective(orig, M, (800,800))

    # 进行位置校正、裁剪（透视变换）后的图像

    # cv2.imshow("trans",dst)

    cv2.imwrite(path_save + '/img11.jpg', dst)

    return dst

# 彩色限制对比度自适应直方图均衡化(图像亮度均衡)

def autoEqualHistColor(img_in):

    b, g, r = cv2.split(img_in)

    clahe = cv2.createCLAHE(1,tileGridSize = (8,8))

    b1 = clahe.apply(b)

    g1 = clahe.apply(g)

    r1 = clahe.apply(r)

    img_out = cv2.merge([b1,g1,r1])

    return img_out

# 手动调节亮度和对比度

def light(dst):

    data=[110,220]

    def l_c_regulate(x):

        l = cv2.getTrackbarPos('light', 'light & contrast regulate')

        gamma = cv2.getTrackbarPos('contrast', 'light & contrast regulate')

        lighted = light_img(img_lc_regulate, l / 100.0)  # 亮度调节

        gammaed = gammaColor(lighted, gamma / 100.0)  # gamma变换

        cv2.imshow("light & contrast regulate", gammaed)

        data=[l,gamma]

        return gammaed

    img_lc_regulate = dst   # 复制原图

    cv2.namedWindow('light & contrast regulate')    #创建window

    cv2.createTrackbar('light', 'light & contrast regulate', 110, 500, l_c_regulate)       #亮度滑动条

    cv2.createTrackbar('contrast', 'light & contrast regulate', 210, 500, l_c_regulate)    #对比度滑动条

    l_c_regulate(0)      #先运行一次回调函数

    while(1):

        k=cv2.waitKey(1)&0xFF

        if k==27:   #ECS键

            cv2.destroyWindow('light & contrast regulate')

            lighted = light_img(img_lc_regulate, data[0] / 100.0)  # 亮度调节

            gammaed = gammaColor(lighted, data[1] / 100.0)  # gamma变换

            break

    return  gammaed

# 素描滤镜

def mirror1(img_in):

    img_in = cv2.cvtColor(img_in, cv2.COLOR_BGR2GRAY)  # 转为灰度图

    img_in = cv2.equalizeHist(img_in)   # 直方图均衡化

    inv = 255- img_in   # 图像取反

    blur = cv2.GaussianBlur(inv, ksize=(5, 5), sigmaX=50, sigmaY=50)  # 高斯滤波

    res = cv2.divide(img_in, 255- blur, scale= 255)     #颜色减淡混合

    res = gamma_trans(res,2)    #伽马变换，增强对比度

    return res

#复古滤镜(运行超级慢)

def mirror2(img_in):

    img_in = cv2.cvtColor(img_in, cv2.COLOR_BGR2GRAY)  # 转为灰度图

    im_color = cv2.applyColorMap(img_in, cv2.COLORMAP_PINK)

    return im_color

# 反色滤镜

def mirror3(img_in):

    inv = 255- img_in   # 图像取反

    return inv

# 边界滤镜（利用canny算子实现）

def mirror4(img_in):

    img_in = cv2.cvtColor(img_in, cv2.COLOR_BGR2GRAY)

    img_f = cv2.Canny(img_in,100,200)

    return  img_f

    # cv2.imshow('img_f',img_f)

def mirror5(dst,type):

    img_f = Image.fromarray(cv2.cvtColor(dst,cv2.COLOR_BGR2RGB))

    if type ==1:

        img_f = img_f.filter(ImageFilter.EMBOSS)      #浮雕滤镜

    elif type==2:

        img_f = img_f.filter(ImageFilter.BLUR)      #模糊滤镜

    img_f = cv2.cvtColor(np.asarray(img_f),cv2.COLOR_RGB2BGR)

    return  img_f

    # # 以下为PIL库的部分滤镜效果

    #

    # # OpenCV的图片格式转换成PIL.Image格式

    # img_f = Image.fromarray(cv2.cvtColor(dst,cv2.COLOR_BGR2RGB))

    #

    # # 滤镜处理

    # # ImageFilter.BLUR 模糊滤镜

    # # ImageFilter.SHARPEN 锐化滤镜

    # # ImageFilter.SMOOTH 平滑滤镜

    # # ImageFilter.SMOOTH_MORE 平滑滤镜(阀值更大)

    # # ImageFilter.EMBOSS 浮雕滤镜

    # # ImageFilter.FIND_EDGES 边界滤镜

    # # ImageFilter.EDGE_ENHANCE 边界加强

    # # ImageFilter.EDGE_ENHANCE_MORE 边界加强(阀值更大)

    # # ImageFilter.CONTOUR 轮廓滤镜

    # img_f = img_f.filter(ImageFilter.EMBOSS)      #浮雕滤镜

    # # img_f = img_f.filter(ImageFilter.CONTOUR)     #素描滤镜

    # # img_f = img_f.filter(ImageFilter.FIND_EDGES)    #边界滤镜

    #

    # # PIL.Image转换成OpenCV格式

    # img_f = cv2.cvtColor(np.asarray(img_f),cv2.COLOR_RGB2BGR)

def yuzhi(img_in):

    # 二值化阈值调节示例

    # 关于二值化，用身份证照片测试时，全局阈值进行二值化效果还可以，但如果存在灰度不均匀，会出现部分信息缺失

    # OTSU自动阈值法的效果也不错（效果不错的前提是图像灰度均匀，本质是一种全局最佳阈值的方法，依旧存在全局阈值的缺点）

    # 使用区域自适应阈值时，对不同灰度的区域有很好的效果，但如果窗口过小，会导致噪点被放大，可以通过调节偏移阈值去除噪点

    # 窗口调大到一定值时，效果等同于使用全局阈值，因此最终使用区域自适应阈值方法进行二值化

    # demo中使用滑块调节自适应阈值窗口的size，

    # 关于消除噪点，尝试过高斯滤波、膨胀，效果不好

    data=[57,30]

    def bin_regulate(x):

        data[0] = cv2.getTrackbarPos('auto size', 'bin regulate')  # 自适应阈值窗口大小

        if data[0] == 0:

            data[0] = 1  # 窗口最小大小为3

        data[1] = cv2.getTrackbarPos('threshold', 'bin regulate')  # 自适应阈值偏移量

        # img_bin = cv2.GaussianBlur(img_bin, ksize=(3, 3), sigmaX=100, sigmaY=100)  #高斯滤波

        # 固定全局阈值二值化

        # ret,img_bin =  cv2.threshold(img_bin, t, 255, cv2.THRESH_BINARY)

        # OTSU自动阈值

        # ret,img_bin = cv2.threshold(img_bin, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)

        # 以下两种区域自适应阈值方法类似

        # 自适应阈值二值化（均值）：第二个参数为领域内均值，第五个参数为规定正方形领域大小（11*11），第六个参数是常数C：阈值等于均值减去这个常数

        # img_bin = cv2.adaptiveThreshold(img_bin, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 21, 2)

        # 自适应阈值二值化(高斯窗口)第二个参数为领域内像素点加权和，权重为一个高斯窗口，第五个参数为规定正方形领域大小（11*11），第六个参数是常数C：阈值等于加权值减去这个常数

        img_bin = cv2.adaptiveThreshold(img_bin_i, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 2 * data[0] + 1, data[1])

        # 膨胀

        # kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

        # img_bin = cv2.dilate(img_bin,kernel)  #膨胀

        # 中值滤波

        # img_bin = cv2.medianBlur(img_bin, 2*blur_size+1)

        cv2.imshow("bin regulate", img_bin)

        pass

    img_gray = cv2.cvtColor(img_in, cv2.COLOR_BGR2GRAY)  # 转为灰度图

    img_bin_i = img_gray  # 复制灰度图

    cv2.namedWindow('bin regulate')  # 创建window

    cv2.createTrackbar('auto size', 'bin regulate', 57, 400, bin_regulate)  # 自适应阈值的窗口size值

    cv2.createTrackbar('threshold', 'bin regulate', 30, 100, bin_regulate)  # 自适应阈值偏移量

    bin_regulate(0)  # 先运行一次回调函数

    while (1):

        k = cv2.waitKey(1) & 0xFF

        if k == 27:  # ECS键

            img_bin = cv2.adaptiveThreshold(img_bin_i, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY,

                                                2 * data[0] + 1, data[1])

            cv2.destroyWindow('bin regulate')

            break

    return img_bin

    # while (1):

    #     k = cv2.waitKey(1) & 0xFF

    #

    #     if k == 27:  # ECS键

    #         cv2.destroyWindow('light & contrast regulate')

    #         img_bin = cv2.adaptiveThreshold(img_bin_i, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY,

    #                                         2 * data[0] + 1, data[1])

    #         break

    return img_bin

def other():

    # 二值化

    # 对透视变换后的图像进行灰度处理

    img_gray = cv2.cvtColor(dst, cv2.COLOR_BGR2GRAY)

    img_gray = gamma_trans(img_gray,1.2)    #伽马变换，增强对比度

    # 二值化阈值调节示例

    # 关于这个二值化，用身份证照片测试时，全局阈值进行二值化效果还可以，但如果存在灰度不均匀，会出现部分信息缺失

    # 使用区域自适应阈值时，对不同灰度的区域有很好的效果，但如果窗口过小，会有很多噪点被放大

    # 窗口调大到一定值时，效果等同于使用全局阈值，因此最终使用区域自适应阈值方法进行二值化

    # demo中使用滑块调节自适应阈值窗口的size

    # 为了消除噪点，尝试过高斯滤波、膨胀，效果不好

    # OTSU自动阈值法的效果也不错（效果不错的前提是图像灰度均匀，本质是一种全局最佳阈值的方法，依旧存在全局阈值的缺点）

    def bin_regulate(x):

        t = cv2.getTrackbarPos('auto size', 'bin regulate')

        if t == 0:

            t = 1   # 窗口最小大小为3

        # blur_size = cv2.getTrackbarPos('blursize', 'bin regulate')

        # img_bin = cv2.GaussianBlur(img_bin_regulate, ksize=(3, 3), sigmaX=100, sigmaY=100)  #高斯滤波

        # ret,img_bin =  cv2.threshold(img_bin_regulate, t, 255, cv2.THRESH_BINARY)    #进行固定阈值处理，得到二值图像

        img_bin = img_bin_regulate

        # 以下两种自适应阈值方法类似

        # 自适应阈值二值化（均值）：第二个参数为领域内均值，第五个参数为规定正方形领域大小（11*11），第六个参数是常数C：阈值等于均值减去这个常数

        # img_bin = cv2.adaptiveThreshold(img_bin, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 21, 2)

        # 自适应阈值二值化(高斯窗口)第二个参数为领域内像素点加权和，权重为一个高斯窗口，第五个参数为规定正方形领域大小（11*11），第六个参数是常数C：阈值等于加权值减去这个常数

        img_bin = cv2.adaptiveThreshold(img_bin,255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 2*t+1, 2)

        # OTSU自动阈值（效果还可以）

        # ret,img_bin = cv2.threshold(img_bin, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)

        # 膨胀

        # kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

        # img_bin = cv2.dilate(img_bin,kernel)  #膨胀

        cv2.imshow("bin regulate",img_bin)

        pass

    img_bin_regulate = img_gray     #复制灰度图

    cv2.namedWindow('bin regulate')    #创建window

    cv2.createTrackbar('auto size', 'bin regulate', 1, 400, bin_regulate)     #自适应阈值的窗口size值

    # cv2.createTrackbar('blursize', 'bin regulate', 1, 100, bin_regulate)     #高斯滤波size滚动条

    bin_regulate(0)      #先运行一次回调函数

    # #对透视变换后的图像使用阈值进行约束获得扫描结果

    # # 使用固定阈值操作：threshold()函数：有四个参数：第一个是原图像，第二个是进行分类的阈值，第三个是高于(低于)阈值时赋予的新值，

    # # 第四个是一个方法选择参数：cv2.THRESH_BINARY(黑白二值)

    # # 该函数返回值有两个参数，第一个是retVal(得到的阈值值(在OTSU会用到))，第二个是阈值化后的图像

    # ret, th1 = cv2.threshold(dst, 132, 255, cv2.THRESH_BINARY)    #进行固定阈值处理，得到二值图像

    # # 使用Otsu's二值化，在最后一个参数加上cv2.THRESH_OTSU

    # ret2, th2 = cv2.threshold(dst, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)

    # # 使用自适应阈值操作：adaptiveThreshold()函数

    # # 第二个参数为领域内均值，第五个参数为规定正方形领域大小（11*11），第六个参数是常数C：阈值等于均值减去这个常数

    # th3 = cv2.adaptiveThreshold(dst, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)

    # # 第二个参数为领域内像素点加权和，权重为一个高斯窗口，第五个参数为规定正方形领域大小（11*11），第六个参数是常数C：阈值等于加权值减去这个常数

    # th4 = cv2.adaptiveThreshold(dst,255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

    #输出处理后的图像

    cv2.imshow("orig", orig)

    cv2.imshow("gray", gray)

    cv2.imshow("blurred", blurred)

    cv2.imshow("canny_edge", orig_edged)

    cv2.imshow("marked", image)

    # cv2.imshow("thre_constant", th1)

    # cv2.imshow("thre_ostu", th2)

    # cv2.imshow("thre_auto1", th3)

    # cv2.imshow("thre_auto2", th4)

    cv2.imshow("orig_mark", dst)

    # cv2.imwrite("orig.jpg",dst)

    # cv2.imshow('all-approxs',all_approxs)

    cv2.waitKey(0)

    cv2.destroyAllWindows()

3.辅助代码

import PIL.Image

import io

import base64

global filename

def convert_to_bytes(file_or_bytes, resize=None):

    '''

    Will convert into bytes and optionally resize an image that is a file or a base64 bytes object.

    Turns into  PNG format in the process so that can be displayed by tkinter

    :param file_or_bytes: either a string filename or a bytes base64 image object

    :type file_or_bytes:  (Union[str, bytes])

    :param resize:  optional new size

    :type resize: (Tuple[int, int] or None)

    :return: (bytes) a byte-string object

    :rtype: (bytes)

    '''

    if isinstance(file_or_bytes, str):

        img = PIL.Image.open(file_or_bytes)

    else:

        try:

            img = PIL.Image.open(io.BytesIO(base64.b64decode(file_or_bytes)))

        except Exception as e:

            dataBytesIO = io.BytesIO(file_or_bytes)

            img = PIL.Image.open(dataBytesIO)

    cur_width, cur_height = img.size

    if resize:

        new_width, new_height = resize

        scale = min(new_height/cur_height, new_width/cur_width)

        img = img.resize((int(cur_width*scale), int(cur_height*scale)), PIL.Image.ANTIALIAS)

    bio = io.BytesIO()

    img.save(bio, format="PNG")

    del img

    return bio.getvalue()

def save_pic(filename,type,id):

    mp_type = {'0': '原图翻转', '白元芳': 78, '狄仁杰': 82}

————————————————