编写一段Python代码，其功能为：导入一张图像，分别对其进行带通和带阻滤波，展示滤波前后图像。之后再简要叙述带通和带阻滤波对图像的影响。

为了演示如何在Python中导入图片并应用带通和带阻滤波，我们可以使用PIL库来处理图像，以及NumPy库进行数学运算。这里我们假设你已经安装了`Pillow`库。首先，让我们编写代码：

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt

# 1. 导入图像
def load_image(image_path):
    img = Image.open(image_path)
    img_array = np.array(img)
    return img_array

# 2. 带通滤波（例如高斯滤波）
def band_pass_filter(image, kernel_size=5):
    # 使用PIL的getchannel()获取灰度图
    gray_img = image.convert('L')
    
    # 创建高斯核
    gauss_kernel = np.ones((kernel_size, kernel_size), dtype=np.float32) / (kernel_size**2)
    
    # 进行卷积操作
    filtered_img = np.convolve(gray_img, gauss_kernel, mode='same')
    
    return filtered_img

# 3. 带阻滤波（这里简单粗暴地理解为去除了高频率部分）
def band_reject_filter(image, cutoff_freq=0.4):  # 假设我们只保留低频部分
    low pass filter_img = band_pass_filter(image, kernel_size=int(cutoff_freq * min(image.shape)))
    original_shape = image.shape
    filtered_img = np.zeros_like(low_pass_filter_img)
    filtered_img[:original_shape[0], :original_shape[1]] = low_pass_filter_img
    return filtered_img

# 4. 显示原始图像和滤波后的图像
def display_images(original, filtered):
    fig, axs = plt.subplots(1, 2, figsize=(10, 5))
    axs[0].imshow(original, cmap='gray')
    axs[0].set_title('Original Image')

    axs[1].imshow(filtered, cmap='gray')
    axs[1].set_title('Filtered Image')
    plt.show()

# 示例
image_path = 'example.jpg'  # 替换为你需要处理的图片路径
img = load_image(image_path)

# 高斯滤波
filtered_bp = band_pass_filter(img)
display_images(img, filtered_bp)

# 带阻滤波示例
filtered_br = band_reject_filter(img)
display_images(img, filtered_br)

# 简述影响：
- 带通滤波通常用于模糊图像，减少噪声，强调边缘，提高图像的视觉质量。
- 带阻滤波则相反，它可能会消除某些细节，使得图像显得更平滑，适用于去除不需要的高频成分，如去除图像中的高频噪声。