要使用 NumPy, scikit-image (skimage) 和 matplotlib 来完成这个任务，我们可以分步骤地编写 Python 代码。以下是完成你所述需求的详细步骤和代码示例： 第一步：生成图像 首先，我们需要创建一个 600x600 的图像，其中间 300x300 区域为蓝色，其余为灰色。 ```python import numpy as np import matplotlib.pyplot as plt from skimage import color # 创建600x600的图像，初始化为灰色 img = np.zeros((600, 600, 3), dtype=np.uint8) + [127, 127, 127] # 将中间300x300的区域设置为蓝色 img[150:450, 150:450] = [0, 0, 255] # 显示图像 plt.imshow(img) plt.axis('off') # 不显示坐标轴 plt.show() ``` 第二步：修改颜色 将图像的灰色部分变为黄色，蓝色部分变为红色。 ```python # 黄色和红色的RGB值 yellow = [255, 255, 0] red = [255, 0, 0] # 将灰色变为黄色 img[np.all(img == [127, 127, 127], axis=2)] = yellow # 将蓝色变为红色 img[np.all(img == [0, 0, 255], axis=2)] = red # 显示修改后的图像 plt.imshow(img) plt.axis('off') plt.show() ``` 第三步：二值化和颜色转灰度 将图像转换为灰度图，并设定一个阈值来进行二值化，使得中间区域为白色，周围为黑色。这里我们可以简单地取平均灰度值作为阈值。 ```python # 使用平均值法转换为灰度图（一种简单的灰度转换方式） gray = np.mean(img, axis=2).astype(np.uint8) # 为了简单起见，我们可以选择一个阈值，这里我们假设中间300x300区域的平均灰度高于边缘 # 但为了自动化，我们可以计算一个更精确的阈值，比如使用Otsu方法 # 但由于中间区域是白色的，我们可以简单地使用一个很高的阈值 threshold = 180 # 这个值可能需要根据你的图像进行调整 # 二值化 binary = (gray > threshold).astype(np.uint8) * 255 # 显示二值化后的图像 plt.imshow(binary, cmap='gray') plt.axis('off') plt.show() ``` 注意：在这个例子中，我使用了一个固定的阈值 `180` 来进行二值化，这在大多数情况下可能不是最优的。一个更好的方法是使用图像分割技术（如 Otsu 方法）来自动确定阈值。由于我们已经知道中间区域是亮的，且边缘是暗的，我们可以假设中间区域的平均灰度值会高于边缘，因此可以使用一个较高的阈值。 如果你想要使用更复杂的灰度转换公式或自动阈值方法，你可以考虑使用 OpenCV 或 skimage 中提供的更高级的函数。 [2024-10-17 10:34:57 | AI写代码神器 | 757点数解答]