在计算机视觉中，池化是一种降低卷积神经网络（Convolutional Neural Network，简称CNN）特征图大小的操作。Python中可以使用TensorFlow和Keras库来实现图片的池化操作。

# 导入相关库
from keras.layers import MaxPooling2D
from keras.models import Sequential
# 创建CNN模型
model = Sequential()
# 添加卷积层
model.add(Conv2D(filters = 32, kernel_size = (3, 3), input_shape = (28, 28, 1), activation = 'relu'))
# 添加最大池化层
model.add(MaxPooling2D(pool_size = (2, 2)))
# 展平图像
model.add(Flatten())
# 输出模型结构
model.summary()

在上面的代码中，我们首先导入了MaxPooling2D和Sequential模块。然后，我们创建了一个Sequential模型，并添加了一个卷积层，卷积核大小为3x3，过滤器数为32，激活函数为relu。接着，我们添加了一个最大池化层，池化核大小为2x2。最后，我们使用Flatten函数，将图像展平。

通过使用池化层，可以减少计算量和计算复杂度，同时提高模型的准确性和性能。Python中的池化操作可以帮助我们更好地处理图像数据，从而实现更加精准的计算机视觉应用。