引言

OpenAI 推出的 DALL·E 工具因其能够生成令人惊叹的艺术作品而备受瞩目。DALL·E 不仅能够生成静态图像，还能根据用户的需求进行风格化处理，创造出独特的艺术作品。通过 OpenAI 的 API，你可以轻松将 DALL·E 的强大功能集成到你的 Python 程序中，实现自动化的图像生成。本文将为你提供一个详细的教程，帮助你快速上手。

本文价值

在本教程中，你将学习到：

• 什么是图像生成？
• 如何快速安装和配置 OpenAI 的 Python 库
• 探索与图像生成相关的 API 调用
• 根据文本提示生成图像
• 制作生成图像的不同版本
• 将 Base64 格式的 JSON 响应转换为 PNG 图像文件
• 将图像数据保存到本地文件中
• 处理和优化生成的图像

一、什么是图像生成？

图像生成模型可以通过提示和/或基础图像，创造出全新的内容。这些生成式 AI 模型不仅能够生成逼真的图像和艺术作品，还可以更改图像的布局或样式，并创建现有图像的变体。

DALL-E

除了自然语言处理功能外，生成式 AI 模型还具备编辑和创建图像的能力。DALL-E 是处理图像的主要模型，与 GPT 模型类似，它的版本也会不断更新，例如 DALL-E 2。图像功能通常分为三类：图像创建、图像编辑和图像变体。

图像生成

通过提供详细的文本提示，可以生成原始图像。提示越详细，模型越能准确生成所需的结果。

使用 DALL-E，你甚至可以请求特定风格的图像，例如“文森特梵高风格的狗”。这些风格也可以用于图像编辑和变体生成。

例如，给定提示“一头大象站立着，头顶一个汉堡，数字艺术风格”，模型会生成一幅准确描述该内容的数字艺术图像。

当提示更具体时（如“一只粉色的狐狸穿过田野，莫奈风格”），模型会生成更为详细和相似的图像。

图像编辑

如果提供了图像，DALL-E 可以根据要求编辑图像，通过更改样式、添加或删除元素，或生成新的内容来填充指定区域。上传原始图像并指定一个透明掩模，指示要编辑的图像区域，然后提供编辑提示，模型会生成适当的内容来填充该区域。

图像变体

通过提供图像并指定所需的变体数量，可以生成图像的变体。图像的主要内容将保持不变，但对象的位置、视线、背景场景和颜色等方面可能会有所不同。

例如，如果上传了一张大象戴着汉堡作为帽子的图像，你会得到同一对象的各种变体。

---

二、快速开始 🚀

利用 Python、DALL·E 和 OpenAI API 从文本生成图像的过程非常有趣。为了确保你能在 Python 脚本中持续使用这些生成的图像，建议直接获取图像数据，而不是通过 URL 进行访问。以下是一个简单的示例代码：

安装 OpenAI Python 库

首先，你需要安装 OpenAI 的 Python 库。可以通过 pip 命令轻松完成：

pip install openai  # 安装 OpenAI 的 Python 库

生成图像的基本代码

以下是生成图像的基本代码示例：

from openai import OpenAI  # 导入 OpenAI 库client = OpenAI()  # 创建 OpenAI 客户端实例# 定义生成图像的文本提示
PROMPT = "An eco-friendly computer from the 90s in the style of vaporwave"# 调用 DALL·E API 生成图像
response = client.images.generate(model="dall-e-2",  # 使用 DALL·E 2 模型prompt=PROMPT,  # 输入的文本提示n=1,  # 生成一张图像size="256x256",  # 图像的尺寸response_format="b64_json",  # 响应格式为 Base64 编码的 JSON
)# 打印生成的图像数据的前50个字符
print(response.data[0].b64_json[:50])

在这个脚本中，通过将 response_format 参数设置为 "b64_json"，你可以直接获取 Base64 编码的图像数据，而不是通过 URL。

保存生成的图像数据

为了防止丢失生成的图像数据，建议将 JSON 响应保存到文件中，而不是仅仅打印到终端：

import json  # 导入 JSON 库
from pathlib import Path  # 导入路径处理库
from openai import OpenAI  # 导入 OpenAI 库client = OpenAI()  # 创建 OpenAI 客户端实例# 定义生成图像的文本提示
PROMPT = "An eco-friendly computer from the 90s in the style of vaporwave"
DATA_DIR = Path.cwd() / "responses"  # 定义响应文件夹路径DATA_DIR.mkdir(exist_ok=True)  # 创建响应文件夹（如果不存在）# 调用 DALL·E API 生成图像
response = client.images.generate(model="dall-e-2",  # 使用 DALL·E 2 模型prompt=PROMPT,  # 输入的文本提示n=1,  # 生成一张图像size="256x256",  # 图像的尺寸response_format="b64_json",  # 响应格式为 Base64 编码的 JSON
)# 定义保存 JSON 响应的文件名
file_name = DATA_DIR / f"{PROMPT[:5]}-{response.created}.json"# 将响应保存为 JSON 文件
with open(file_name, mode="w", encoding="utf-8") as file:json.dump(response.to_dict(), file)  # 保存响应为 JSON 文件

通过以上代码，你可以在 Python 脚本中实现文件操作功能，确保生成的图像数据不会丢失。

三、解码 Base64 编码的 JSON 响应

你已经将 PNG 图像以 Base64 编码的字符串形式保存在 JSON 文件中。现在，你需要解码这些数据，以便查看图像：

import json  # 导入 JSON 库
from base64 import b64decode  # 导入 Base64 解码函数
from pathlib import Path  # 导入路径处理库DATA_DIR = Path.cwd() / "responses"  # 定义响应文件夹路径
JSON_FILE = DATA_DIR / "An ec-1667994848.json"  # 定义 JSON 文件路径
IMAGE_DIR = Path.cwd() / "images" / JSON_FILE.stem  # 定义图像文件夹路径IMAGE_DIR.mkdir(parents=True, exist_ok=True)  # 创建图像文件夹（如果不存在）# 读取 JSON 文件
with open(JSON_FILE, mode="r", encoding="utf-8") as file:response = json.load(file)  # 加载 JSON 数据# 解码并保存图像
for index, image_dict in enumerate(response["data"]):image_data = b64decode(image_dict["b64_json"])  # 解码 Base64 编码的图像数据image_file = IMAGE_DIR / f"{JSON_FILE.stem}-{index}.png"  # 定义图像文件名with open(image_file, mode="wb") as png:png.write(image_data)  # 保存解码后的图像

这个脚本会读取指定的 JSON 文件，从中提取 Base64 编码的字符串，解码它，并将解码后的图像数据保存为 PNG 文件。

四、创建图像的变体

如果你有一张图像，但它与理想的图像还不完全一致，你可以利用 DALL·E 2 来创建它的变体：

import json  # 导入 JSON 库
from base64 import b64decode  # 导入 Base64 解码函数
from pathlib import Path  # 导入路径处理库
from openai import OpenAI  # 导入 OpenAI 库client = OpenAI()  # 创建 OpenAI 客户端实例DATA_DIR = Path.cwd() / "responses"  # 定义响应文件夹路径
SOURCE_FILE = DATA_DIR / "An ec-1667994848.json"  # 定义源 JSON 文件路径# 读取源 JSON 文件
with open(SOURCE_FILE, mode="r", encoding="utf-8") as json_file:saved_response = json.load(json_file)  # 加载 JSON 数据image_data = b64decode(saved_response["data"][0]["b64_json"])  # 解码 Base64 编码的图像数据# 调用 DALL·E API 创建图像变体
response = client.images.create_variation(image=image_data,  # 输入的图像数据n=3,  # 生成三张变体图像size="256x256",  # 图像的尺寸response_format="b64_json",  # 响应格式为 Base64 编码的 JSON
)# 定义保存变体图像的 JSON 文件名
new_file_name = f"vary-{SOURCE_FILE.stem[:5]}-{response.created}.json"# 将变体图像的响应保存为 JSON 文件
with open(DATA_DIR / new_file_name, mode="w", encoding="utf-8") as file:json.dump(response.to_dict(), file)  # 保存变体图像的 JSON 数据

这个脚本会将之前 JSON 响应中的 Base64 编码图像数据发送到 Images API，并请求生成该图像的多个变体。然后，将这些变体图像的数据保存在新的 JSON 文件中。

五、处理和优化生成的图像

生成的图像可能需要进一步的处理和优化，以满足特定的需求。你可以使用 Python 的图像处理库，如 Pillow，来对生成的图像进行调整和优化。

安装 Pillow

首先，确保你安装了 Pillow 库：

pip install Pillow  # 安装 Pillow 图像处理库

图像处理示例

以下是一个简单的图像处理示例，展示如何使用 Pillow 对生成的图像进行调整：

from PIL import Image, ImageFilter  # 导入 Pillow 库中的图像处理模块# 打开生成的图像
image_path = IMAGE_DIR / "your_image.png"  # 定义图像文件路径
image = Image.open(image_path)  # 打开图像文件# 调整图像大小
image = image.resize((512, 512))  # 将图像调整为 512x512 像素# 应用滤镜
image = image.filter(ImageFilter.SHARPEN)  # 应用锐化滤镜# 保存处理后的图像
image.save(IMAGE_DIR / "processed_image.png")  # 保存处理后的图像

通过以上代码，你可以对生成的图像进行大小调整、滤镜应用等操作，提升图像的质量和视觉效果。

---

🔥点击这里体验：codemoss_能用AI
【无限GPT4.omini】 【拒绝爬梯】 【上百种AI工作流落地场景】
【主流大模型集聚地：GPT-4o-Mini、GPT-3.5 Turbo、GPT-4 Turbo、GPT-4o、GPT-o1、Claude-3.5-Sonnet、Gemini Pro、月之暗面、文心一言 4.0、通易千问 Plus等众多模型】
🔥传送门：https://www.nyai.chat/chat?invite=nyai_1141439&fromChannel=csdn241021_27context

---

总结

通过使用 Python 和 OpenAI 的 Images API，你可以根据文本提示生成图像，并对其进行变体处理。在本教程中，你学会了：

• 如何在本地安装和配置 OpenAI Python 库
• 如何利用 OpenAI API 的图像生成功能
• 如何将 Base64 JSON 响应转换为 PNG 图像文件
• 如何制作和保存生成图像的变体
• 如何使用 Pillow 对生成的图像进行处理和优化

这些技能将帮助你将图像生成功能集成到你的应用中，实现自动化的图像创作。希望你能在这个过程中获得灵感，创造出更多精彩的作品！✨