作为 pickle 的一种替代方式，NumPy 具有读写文本文件的简单函数。如果数据中不包含复杂的数据结构，比如在一幅图像上点击的点列表，NumPy 的读写函数会很有用。保存一个数组 x 到文件中，可以使用：
savetxt(\'test.txt\',x,\'%i\')最后一个参数表示应该使用整数格式。类似地，读取可以使用：
x = loadtxt(\'test.txt\')你可以从在线文档 了解更多内容。
最后，NumPy 有专门用于保存和载入数组的函数。你可以在上面的在线文档里查看关于 save() 和 load() 的更多内容。
1.4 SciPySciPy（） 是建立在 NumPy 基础上，用于数值运算的开源工具包。SciPy 提供很多高效的操作，可以实现数值积分、优化、统计、信号处理，以及对我们来说最重要的图像处理功能。接下来，本节会介绍 SciPy 中大量有用的模块。SciPy 是个开源工具包，可以从 下载。
1.4.1 图像模糊图像的高斯模糊是非常经典的图像卷积例子。本质上，图像模糊就是将（灰度）图像 I 和一个高斯核进行卷积操作：
Iσ = I*Gσ
其中 * 表示卷积操作；Gσ 是标准差为 σ 的二维高斯核，定义为 :
高斯模糊通常是其他图像处理操作的一部分，比如图像插值操作、兴趣点计算以及很多其他应用。
SciPy 有用来做滤波操作的 scipy.ndimage.filters 模块。该模块使用快速一维分离的方式来计算卷积。你可以像下面这样来使用它：
from PIL import Image from numpy import * from scipy.ndimage import filters im = array(Image.open(\'empire.jpg\').convert(\'L\')) im2 = filters.gaussian_filter(im,5)上面 guassian_filter() 函数的最后一个参数表示标准差。
图 1-9 显示了随着 σ 的增加，一幅图像被模糊的程度。σ 越大，处理后的图像细节丢失越多。如果打算模糊一幅彩色图像，只需简单地对每一个颜色通道进行高斯模糊：
im = array(Image.open(\'empire.jpg\')) im2 = zeros(im.shape) for i in range(3): im2[:,:,i] = filters.gaussian_filter(im[:,:,i],5) im2 = uint8(im2)在上面的脚本中，最后并不总是需要将图像转换成 uint8 格式，这里只是将像素值用八位来表示。我们也可以使用：
im2 = array(im2,\'uint8\')来完成转换。
关于该模块更多的内容以及不同参数的选择，请查看 上 SciPy 文档中的 scipy.ndimage 部分。